| Operatoren |
bilateral_filter — Bilaterale Filterung eines Bildes.
bilateral_filter(Image, ImageJoint : ImageBilateral : SigmaSpatial, SigmaRange, GenParamName, GenParamValue : )
bilateral_filter führt eine gemeinsame bilaterale Filterung des Eingabebildes Image und des Führungsbildes ImageJoint durch und liefert das Ergebnis in ImageBilateral zurück. Image und ImageJoint müssen dieselbe Größe haben und vom gleichen Typ sein.
SigmaSpatial definiert die Größe der Filtermaske und korrespondiert mit der Standardabweichung eines gewöhnlichen Gaussfilters. Größere Werte erhöhen den Einflussbereich des Filters und führen dazu, dass weniger Details erhalten bleiben.
SigmaRange wird verwendet, um die Filtermaske abhängig vom Inhalt von ImageJoint um das aktuelle Pixel zu verändern. Nur Pixel in Bereichen mit schwachen Kanten, die einen niedrigeren Kontrast als SigmaRange haben, beeinflussen die Glättung. Es ist zu beachten, dass der Kontrast in uint2- oder real-Bildern deutlich vom Defaultwert von SigmaRange abweichen kann und der Parameter daher gesondert eingestellt werden muss.
GenParamName und GenParamValue können zurzeit verwendet werden, um den Trade-off zwischen Geschwindigkeit und Genauigkeit zu steuern (siehe unten).
Jedes Pixel von Image wird mit einer Filtermaske, die von ImageJoint abhängt, gefiltert. Die Filtermaske kombiniert eine Gauss'sche Nähefunktion, die von SigmaSpatial abhängt, und eine Gauss'sche Ähnlichkeitsfunktion, die Grauwertunterschiede abhängig von SigmaRange gewichtet.
Sind Image und ImageJoint identisch, verhält sich bilateral_filter wie ein kantenerhaltender Glättungsfilter, dessen Maskengröße von SigmaSpatial bestimmt wird. Pixel an Kanten mit einem Kontrast, der deutlich über SigmaRange liegt, werden erhalten, während Pixel in homogenen Bereichen geglättet werden.
| (1) | (2) | (3) |
Sind Image und ImageJoint verschieden, wird jeder Pixel von Image mit einer Filtermaske geglättet, die von ImageJoint beeinflusst wird. Pixel and Positionen, wo ImageJoint starke Kanten aufweist, deren Kontrast deutlich über SigmaRange liegt, werden weniger geglättet als Pixel in homogenen Bereichen.
| (1) | (2) | (3) |
Ist ImageJoint konstant, verhält sich bilateral_filter äquivalent zu einer Gauss-Glättung mit SigmaSpatial (siehe gauss_filter oder smooth_image).
| (1) | (2) | (3) |
Die folgenden Beispiele zeigen den Einfluss von SigmaRange auf einem künstlichen Bild. In diesem Bild liegt das Rauschlevel bei 10 Grauwerten, die linke Kante hat einen Kontrast von 50 Grauwerten, die rechte Kante hat einen Kontrast von 100 Grauwerten. Die gelbe Linie zeigt das Grauwertprofil eines horizontalen Querschnitts.
Die folgenden Werte für GenParamName werden unterstützt:
Per Default verwendet bilateral_filter einen Nährungsalgorithmus, der nur eine Teilmenge von abgetasteten Punkten für die Berechnung der lokalen Filtermasken verwendet.
Mit 'sampling_method' kann die verwendete Abtastmethode ausgewählt werden. Mögliche Werte sind:
Verwendet ein reguläres Gitter zur Abtastung der Filtermasken.
Verwendet eine Poisson-Disk-Abtastung. Diese Methode ist langsamer als 'grid', möglicherweise liefert sie aber weniger Artefakte.
Verwendet alle verfügbaren Punkte. Diese Methode ist die genaueste, aber auch die langsamste. Falls 'exact' verwendet wird, wird 'sampling_ratio' ignoriert.
Steuert, wie viele Punkte für die Abtastung verwendet werden.
Durch Setzen von 'sampling_ratio' auf 1.0 wird die exakte Methode verwendet. Eine niedrigere Abtastrate führt zu einer schnelleren Filterung, aber auch zu etwas ungenaueren Ergebnissen.
Empfohlene Werte: 0.25, 0.5, 0.75, 1.0
Default: 0.50
bilateral_filter kann iterativ aufgerufen werden. In dem Fall wird das Ergebnis einer Iteration als Führungsbild der nächsten Iteration verwendet. Das kann nützlich sein, z.B. um kleine Strukturen aus dem Originalbild zu entfernen, auch wenn sie einen hohen Kontrast haben.
Das folgende Beispiel zeigt den Effekt des Rolling-Filters anhand eines künstlichen Beispielbildes. In diesem Bild liegt das Rauschlevel bei 10 Grauwerten, der Kontrast zwischen dunklen und hellen Bereichen beträgt 100 Grauwerte. Der linke helle Streifen ist 10 Pixel breit, der rechte Streifen 40 Pixel. Die gelbe Linie zeigt das Grauwertprofil eines horizontalen Querschnitts.
Verwendete Parameter: ImageJoint konstant, SigmaSpatial = 25, SigmaRange = 15.
* Verwenden des Rolling-Bilateral-Filter
* (verwende ein konstantes Führungsbild für die erste Iteration).
gen_image_proto (Image, ImageJoint, 128)
for I := 1 to 6 by 1
bilateral_filter (Image, ImageJoint, ImageJoint, 25, 15, [], [])
endfor
| (1) | (2) |
Die Berechnung der gefilterten Grauwerte beruht auf folgender Formel:
und die Ähnlichkeitsfunktion (similarity function)
Das Konzept der Glättungsfilter ist in der Einleitung zum Kapitel Filter / Glättung beschrieben.
Zu filterndes Bild.
Führungsbild.
Gefiltertes Ausgabebild.
Größe der Gaussglocke der Nähefunktion.
Defaultwert: 3.0
Wertevorschläge: 1.0, 2.0, 3.0, 10.0
Restriktion: SigmaSpatial > 0.6
Größe der Gaussglocke der Ähnlichkeitsfunktion.
Defaultwert: 20.0
Wertevorschläge: 3.0, 10.0, 20.0, 50.0, 100.0
Restriktion: SigmaRange > 0.0001
Namen der generischen Parameter.
Defaultwert: []
Werteliste: 'sampling_method', 'sampling_ratio'
Werte der generischen Parameter.
Defaultwert: []
Wertevorschläge: 'grid', 'poisson_disk', 'exact', 0.5, 0.25, 0.75, 1.0
read_image (Image, 'mreut') * Edge-preserving smoothing bilateral_filter (Image, Image, ImageBilateral, 5, 20, [], []) * Rolling filter (5 iterations) gen_image_proto (Image, ImageJoint, 0) for I := 1 to 5 by 1 bilateral_filter (Image, ImageJoint, ImageJoint, 5, 20, [], []) endfor
threshold, dyn_threshold, var_threshold, regiongrowing
guided_filter, anisotropic_diffusion, median_image
C. Tomasi, R. Manduchi: “Bilateral filtering for gray and color images“;
Sixth International Conference in Computer Vision;
S. 839-846; January 1998.
F. Banterle, M. Corsini, P. Cignoni, R. Scopigno: “A Low-Memory,
Straightforward and Fast Bilateral Filter Through Subsampling in
Spatial Domain“;
Computer Graphics Forum, no. 1, vol 31;
S. 19-23; February 2012.
G. Petschnigg, R. Szeliski, M. Agrawala, M. Cohen, H. Hoppe, K. Toyama:
“Digital Photography with Flash and No-flash Image Pairs“;
ACM Trans., no. 3, vol. 23;
S. 9; August 2004.
R. Bridson: “Fast Poisson Disk Sampling in Arbitrary Dimensions“;
ACM SIGGRAPH 2007 Sketches, no. 22;
2007.
Foundation
| Operatoren |