{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Filtreler\n",
"\n",
"\n",
"\n",
"[resim kaynağı](https://docs.gimp.org/en/images/filters/examples/convolution-calculate.png)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:25:49.938704Z",
"start_time": "2019-08-22T09:25:49.235218Z"
}
},
"outputs": [],
"source": [
"from PIL import Image\n",
"from matplotlib.pyplot import imshow\n",
"import numpy as np\n",
"%matplotlib inline"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:25:50.186495Z",
"start_time": "2019-08-22T09:25:49.942483Z"
}
},
"outputs": [],
"source": [
"img_noisy = Image.open(\"images/noisy_test.jpg\")\n",
"imshow(img_noisy)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Median(Ortanca Değer) Filtresi\n",
"\n",
"\n",
"\n",
"### Tuz-buz gürültüsünden temizleme\n",
"Bir pencere boyutu belirlenir ve resim üzerinde gezdirilen pencere içerisindeki piksel değerleri sıralanarak ortadaki değer alınır."
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:25:51.741249Z",
"start_time": "2019-08-22T09:25:51.738695Z"
}
},
"outputs": [],
"source": [
"img_noisy_array = np.array(img_noisy)\n",
"new_img_array = np.array(img_noisy)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 3x3 Filtre"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:25:54.202873Z",
"start_time": "2019-08-22T09:25:54.200374Z"
}
},
"outputs": [],
"source": [
"def getMedian(li):\n",
" li.sort()\n",
" return li[int(len(li)/2)]"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:25:55.727097Z",
"start_time": "2019-08-22T09:25:55.227480Z"
}
},
"outputs": [],
"source": [
"############### 3x3 window ###############\n",
"for i in range(1, img_noisy_array.shape[0] - 1):\n",
" for j in range(1, img_noisy_array.shape[1] - 1):\n",
" win = []\n",
" for x in range(i - 1, i + 2):\n",
" for y in range(j - 1, j + 2):\n",
" win.append(img_noisy_array[x][y])\n",
"\n",
" new_img_array[i][j] = getMedian(win)\n",
"\n",
"imshow(new_img_array)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 5x5 Filtre"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:25:58.303805Z",
"start_time": "2019-08-22T09:25:57.481663Z"
}
},
"outputs": [],
"source": [
"############### 5x5 window ###############\n",
"img_noisy_array = np.array(img_noisy)\n",
"new_img_array = np.array(img_noisy)\n",
"\n",
"for i in range(1, img_noisy_array.shape[0] - 2):\n",
" for j in range(1, img_noisy_array.shape[1] - 2):\n",
" win = []\n",
" for x in range(i - 2, i + 3):\n",
" for y in range(j - 2, j + 3):\n",
" win.append(img_noisy_array[x][y])\n",
" #sort the values\n",
" win.sort()\n",
" \n",
" new_img_array[i][j] = getMedian(win)\n",
"\n",
"imshow(new_img_array)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Mean (Ortalama) Filtresi\n",
"Resim üzerinde gezdirilen pencere içerisindeki piksel değerlerinin ortalaması alınır."
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T09:26:09.338443Z",
"start_time": "2019-08-22T09:26:08.312591Z"
}
},
"outputs": [],
"source": [
"############### 5x5 window ###############\n",
"img_noisy_array = np.array(img_noisy)\n",
"new_img_array = np.array(img_noisy)\n",
"\n",
"\n",
"for i in range(1, img_noisy_array.shape[0] - 2):\n",
" for j in range(1, img_noisy_array.shape[1] - 2):\n",
" win = []\n",
" for x in range(i - 2, i + 3):\n",
" for y in range(j - 2, j + 3):\n",
" win.append(img_noisy_array[x][y])\n",
" \n",
" new_img_array[i][j] = (np.sum(win))/(5*5)\n",
"\n",
"imshow(new_img_array)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"<hr>\n",
"\n",
"## Kenar nedir\n",
"\n",
"Piksel yoğunluklarında aşırı farklılıklar bulunan alan genellikle bir nesnenin kenarını gösterir.\n",
"\n",
"### Kenar Çeşitleri\n",
"\n",
"Bunlar, görüntülerde bulunan ana ideal kenar tipleridir. Bir görüntüdeki görüntü yoğunluğunun değişme şekli, o konumda mevcut olan kenar tipini belirler. Şekil 1, piksellerin x ya da y doğrultusundaki mesafelerine karşı olan görüntü yoğunluğunu temsil etmek için bir çizgi kullanarak bu farklılıkları göstermeye yardımcı olur.\n",
"\n",
"- a. Adım Kenarı (Step Edge) - Görüntünün yoğunluğunun derhal bir mesafeden arttığı yerde.\n",
"- b. Rampa Kenarı (Ramp Edge) - Görüntünün yoğunluğunun belli bir mesafeye kademeli olarak arttığı yer.\n",
"- c. Tavan Kenarı (Roof Edge) - Görüntünün yoğunluğunun geçici olarak belirli bir mesafeye yayıldığı yer.\n",
"\n",
"\n",
"\n",
"[Makale ve Resim Referansı](http://www.doc.ic.ac.uk/~ts2615/contribution.html#1)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Kenar Tespiti: Sobel Filtresi"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T10:22:01.318884Z",
"start_time": "2019-08-22T10:22:01.085531Z"
}
},
"outputs": [],
"source": [
"path = \"images/jet.jpg\"\n",
"img = Image.open(path)\n",
"\n",
"imshow(img)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Sobel, bir görüntünün kenarlarını algılamak için çok yaygın bir operatördür, bu bir görüntünün türevine bir yaklaşımdır. Y ve x yönlerinde ayrıdır. Burada, her x ve y yönü için bir tane olmak üzere bir çekirdek 3 * 3 matrisi kullanıyoruz. X yönü için degrade, solda eksi sayılar, sağında da pozitif sayılar ve merkez pikselleri koruruz. Satır pikselleri.\n",
"\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T11:47:13.085126Z",
"start_time": "2019-08-22T11:47:13.079943Z"
}
},
"outputs": [],
"source": [
"img_array = np.array(img)\n",
"\n",
"#define horizontal and Vertical sobel kernels\n",
"Gx = np.array([[-1, 0, 1],[-2, 0, 2],[-1, 0, 1]])\n",
"Gy = np.array([[-1, -2, -1],[0, 0, 0],[1, 2, 1]])"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Çekirdek evrişim fonksiyonunu tanımlamak\n",
"\n",
"Evrişim işlevi, aynı boyutta üçüncü bir sayı dizisini üretmek için genellikle farklı boyutlardaki iki sayı dizisini, burada gri skala görüntüsünü ve sobel / prewitt çekirdeklerini bir araya getirme yöntemidir. Evrişim, uygulanan çekirdeğin görüntünün tüm piksellerinin üzerine kaydırılmasıyla gerçekleştirilir.\n",
"A, kaynak görüntüdür ve * evrişim işlemini gösterir.\n",
"\n",
"\n",
"\n",
"\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T11:46:17.090795Z",
"start_time": "2019-08-22T11:46:17.079526Z"
}
},
"outputs": [],
"source": [
"#define kernal convolution function\n",
"# with image X and filter F\n",
"def convolve(X, F):\n",
" # height and width of the image\n",
" X_height = X.shape[0]\n",
" X_width = X.shape[1]\n",
" \n",
" # height and width of the filter\n",
" F_height = F.shape[0]\n",
" F_width = F.shape[1]\n",
" \n",
" H = (F_height - 1) // 2\n",
" W = (F_width - 1) // 2\n",
" \n",
" #output numpy matrix with height and width\n",
" out = np.zeros((X_height, X_width))\n",
" #iterate over all the pixel of image X\n",
" for i in np.arange(H, X_height-H):\n",
" for j in np.arange(W, X_width-W):\n",
" sum = 0\n",
" #iterate over the filter\n",
" for k in np.arange(-H, H+1):\n",
" for l in np.arange(-W, W+1):\n",
" #get the corresponding value from image and filter\n",
" a = X[i+k, j+l]\n",
" w = F[H+k, W+l]\n",
" sum += (w * a)\n",
" out[i,j] = sum\n",
" #return convolution \n",
" return out"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### Gradyan büyüklüğü\n",
"\n",
"Her yöndeki gradyan bileşeni daha sonra her noktada gradyanın mutlak büyüklüğünü ve bu gradyanın yönünü bulmak için bir araya getirilir."
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {
"ExecuteTime": {
"end_time": "2019-08-22T11:34:49.791406Z",
"start_time": "2019-08-22T11:34:41.718703Z"
}
},
"outputs": [],
"source": [
"#normalizing the vectors\n",
"sob_x = convolve(img_array, Gx) / 9.0\n",
"sob_y = convolve(img_array, Gy) / 9.0\n",
"\n",
"\n",
"#calculate the gradient magnitude of vectors\n",
"sob_out = np.sqrt(np.power(sob_x, 2) + np.power(sob_y, 2))\n",
"# mapping values from 0 to 255\n",
"sob_out = (sob_out / np.max(sob_out)) * 255\n",
"\n",
"\n",
"imshow(sob_out)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.5.2"
}
},
"nbformat": 4,
"nbformat_minor": 4
}