{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "# Filtreler\n", "\n", "![alt text](assets/4-1.png)\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", "![alt text](assets/5-median_filter.gif)\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": [ "
\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", "![alt text](assets/5-edge_type.jpg)\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", "![alt text](assets/5-sobel_con_kernels.png)\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", "![alt text](assets/5-math_gx.svg)\n", "\n", "![alt text](assets/5-math_gy.svg)\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 }