دانلود مقاله پردازش تصویر به روش هیستوگرام

اختصاصی از فی ژوو دانلود مقاله پردازش تصویر به روش هیستوگرام دانلود با لینک مستقیم و پر سرعت .

در این پایان نامه سعی شده است کاربردهای مختلف پردازش تصویر که از جمله کاربرد در صنعت، هواشناسی، شهرسازی، کشاورزی، علوم نظامی و امنیتی، نجوم، فضانوردی، پزشکی، فناوری‌های علمی، باستان شناسی، تبلیغات، سیمنما، اقتصاد،‌روانشناسی و زمین شناسی می‌باشد مختصراً مورد بحث قرار گیرد. چگونگی پردازش بر روی تصاویر و تکنیک‌ها و فیلترهایی که بر روی یک تصویر اعمال می‌شود و این که چگونه می‌توان میزان روشنایی یک تصویر را به کمک تکنیک هیستوگرام افزایش با کاهش داد و فیلترهای بالا گذر و پایین گذر چه ویژگی‌هایی از تصویر را برای ما ملموس خواهد کرد بیان می‌شود و در نهایت با استفاده از همین هیستوگرام و اعمال فیلترهای مختلف برای پیدا کردن لبه به یکی از کاربردهای آن که تشخیص پلاک خودرو می‌باشد پرداخته می شود که نشان می‌دهد این تکنیک برای تصاویر با کنتراست متفاوت و تشخیص اشیا در آنها بسیار مفید می‌باشد. این روش بر روی 50 تصویر مختلف از نظر پس زمینه، فاصله و زاویه دید مورد آ مایش قرار گرفته است. که از این میان 45 پلاک به درستی شناسایی شده است، به عبارتی نرخ خواندن صحیح پلاک 90% محاسبه می‌شود.

 
فهرست مطالب
چکیده 5
فصل اول
مقدمه 9
فصل دوم
پردازش تصویر 19
انواع پردازش تصویر 20
مقادیر پیکسل‌ها 20
دقت تصویر 21
روش‌های پردازش تصاویر 21
عملیات مختلف بر روی تصویر 22
هیستوگرامتصویر 27
بالا بردن دقت عکس 29
ارتقای تصویر و عملگر کانولوشن 29
تعدیلهیستوگرام 30
فیلترکردنتصویر 32
اعمال فیلترتصویردر MATLAB 34
ایجاد فیلتر دلخواه 35
طراحی فیلتر 35
طراحی فیلتر میانگین ماتریس مربعی 36
طراحی فیلتر پایین گذر گوسی 37
طراحی فیلتر لاپلاس 38
طراحی فیلتر لاپلاس از روش حذف گوس 39
طراحی فیلتر حرکت دهنده 39
طراحی فیلتر تقویت لبه 40
طراحی فیلتر لبه افقی و عمودی 40
طراحی فیلتر افزایش دهنده شدت نور و لبه‌ها 41

فصل سوم
کاربردهای هیستوگرام در پردازش تصویر 42
استفاده از فیلتر لاپلاسین و همسان سازی تطبیقی هیستوگرام به منظور بهبود کیفیت تصاویر رادیوگرافی جزئی 42
تاثیرتکینکپردازشدرافزایشدقتتناظریابیعکسی 43
استخراج نواحی شامل متن و تفکیک متن به حروف 44
تحلیل تغییرات رنگ رطب در طی خشک کردن با خشک کن کابینی با استفاده از روش عکس برداری دیجیتالی 45
بهینه سازی تصاویر پرتونگاری صنعتی جهت تشخیص عیب‌های لوله‌های نفت و گاز در نواحی جوش با استفاده از پردازش تصویر 46
پیش پردازش تصویر 46
فوکوس خودکار دوربین‌های دیجیتالی 47
تشخیص چهره 47
تشخیص پلاک خودرو 48
فصل چهارم
تشخیص پلاک خودرو 49
فیلتر گوسین 52
پیدا کردن لبه‌های عمودی 52
تحلیل هیستوگرام 52
پیدا کردن محل کاندید پلاک 53
سایش تصویر 54
گسترش افقی تصویر 54
پر کردن حفره‌های احتمالی 55
گسترش عمودی تصویر 56
استخراج پلاک 56
جداسازی کاراکترها 56
شناسایی کاراکترها

57
فصل پنجم 58
نتیجه گیری 58
مراجع 60

 
فصل اول
مقدمه
امروزه با گسترش روز افزون روش های مختلف اخذ اطلاعات گسسته مانند پویشگرها و دوربین های دیجیتالی، پردازش تصویر کاربرد فراوانی یافته است. تصاویر حاصله از این اطلاعات همواره کم و بیش همراه مقداری نویز بوده و در مواردی نیز دارای مشکل محوشدگی مرزهای نمونه های داخل تصویر می باشند که موجب کاهش وضوح تصویر دریافتی می گردند. مجموعه عملیات و روش هایی که به منظور کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار میگیرد، پردازش تصویر نامیده می شود. اگرچه حوزه های کار با تصویر بسیار وسیع است ولی عموماً محدوده مورد توجه در چهار زمینه ی بهبود کیفیتظاهری(Enhancement)، بازسازی تصاویر مختل شده(Restoration)، فشرده گی و رمزگذاری تصویر (Compression and Coding) و درک تصویر توسط ماشین (Understanding) متمرکز می گردد.
بهبود تصاویر شامل روش هایی مثل استفاده از فیلتـر محو کننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آن ها در محیط مقصد است. بینایی ماشین به روش هایی می پردازد که به کمک آن ها می توان معنی و محتوای تصاویر را درک کرد تا از آن ها در کارهایی چون رباتیک و محور تصاویر استفاده شود. پردازش تصویر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است و بسیاری از علوم به آن وابسته اند.
کاربردهای پردازش تصویر
زمینه های مختلف کاربرد پردازش تصویر عبارتند از صنعت، هواشناسی، شهرسازی، کشاورزی، علوم نظامی و امنیتی، نجوم و فضا نوردی، پزشکی، فناوری های علمی، باستان شناسی، تبلیغات، سینما، اقتصاد، روانشناسی و زمین شناسی که در ادامه درباره هر کدام مختصراً بحث شده است.
صنعت
امروزه کمتر کارخانه پیشرفته ای وجود دارد که بخشی از خط تولید آن توسط برنامه های هوشمند بینایی ماشین کنترل نشود. خطای بسیار کم، سرعت زیاد، هزینه نگهداری بسیار پایین، عدم نیاز به حضور اپراتور 24 ساعته و خیلی مزایای دیگر باعث شده که صنایع و کارخانه ها به سرعت به سمت پردازش تصویر و بینایی ماشین روی بیاورند. دستگاهی ساخته شده که قادر است کیک های پخته را از کیک هایی که نیاز به پخت مجدد دارند، تشخیص دهد و آنها را به صورت اتوماتیک به بسته بندی بفرستد و کیک هایی که نیاز به پخت دارند را دوباره برای پختن ارسال کند.
یکی دیگر از دلایل استفاده از بینایی ماشین قابلیت دیدن و اندازه گیری محصولاتی است که دیدن یا اندازه گیری آنها با چشم غیر مسلح غیر ممکن است. عناصر تشکیل دهنده یک سیستم بینایی ماشین نرم افزار هوشمند بینایی است که ورودی خود را از دوربین های نصب شده در بخش های مختلف خط تولید می گیرد و بر اساس تصاویر دریافتی دستورات لازم برای کنترل ماشین های صنعتی را صادر می کند. پردازش تصویر در تشخیص دمای کوره هایی که هیچ وسیله ی مکانیکی و الکترونیکی تحمل دمای آنها را ندارد، کاربرد دارد. دوربین های حرارتی می توانند مشکل بخشی از سازه ی مورد نظر را تشخیص دهند.
هواشناسی
از آنجایی که در علم هواشناسی تشخیص و پیش بینی آب و هوا اکثراً از طریق تصاویر هوایی و ماهواره ای انجام می گیرد، پردازش تصویر در این علم کاربرد زیادی دارد و دقت و سرعت پیش بینی آب و هوا و طوفان‌ها را بسیار بالا می برد. جبهه های پرفشار، کم فشار، گردبادها و گرداب های بوجود آمده در سطح کره زمین را می توان مشاهده کرد.
شهرسازی
با مقایسه عکس های مختلف از سال های مختلف یک شهر می توان میزان گسترش و پیشرفت آن را مشاهده کرد.
کاربرد دیگر پردازش تصویر می تواند در کنترل ترافیک باشد. با گرفتن عکس های هوایی از زمین ترافیک هر قسمت از شهر مشخص می شود.
قبل از ساختن یک شهر می توان آن را توسط کامپیوتر شبیه سازی کرد که به صورت دو بعدی از بالا و حتی به صورت سه بعدی از دید های مختلف، یک شهرک چطور ممکن است به نظر برسد. تصاویر ماهواره ای که از شهرها گرفته می شود، می تواند توسط فیلترهای مختلف پردازش تصویر فیلتر شود و اطلاعات مختلفی از آن استخراج شود. به طور مثال این که شهر در چه قسمت هایی دارای ساختمان ها، آب ها یا راه های بیشتری است و همین طور می توان جاده هایی که داخل یا خارج از شهر کشیده شده اند را تحلیل کرد.
کشاورزی
این علم در بخش کشاورزی معمولاً در دو حالت کاربرد دارد. یکی در پردازش تصاویر گرفته شده از ارتفاعات بالا مثلاً از هواپیما و دیگری در پردازش تصاویر نزدیک به زمین.
در تصاویر دور به عنوان مثال می توان تقسیم بندی اراضی را تحلیل کرد. همچنین می توان با مقایسه تصاویر دریافتی در زمان های متفاوت میزان صدمات احتمالی وارد به محیط زیست را دید. به عنوان مثال می توان برنامه ای نوشت که با توجه به محل رودخانه ها و نوع خاک مناطق مختلف، به صورت اتوماتیک بهترین نقاط برای کشت محصولات مختلف را تعیین می کند.
تصاویر نزدیک هم در ساخت ماشین های هرز چین اتوماتیک کاربرد دارد. امروزه ماشین های بسیار گران قیمت کشاورزی وجود دارند که می توانند علف های هرز را از گیاهان تشخیص بدهند و به صورت خودکار آنها را نابود کنند.
برای مثال یکی از پروژه های جالب در بخش کشاورزی، تشخیص خودکار گل زعفران برای جداسازی پرچم قرمز رنگ آن بوده است. این پردازش که توسط نرم افزار Stigma detection®انجامگرفتهاست.
علومنظامیوامنیتی
پردازشتصویربخصوصبیناییهوشمند،کاربردهایبسیاریرادرعلومنظامیوامنیتیدارندواینکاربردبرایدولتاکثر کشورها بسیار مهم است. به عنوان مثال موشک هدایت شونده خودکاری وجود دارد که می‌تواند روی در یک ساختمان قفل کند و حتی می تواند به درز بین در و دیوار آن ساختمان که حساس ترین جای ساختمان است به راحتی نفوذ کند. این موشک به صورت اتوماتیک این قسمت را شناسایی کرده و به سمت آن حمله می کند.
در مسائل امنیتی هم کاربرد پردازش تصویر کاملاً در زندگی ما مشهود است. دوربین های که به صورت اتوماتیک از ماشین هایی که تخلف رانندگی انجام می دهند عکس برداری می کند.
از سیستم های امنیتی دیگر می توان سیستم تشخیص اثر انگشت اتوماتیک را نام برد. در لپ تاپ های جدید قابلیت finger print به آنها اضافه شده و می تواند صاحب لپ تاپ را توسط اثر انگشت شناسایی کند.
کد امنیتی دیگری که همیشه همراه انسان حمل می شود، چشم انسان است. دانشمندان ثابت کرده اند که پترن‌های (Pattern) موجود در مردمک چشم هر انسان منحصر به فرد است و هیچ دو فردی در دنیا وجود ندارند که پترن هایی که در مردمک چشم آنها وجود دارد دقیقاً مثل هم باشد. از همین روش برای شناخت افراد و سیستم های امنیتی استفاده می شود.
در کل این خواص بیومتریک در انسان بسیار زیاد است. عرض و طول صورت، فاصله بین انگشتان دست، طول و عرض انگشت ها، فاصله ی بندها از یکدیگر و حتی خط های کشیده شده کف دست و هزاران خاصیت دیگر، تماماً خصوصیاتی هستند که برای انسان ها منحصر به فرد هستند.دوربین هایی وجود دارند که به صورت دید در شب، قادر هستند چیزهایی را که ما نمی بینیم، ببینند و پردازش کنند.اسلحه های خودکاری ساخته شده‌اند که به صورت اتوماتیک و دقیق نشانه گیری می کنند.
پردازش تصویر همینطور با پردازش تصاویر گرفته شده از فاصله های دور هم می تواند در علوم نظامی و امنیتی کمک کند.به عنوان مثال دوربینی قادر است با سرعت بسیار زیاد یک توپ را دنبال کند.این مسئله کاربرد بسیار زیادی در مسائل نظامی دارد.
نجوم و فضا نوردی
ساخت دستگاه های اتوماتیک رصد آسمان و ثبت وقایع آسمانی به صورت خودکار از کاربردهای پردازش تصویر است که امروزه روی آن کار می شود.
از پروژه های جدید در بخش نجوم که بخشی از آن توسط سیستم پردازش تصویر انجام می شود، تهیه نقشه سه بعدی از کل عالم کائنات است !
پردازش تصویر در فضانوردی هم کاربرد زیادی دارد. در تصاویر دور می توان سطح سیارات و همچنین سطح قمرها را اسکن کرده و اطلاعات بسیار ریزی از آنها استخراج کنیم.
کاربرد دیگر پردازش تصویر در فیلترکردن عکس هایی است که توسط تلسکوپ های فضایی مختلف از جمله هابل (Hubble SpaceTelescope)، از فضا گرفته می شود.
کاربرد دیگر آن حذف گرد و خاک و جو سیاره ها از تصاویر به کمک تصویربرداری IR و X-RAY به صورت همزمان و ترکیب این تصاویر است.
در تصاویر نزدیک هم کاربرد دارد، از جمله هدایت مریخ نوردها، فرود فضاپیماهای بدون سرنشین و الصاق تجهیزات جدید به ایستگاههای فضایی به صورت خودکار.
از امکانات سایت گوگل، امکاناتی است به نام Google Mars که این برنامه دقیقاً مانند Google Earth عمل می کند با این تفاوت که Google Earth سطح زمین را در هر زمان که بخواهید و در هر نقطه ای از زمین و از ارتفاع های بسیار پائین هم نشان می دهد ولی Google Mars دقیقاً همین کار را برای سطح سیاره مریخ انجام می دهد.
پزشکی
یکی از مهمترین کاربردهای پردازش تصویر در علم پزشکی است. در جایی که ما نیاز داریم تمام عکس ها با نهایت شفافیت و وضوح گرفته شوند زیرا دیدن تمام جزئیات لازم است. جراحی های ریز microsurgery با ایجاد یک سوراخ کوچک و فقط دیدن محل جراحی توسط پزشک، از راه دور و توسط بازوهای رباتیک بسیار دقیق انجام می شوند.

فناوری های علمی
پردازش تصویر در افزایش سرعت پیشرفت های علمی تأثیر فوق العاده داشته است. اولین و مشخص ترین تأثیر آن را می توان در علم عکاسی یا هنر دید. شکار لحظه های شگفت آوری که در کسری از ثانیه اتفاق می افتد، بالا بردن وضوح عکس های گرفته شده و ایجاد افکت های خیره کننده، از دستاوردهای پردازش تصویر است.
همچنین در توسعه تکنولوژی پیشرفته gps (Global PositioningSystems) کمک زیادی داشته و تهیه نقشه های سه بعدی از جاده ها در تمام نقاط جهان، از کاربردهای دیگر آن است. با به وجود آمدن این علم، مسابقات ربات های فوتبالیست به صورت جدی دنبال شد.
این علم در پیشرفت علوم پایه فیزیک ، شیمی و مخصوصاً تحقیقات فیزیکی و مکانیکی، کمک فراوانی کرده است. به عنوان مثال وسیله ای برای حمل و نقل کالاها در مسیرهای صعب العبور ساخته شده است. قبل از ساخت آن، رفتار چهارپایان در حالت های مختلف توسط کامپیوتر تحلیل و عیناً به دستگاه آموزش داده شده است.در کل پردازش تصاویر به علت سرعت زیاد آن، در ساخت وسایل مکانیکی پر سرعت، کاربرد زیادی دارد. وسیله ای وجود دارد که قادر است ، توپی که با سرعت بسیار زیاد به سمت پائین می آید را مهار کند.
باستان شناسی
در علم باستان شناسی تنها مدارک باقی مانده از دوران باستان، دست نوشته ها، نقاشی ها و غارنگاری های قدیمی است. تهیه تصاویر از بناهای گذشته و بازسازی مجازی این بناهای تاریخی یکی از کاربردهای پردازش تصویر در این علم است. همچنین می توان نقاشی ها و غارنگاری ها را مورد پردازش دقیق قرار داد و شکل آنها را همان طور که در ابتدا بوده اند، شبیه سازی کرد. حتی می توان مکانهای باستانی را از زوایایی که تصاویر مستندی از آنها وجود ندارد، شبیه سازی کرد.
امروزه یکی از پروژه های پر سر و صدای بازسازی بناهای باستانی، بازسازی شهر روم باستان توسط دانشمندان ایتالیایی است. هم اکنون توریست ها با زدن عینک های مخصوص می توانند در خیابان های شهر روم باستان قدم بزنند.
تبلیغات
از مقایسه تبلیغات دهه ی 70 و 80 میلادی با تبلیغات امروزی می توان تأثیر تکنولوژی را در تبلیغات کاملاً درک کرد. تغییر شکل تبلیغات از اشکال مربع و زاویه دار به شکل های دایره ای، تغییر رنگ تبلیغات و هزاران تغییر دیگر. یکی از مهمترین فاکتورهای فروش و دلایل بالا رفتن یا پایین آمدن فروش، شکل و نحوه ی بسته بندی کالاست. پردازش تصویر می تواند به ما کمک کند تا قبل از تولید یک بسته بندی آن را شبیه سازی کنیم. با ادغام کردن علم الگوریتم ژنتیک با پردازش تصویر می توان برنامه ای را نوشت که به صورت اتوماتیک به ساختن بسته بندی های مختلف بپردازد و آنهایی که از نظر کاربران زیباتر و جالب تر به نظر خواهند آمد را به ما معرفی نماید.
سینما
اولین علمی که پردازش تصویر در آن مورد استفاده قرار گرفت، هنر و سینما بود. یکی از تکنولوژی های برتر دنیا motion capture است که در آن یک کاراکتر انیمیشنی قادر است حرکات دست انسان را تقلید کند. امروزه این سیستم جهت ساخت فیلم ها و بازی های کامپیوتری مورد استفاده قرار می گیرد.
در پردازش تصویر قابلیتی به نام هیستوگرام (Histogram) وجود دارد که با آن قادرند تصاویر را شفاف یا تیره تر کرده و یا هر تغییر مورد نیاز دیگری را روی تصاویر با توجه به منحنی ها و نمودارهای هیستوگرام بدهند.
در سینما برای اینکه تصویری شفاف به نظر آید، با استفاده از یک کره ی نقره ای رنگ، تصاویر اطراف دوربین را هم ثبت می کنند. بنابراین تصویر نسبت به محیط اطراف خود شفافیت غیر قابل تصوری پیدا می کند.
اقتصاد
در دنیای امروز تمام نوآوری ها، به نوعی مستقیم یا غیر مستقیم باعث تغییراتی در اقتصاد گروهی از کشورها و یا کل دنیا می شوند. پردازش تصویر هم، به صورت مستقیم و غیر مستقیم در اقتصاد تأثیر گذار است. در تبلیغات، سیاست، فضانوردی، کشاورزی، شهرسازی، سینما، پزشکی و علوم نظامی می تواند تأثیر غیر مستقیمی در اقتصاد کشورها داشته باشد. همچنین از تأثیر مستقیم آن در اقتصاد، می توان به وجود شعبه های بانک بدون کارمند اشاره کرد. این شعبه ها قادرند به صورت خودکار سریال چک ها و قبوض پرداختی را بخوانند، نوع اسکناس ها را تشخیص دهند و تا حد زیادی از کارهای یک بانک عادی را انجام دهند.
روانشناسی
بحث تاثیر رنگ در روحیه انسان اهمیت بسیار زیادی دارد به طوری که در روانشناسی گرایشی به نام روانشناسی رنگ وجود دارد. در این علم در مورد رنگ ها و تأثیر هر یک بر روح و جسم انسان صحبت می شود. به عنوان مثال رنگ قرمز بیشتر تأثیر را در چشم انسان دارد. در حالی که رنگ سبز بیشترین تأثیر را در مغز انسان دارد.
همچنین رنگ آبی باعث ایجاد حس آرامش و اطمینان در انسان می شود. به همین دلیل در سخنرانی های اکثر سیاستمداران دنیا از پرده آبی رنگ در پشت سر آن ها استفاده می شود.
با پردازش تصویر می توان به راحتی تصاویر ثابت و متحرک را ویرایش کرد. به طور مثال رنگ آبی را برای ایجاد حس اطمینان یا رنگ سبز را برای حس زیبایی و قرمز را برای ایجاد هیجان در تصاویر پر رنگ تر کرد.

زمین شناسی‌
با پردازش تصویر می توان کانی های مختلف را از روی رنگ و اندازه آن ها شناسایی و دسته بندی کرد. همچنین در زمین شناسی برای پی بردن به مواد تشکیل دهنده کانی ها از روش پرتونگاری ((tomography استفاده می کنند و پردازش تصویر در این بخش می تواند سرعت و دقت این روش را بسیار بالا ببرد. کاربرد دیگر آن این است که دانشمندان با مقایسه کردن ارتفاع آب در سال های مختلف، در واقع روند تند شدن یا کند شدن کاهش آب در سطح زمین را مورد بررسی قرار می دهند.
 
فصل دوم
پردازش تصویر
یک سیستم از لحظه ورود به سیستم پردازش تصویر تا تولید تصویر خروجی، به ترتیب مراحل زیر را طی می‌کند:
مرحله اول (دریافت تصویر ورودی)
در این مرحله تصویر از ورودی خوانده شده و وارد سیستم می‌گردد. تصویر ورودی می‌تواند بر روی ابزار ذخیره سازی بوده و یا از یک دوربین گرفته شود. به عنوان مثال در سیستم تشخیص اثر انگشت تصویر ورودی از طریق اسکنر اثر انگشت وارد سیستم می‌شود.
مرحله دوم (پیش پردازش تصویر)
اهداف کلی این مرحله را می توان ارتقا تصویر و حذف مولفه‌های غیر ضروری از تصویر دانست. به عنوان مثال خشکی پوست، جراحت و یا عدم تمیزی پوست مواردی هستند که قبل از پردازش تصویر انگشت باید با استفاده از تکنیک‌های پردازش تصویر به رفع آنها پرداخت.
مرحله سوم (پردازش تصویر)
هدف کلی در این مرحله شناسایی ویژگی‌هایی از تصویر است که بتوان از آنها برای کاربرد موردنظر خود استفاده کرد. شناسایی نقاط ویژه و انحناها از جمله ویژگی‌هایی هستند که در سیستم تشخیص اثر انگشت می‌توانند استخراج گردند.

مرحله چهارم (آنایلی تصویر)
در این مرحله با استفاده از ویژگی‌های استخراج شده به آنالیز تصویر می‌پردازیم به عنوان مثال پس از شناسایی نقاط ویژه و انحناها در سیستم تشخیص اثر انگشت با آنالیز کردن تصویر سعی می‌کنیم شخص متناظر با اثر انگشت را پیدا کنیم. آنالیز تصویر معمولاً از تکنیک‌های هوش مصنوعی همانند شبکه‌های عصبی، درخت‌های تصمیم، کلاس بندی و ... استفاده می‌کنند.
انواع پردازش تصویر
1- Point Process
پردازش نقطه‌ای (پیکسل به پیکسل) ارزش واقعی پیکسل‌ها را تغییر می‌دهد.
2- Area Process
پردازش سطحی ارزش پایه و واقعی پیکسل و پیکسل‌های کنار آن پیکسل را تغییر می‌دهد.
3- Geometric Process
پردازش هندسی مکان‌ها ترتیب پیکسل‌ها را تغییر می‌دهد، تصویر پردازش شده به حالت کروی در خواهد آمد.
4- Frame Process
این روش پردازش تصویر با مخلوط کردن دو یا چند تصویر با یکدیگر تصویر جدیدی به وجود می‌آورد.
مقادیر پیکسل‌ها
مقدار انرژی مغناطیسی که یک تصویر رفومی به هنگام تصویر پردازی کسب می‌کند، رقم‌های دوتایی (Digit binary) یا بیت‌ها (Bits) را تشکیل می‌دهند که از قوه صفر تا دو ارزش گذاری شده است. هر بیت، توان یک به قوه دو (یک بیت-2) می‌باشد.
حداکثر تعداد روشنایی بستگی به تعداد بیت‌ها دارد. بنابراین هشت بیت یعنی 256 شمار رقومی که دامنه‌ای از صفر تا 255 دارد. به همین دلیل است که وقتی شما تصویر رستری از سنجنده خاصی مانند TM را وارد نرم افزاری می‌کنید تغییرات میزان روشنایی را بین صفر تا 255 نشان می‌دهد.

جدول 1: مقایسه انواع تصویر براساس تعداد بیت
نوع تصویر مقدار پیکسل دامنه تغییرات رنگ
8 بیت 256-28 0-255
16 بیت 65536-216 0-65535
24 بیت 16777216-224 0-16777215
دقت تصویر
دقت تصویر بستگی به عدد پیکسل‌ها دارد با یک تصویر دو بیتی، حداکثر دامنه روشنایی 22 یعنی چهار می‌باشد که دامنه آن از صفر تا سه تغییر می‌کند. در این حالت تصویر دقت (تفکیک پذیری لازم) را ندارد. تصویر هشت بیتی حداکثر دامنه 265 دارد و تغییرات آن بین صفر تا 255 است که دقت بالاتری دارد.
روش‌های پردازش تصاویر
بخش بندی سطح خاکستری (Gray-Level Slicing)
فرض کنید می‌خواهیم مساحت کل جنگل‌های استان را تعیین کنیم. با فرض اینکه عکس هوایی از استان را داشته باشیم می‌توانیم از بخش بندی سطح خاکستری استفاده کنیم. بدین صورت که با نمایان کردن سطوح خاکستری نشان دهند جنگل‌ها و پایین آوردن شدت سطوح خاکستری دیگر نقاط تصویر، مساحت جنگل‌ها را محاسبه کنیم. نمودار زیر نحو نگاشت مقادیر پیکسل‌های تصویر ورودی را نشان می‌دهد.

شکل 1: نحوه نگاشت مقادیر پیکسل‌های تصویر ورودی
همچنین از نمودار زیر نیز برای نگاشت مقادیر پیکسل‌های تصویر ورودی می‌توان استفاده کرد.

شکل 2: نحوه نگاشت مقادیر پیکسل‌های تصویر خروجی
شکل نمودار فوق نشان می‌دهد که تصویر خروجی تولید شده توسط این نمودار یک تصویر باینری است.
عملیات مختلف بر روی تصویر
جمعدوتصویر
جمعدوتصویربدینمفهوماسکهدردوتصویر،شدتروشناییپیکسلهایمتناظردوتصویرراازباهمجمعکنیم . تصاویرزیرنتیجهاعمالعملگرجمعرانشانمیدهند:

حاصل جمع دو تصویر تصویر دوم تصویر اول
شکل 3: نحوه پیاده سازی عملگر جمع
شبهکدزیرنحوهپیادهسازیعملگرجمعرانشانمیدهد :
Procedure Add (image1, image2 : Byte[][])
Begin
result :Byte[][]
sub:integer
For i = 1 To Height Do
For j = 1 To Width Do
sub = image1[i, j] + image2[i, j]
result[i, j] = sub > 255 ? 255 : sub
End For
End For
Return result
End
یکیازرایجترینکاربردهایجمعدوتصویرازودنپشزمینهبهتصویراس . برایاینمنظورنیازبهدوتصویرپشزمینهوتصویرشیداریمکهتصویرشیبایددرمقابلپردهایبارنگثابگرتهشود. ازجمعکردندوتصویرمذکورتصویریباپشزمینهدلخواهبهدستمیآید.
تفریقدوتصویر
تفریقدوتصویرهماندازهبدینمفهوماسکهشدتروشناییپیکسلهایمتناظردوتصویرراازهمکمکنیم .فرضکنیدمیخواهیمتغییراتمغزافرادیرابررسیکنیمکهدچاربیماریآلزایمرهستند. برایاینمنظورمیتوانیمتصویریازیکمغزسالمرادرمراحلمختلفباتصویرمغزفردیکهدچاربیماریآلزایمراست،مقایسهکنیم . بااعمالعملگرفوقبررویدوتصویرمذکورنقاطیازمغزکهدرآننقاطمغردچارتغییرشدهاسمشخصمیشوند . تصویرزیرعکساسکنPETمغزنرمالوبیماررابههمراهحاصلتفریقآنهانشانمیدهد :

تصویر نویزدار تصویر نویز دار تصویر بدون نویز
شکل 4: نحوه پیاده سازی عملگر تفریق
شبهکدزیرنحوهپیادهسازیعملگرتفریقرانشانمیدهد :
Procedure Subtract (image1, image2 : Byte[][])
result :Byte[][]
sub:integer
For i = 1 To Height Do
For j = 1 To Width Do
sub = image1[i, j] - image2[i, j]
result[i, j] = sub < 0 ? 0 : sub
End For
End For
Return result
End
مکملکردنتصویر
دریکتصویرسیاهوسفیدکهقطردوسطحشدتروشنایی 0 و 9 دارد،منظورازمکملکردنتصویر، 9 کردنپیکسلهایبامقدار 0 و 0 کردنپیکسلهایبامقدار 9 است . درتصویریکهاز L سطحروشنایی([0…[-1]) برای نمایششدتروشناییپیکسلهااستفادهمیکند،مکملیکپیکسلازرمولزیربهدستمیآید :
Pixel[ i , j ] = L -1 – Pixel[ i , j ]
بهشکلهایزیرتوجهکنید :

شکل 5: نحوه پیاده سازی عملگر مکمل
شکلسمتچپیکتصویرماموگراماستوشکلسمتراستنیزمکملآنرانشانمیدهد . همانطورکهدرایندوشکلبهوضوحدیدهمیشود،تشخیصاجزایتصویرمکملشدهآسانترازتصویراصلیاست. درچنینمواردیکهاجزایاصلیتصویردریکتصویربامحدودهسیاهبزرگقرارگرفتهباشد،ازمکملتصویراستفادهمیکنیم.
شبهکدزیرنحوهمکملکردنتصویررانشانمیدهد :
Procedure Complelemt( input : Image )
Begin
For 1 To Height of image Do
For 1 To Width of image Do
Inout.pixels[ i , j ] = 255 - Inout.pixels[ i , j ]
End For
End For
End
فرضکنیممیخواهیمیکرباتتعقیبخطبااستفادهازدوربینایجادکنیم. همانطورکهمیدانیدیکیازقوانینرباتتعقیبخطمکملشدنرنگخطوپشزمینهدرمقاطعیازمسیراست . برایمرتفعکردناینشرطمسابقهمیتوانازعملگرمکملکردنتصویراستفادهکرد.
میانگینگیریازتصویر فرضکنیدچندتصویریکسانداریمکهبررویهرکدامازآنهانویزهایمختلفیوجودداردومیخواهیمکیفی اینتصاویرراارتقادهیم. درچنینمواردیمیتوانازمیانگنگیریازهمهتصاویراستفادهکنیم . بدینصورتکه مقادیرپیکسلهایمتناظردرهمهتصاویرراباهمجمعکردهوسپسبهتعدادکلتصاویرتقسیمکنیم. بدیهیاست کههرقدرتعدادتصاویربرایمیانگینگیریبیشترباشد،تصویرحاصلازمیانگینگیریآنهانیزبیشتربهواقعیت نزدیکخواهدبود. بهعنوانمثالمجموعهتصاویرزیر،تصویربدوننویز،تصاویرنویزداروحاصلمیانگین گیریاز تصاویرنویزرانشانمیدهد:

تصویر نویزدار تصویر نویزدار تصویر نویزدار تصویر نویزدار تصویر بدون نویز

میانگین تصاویر فوق
شکل 6: نحوه پیاده سازی عملگر میانگین
شبهکدزیرنحوهپیادهسازیعملگرمیانگینرانشانمیدهد :
Procedure Average( bmp1 , bmp2 :Image)
Begin
Result:Image
For 1 To Height Do
For 1 To Height Do
Result.Pixels[ i , j] = ( bmp1.Pixels[ i , j ] + bmp2.Pixels[ i , j ] ) /2
End For
End For
End
هنگامتفریقمقادیرپیکسها،مقادیرمنفیرابهمقدارصفرتبدیلمیکنیم . همچنینیمیتوانیمهنگامتفرقاز قدرمطلقتفریقنیزاستفادهکنیم. بهعنوانیکمثالکاربردیازتفریقدوتصویرمیتوانبهشناساییحرکتدر سیستمهایدوربینمداربستهاشارهکرد. زمانیمیگوییمحرکرخدادهاستکهدربیندوریتممتوالیگرفته شدهازدوربیناختلافوجودداشتهباشد. وهمانطورکهدرابتدایادآورشدیم،برایمحاسبهاختلافبیندوتصویراز عملگرتفریقاستفادهمیکنیم. بنابراینباتفریقفریمفعلیوفریمقبلیگرفتهشدهازدوربینمیتوانیماختلاف موجوددردوتصویرراپیداکنیم. ازدیگرکاربردهایتفریقدوتصویرمیتوانبهحذفپشزمینهثابتازتصویر اشارهکرد.
ترمیم تصویر (Image restoration)
در بیشتر تصاویری که توسط ماهواره‌ها یا رادارها ثبت می‌گردند، اختلالاتی در تصویر به وجود می‌آید که به دلیل خش می‌باشد. دو اختلاف مهم در تصاویر چند باندی، نواری شدن (Banding) و خطوط از جا افتاده می باشد.
نواری شدن (باندی شدن)
اشتباهی که توسط سنجیده، در ثبت و انتقال داده‌ها روی می‌دهد و یا تغییر پیکسل در بین ردیف‌ها می‌تواند باعث ایجاد چنین اشتباهی گردد.
خطوط از جا افتاده (خطا در تصویر)
اشتباهی که در ثبت و انتقال داده ها روی می‌دهد و در نتیجه، یک ردیف پیکسل در عکس از بین می‌رود.
هیستوگرامتصویر
هیستوگرام تصویر نموداری است که توسط آن تعداد پیکسل‌های هر سطح روشنایی در تصویر ورودی مشخص می‌شود. در هر تصویر رفوعی، مقادیر پیکسل‌ها بیانگر خصوصیات آن تصویر (مانند میزان روشنایی تصویر و وضوح آن) می‌باشد. هیستوگرام تصویر در حقیقت بیان گرافیکی میزان روشنایی تصویر می‌باشد. مقادیر روشنایی (برای مثال 0-255) در طول محور X بیان شده و میزان فراوانی هر مقدار در محور Y بیان می‌گردد.

تصویر 7: تصویر دانه‌های برنج

شکل 8: نمودار هیستوگرام دانه‌های برنج
برایبهدستآوردنهیستوگرامتصویر،کافیاستباپیمایشکلپیکسلهایتصویر،تعدادپیکسلهایهرسطحروشناییرامحاسبهمیکنیم . هیستوگرامنرمالنیزازتقسیمکردنمقادیرهیستوگرامبهتعدادکلپیکسلهای تصویربهدسمیآید. نرمالسازیهیستوگرامموجبمیشودکهمقادیرهیستوگرامدربازه [0,1] قرارگیرند. شکل روبروتصویریرابههمراههیستوگرامنرمالآننشانمیدهد .تبدیلات شدت روشنایی مبتنی بر هیستوگرام تصویر در مواردی مانند بهبود تصویر، فشرده سازی، بخش‌بندی و توصیف تصویر کاربردهای زیادی دارد.

بالا بردن دقت عکس
یکی از کارهای مهمی که در پردازش تصویر انجام می‌گردد، بالا بردن دقت عکس به منظور دید و تغییر چشمی دقیق‌تر می‌باشد. روش‌های بسیاری برای نیل به این هدف وجود دارد ولی مهمترین آنها، افزایش تباین (Contrast) تصویر و عملیات فیلتر کردن می‌باشد.

شکل 9: یک نمونه نمودار هیستوگرام
ارتقای تصویر و عملگر کانولوشن
ارتقای تصویر در دو حوزه مکانی و فرکانسی انجام می پذیرد که در حوزه مکانی با استفاده از مقادیر پیکسل‌های همسایه و در حوزه فرکانسی توسط بسط فوریه تصویر دیجیتالی ، تصویر ارتقا می یابد. در این بخش ارتقای تصویر در حوزه مکانی را مورد بررسی قرار می دهیم. علاوه برای روش های ریاضی همانند ضرب کردن تصویر در عدد ثابت، لگاریتم گیری و اعمال مشابه دیگر که برای ارتقای می توان انجام داد، ارتقای تصویر در حوزه مکانی با استفاده از رابطه زیر انجام می گیرد :
s = convolution( r, w )
که در آن s تصویر ارتقا یافته ، r تصویر ورودی و convolution تایعی است که بر روی تصویر ورودی اعمال می شود. w نیز یک ماسک n * m است که باید بر روی همه پیکسل های تصویر اعمال می شود. شکل زیر تصویر یک نمونه از ماسک اعمالی بر روی تصویر ورودی در نقطه ( x , y ) را نشان می دهد.
در واقع ماسک را می توان پنجره ای در نظر گرفت که بر روی تک تک پیکسل های تصویر حرکت کرده و در هر نقطه با توجه به مقادیر ماسک، مقدار شدت روشنایی پیکسل مرکزی ( نقطه ( x , y ) در شکل ) در تصویر خروجی محاسبه می شود. البته مقادیری که در ماسک قرار می گیرند، ضرایبی می باشند که نشان
می دهند هر یک از پیکسل های همسایه تا چه حد در تعیین مقدار شدت روشنایی پیکسل مرکزی تاثیر گذارند.

شکل 10: ماسک اعمال شده بر روی پیکسل‌ها
تعدیلهیستوگرام
یکیدیگرازکاربردهایهیستوگرامدرافزایشکنتراستتصاویرباکنتراستپاییناست . زمانیکه
میگوییم کنتراستتصویریکماستاینبدانمعنااستکهاختلافبینکمترینوبیشتریشدتروشناییتصویرکماست . هم تعدیلسازیهیستوگرامموجبمیشودکهکنتراستتصویرورودیتاحدممکنافزایشیابد.بهعنوانمثالشکلزیر تصویریراقبلوبعدازتعدیلسازیهیستوگرامنشانمیدهد:

شکل 12: تصویر خروجی پس از تعدیل هیستوگرامی شکل 11: تصویر ورودی و هیستوگرام آن
الگوریتمزیرروشتعدیلسازیهیستوگرامرانشانمیدهد:
1) هیستوگرامتصویررامحاسبهمیکنیم. فرضکنیدمقادیرهیستوگرامدرآرایه hist قرارگیرد.
2) بااستفادهازرمولزیرراوانیهیستوگرامرامحاسبهمیکنیم :
histCum[ i ] = histCum[ i-1 ] + hist[ i ]
3) ازفرمولزیراستفادهکردهوهیستوگرامتعدیلشدهرامحاسبهمیکنیم :
eqHist[i] = Truncate( [(L * histCum[i]) – N]/N )
4) درمرحلهنهاییمقادیرجدیدپیکسلهارابهصورتزیرمقداردهیمیکنیم :
Result[ i , j ] = eqHist[ input[ i , j ] ]
کهدراینفرمول L تعدادسطوحخاکستریو N تعدادکلپیکسلها، Result تصویرخروجیو input تصویرورودیرانشان میدهند.
تعدیل سازی هیستوگرام در MATLAB با استفاده از تابع histeq و به شکل زیر انجام می‌پذیرد:
>>I=Imread ('tlre.tif);
>>J=histeq (I);
>>flgure, Imshow(I), flgure, Imshow(J);
افزایش تباین از طریق امتداد اعداد (DN) پیکسل‌ها:
معمولاً دامنه مقادیر پیکسل‌های تصاویر با هر بیتی (در اینجا مثل هشت بیت)، بین 0-255 نمی‌باشد. و مثلاً بین 48 تا 153 می‌باشد. برای افزایش تباین، مقادیر پیسکل‌ها را آنقدر امتداد می‌دهیم تا 48 به جای صفر و 153 به جای 256 قرار گیرد. در نتیجه تباین و همچنین کیفیت عکس بالا می‌رود. به این عمل کشش خطی گویند.
مقادیر پیکسل تصویر اصلی (در بالا) و تصویر کشیده شده (در پایین).

شکل 13: عمل کشش خطی
فیلترکردنتصویر
درکلپیکسلهایتصویررابهدوستهمیتوانتقسیمکرد1-پیکسلهایتیزو2-پیکسلهایآرام
پیکسلهایزیرناحیههایقرمزدراینتصویررادردستهپیکسلهایتیزقرارمیدهیم. پیکسلهاییازتصویرراکهاختلافشدتروشناییآنها ) مقدارپیکسل ( باپیکسلهایهمسایهخودزیادباشند،پیکسل‌هایتیزمینامیم. پیکسلهایتیزمعمویانشاندهندهلبههایاشیایموجوددرتصویرهستندیانشاندهندهنویزهاییکتصویرهستندودرحالکلیمیتوانگفکهجزئیاتتصویربااستفادهازپیکسلهایتیزاستخراجمیشوند.

شکل 14: پیکسل‌های تیز و آرام
بهعنوانمثال،تصاویریکههنگامشبتوسطموبایلیایکوبکمگرفتهمیشوند،داراینویزمعروففلفلنمکیهستند. تصویرزیرگویایاینمطلباست :

شکل 15: تصویر با نویز فلفل نمکی
درمقابلپیکسلهایتیز،پیکسلهایآرامتصویرقراردارند(ناحیههایآبیرنگدرمثالفوق)پیکسل‌هاییازتصویرکهاختلافشدتروشناییآنهاباپیکسلهایهمجوارخودکماست،پیکسل‌هایآرامتصویرمینامیم. حالباتوجهبهاینمطالببهشرحفیلترکردنتصویرمیپردازیم.
درحوزهمکانیفیلترهابهدستهتقسیممیشوند:
فیلترهایآرامکنندهبااعمالتغییردرشدتروشناییپیکسلهایتیزتصویرموجبتولیدتصاویرآرامتریمیشود. همچنیناینفیلترهاتاثیرچندانیبررویپیکسل‌هایآرامتصویرنمیگذارند. آرامشدنتصویربدینمعنیاستکهبخشیازجزئیاتتصویرازبینمیرود. بهعنوانمثالاعمالیکفیلترآرامکنندهبرروییکتصویرنویزدارموجبکاهششدتنویزهاخواهدشد. یکمثالکاربردیسادهازفیلترهایآرامکنندهرامیتوانحذفچینوچروکهاازتصاویرصورتبیانکرد .
سادهترینفیلترهایآرامکنندهتصویرفیلترهایمیانگینهستند. یکفیلترمیانگینm*nماسکیاستکهمقدارهریکازعناصرآنبرابرباعدد1 /(m.n)است . بهعبارتدیگرمقدارهرپیکسلدرتصویرخروجیبرابراستبامیانگینمقدارشدتروشناییپیکسلجاریوپیکسلهایهمسایهپیکسلجاری. برایآرامکردنتصویرفوقازیکفیلترمیانگین 3*3 استفادهکردهایم. هریکازعناصراینفیلتردارایمقداریبرابربا 1/9 هستند. سپسبااستفادهازکانولوشناینفیلتررابرویتصویربااعمالکردهوتصویرپایینراتولیدکردهایم. برخلاففیلترهایآرامکننده،فیلترهایتیزکنندهبااعمالتغییربررویپیکسلهایآرامتصویرموجباستخراججزئیاتبیشتریازتصویرمیشوند. دربرخیمواردمیبینیمکهتصویرداریحالتیبلورماننداست(جزئیاتنمایاننیستند).درچنینمواردیبرایحذفخاصیبلوری،ازفیلترهایتیزکنندهتصویراستفادهمیکنیم:

شکل 16: تصویر با اعمال فیلتر تیز کننده
درشکلفوقبرایافزایشجزئیاتتصویروبهدستآوردنتصویرواضحتر،فیلترتیزکنندهایرابررویتصویرسمتچپاعمالکردهوتصویرسمتراستراتولیدکردهایم.
اعمال فیلترتصویردر MATLAB
اعمالفیلتردرمحیطMATLAB بااستفادهازدستور imfilter انجاممیپذیرد. اینتابع،فیلترموردنظر رابررویتصویرمشخصشدهدردیگرپارامترتابعاعمالکردهونتیجهرابهصورتماتریسیبرمی‌گرداند.

ایجاد فیلتر دلخواه
شاید هیچ نوع فیلتری نتواند ما را در رسیدن به هدف مورد نظر یاری کند،‌این جاست که باید خود یک فیلتر طراحی کنیم تا به مقصود مورد نظر خود در یک تصویر برسیم، جدول زیر برای طراحی و ایجاد یک فیلتر شما را یاری می‌کند. اما برای استفاده از این فیلتر باید از دستوراتی دیگر استفاده نمایید.
طراحی فیلتر
برای استفاده از این فیلتر بر روی یک تصویر باید فرم و الگوریتم استفاده از این فیلتر از پیش معرفی شود. برای مثال شما باید تعیین کنید که الگوریتم مورد استفاده شما از این فیلتر در تصویر به صورت شبکه‌های مربعی است یا دایره و یا نوع علیاتی را که می‌خواهید در تصویر انجام شود، چیست. این تابع برای هدف‌های مختلف دارای فرم‌های مختلفی می‌باشد. درادامه به انواع فرم‌های استفاده از این فیلتر اشاره خواهد شد. در جدول زیر تمامی فرم‌ها معرفی شده است.
جدول 2: انواع انبار
نوع توصیف عملکرد
Average فیلتر با روش میانگین ماتریس با شبکه مربعی (محو کننده)
disk فیلتر با روش میانگین ماتریس یا شبکه گرد (محو کننده)
Gaussian فیلتر پایین گذر گوسی
Laplacian فیلتر لاپلاس
Log فیلتر لاپلاس به روش حذف گوسی
motion فیلتر شوک دهنده (حرکت دهنده)
Prewitt فیلتر تقویت لبه
Sobel فیلتر لبه افقی وعمودی
canny فیلتر تقویت لبه
unsharp فیلتر افزایش شدت نور

طراحی فیلتر میانگین ماتریس مربعی
Fspecial (3verage,x)
شما برای فیلتر کردن یک تصویر نمی‌توانید تما تصویر را یک جا فیلتر نمایید. برای فیلتر کردن یک تصویر باید تصویر را به صورت شبکه‌های کوچکی تقسیم کنید و هر شبکه را تک تک فیلتر نمایید تا عملیات فیلترینگ بر روی تمام تصویر انجام شود. به همین دلیل شما برای یک فیلتر تنها کافی است یک شبکه ماتریسی مربعی در اندازه دلخواه (مقدار x) طراحی کرده و بعد با توابعی از این شبکه فیلتر استفاده نمایید. اولین الگوریتم فیلتری که مورد بررسی قرار می‌گیرد فیلتر میانگین است. این فیلتر باید blur یا محور شدن تصویر می‌گردد. برای آشنایی با این فیلترها تنها کافی است به مثال‌ها توجه نمایید. اما برای ذکر یک مثال نیاز به دانستن توابع استفاده کننده از فیلترهای طراحی شده است.
نکته: هر چه مقدار x در الگوریتم average بیشتر باشد، شبکه ماتریس فیلتر بزرگ‌تر و در نتیجه تصویر محوتر خواهد شد.
استفاده از یک فیلتر طراحی شده (همان دستور اعمال فیلتر می‌باشد)
Imfilter (pic,filtername)
این تابع برای استفاده از یک فیلتر در تصویر pic، مورد استفاده قرار می‌گیرد، بعد طراحی فیلتر و ذخیره آن در یک متغیر قرار دادن نام متغیر به جای filter name می‌توان از فیلتر بر روی تصویر بهره برد.
طراحی فیلتر میانگین با ماتریس گرد:
Faspecial(disk,x)
این فیلتر کاملاً عملکرد فیلتر با الگوریتم average را دارا می‌باشد و با محو کردن تصویر عملیات خود را بر روی تصاویر انجام می‌دهد، تنها تفاوت در شکل ماتریس آن است، ماتریس شبکه این فیلتر به شکل دایره‌ای عمل می‌کند و مقدار x تعیین کننده مقدار شعاع این دایره است.
نکته: هرچه مقدار x در الگوریتم disk بیشتر باشد، شبکه دایره‌ای ماتریس فیلتر بزرگ‌تر و در نتیجه تصویر محوتر خواهد شد.

تصویر با اعمال فیلتر تصویر اصلی
شکل17: فیلتر disk
طراحی فیلتر پایین گذر گوسی
Fspecial (Gaussian,x,s)
اگر تابه حال در زمینه سیگنال‌های ویدئو در سیستم‌های تصویری تحقیق و پژوهش کرده باشید، خواهید دانست که یک سیگنال ویدئو از فرکانس‌های بین صفر تا پنج مگا هرتز تشکیل شده است. در این محدوده، فرکانس‌های پایین تر باعث ایجاد محتوای کلی و اسکلت‌بندی کلی یک تصویر می‌شود. به همین صورت فرکانس‌های بالاتر باعث ایجاد لبه‌ها و جزئیات و نقاط کوچک‌تر تصویر می‌شود. پس اگر فرکانس‌های بالا را در یک سیگنال ویدئو حذف نماییم تنها اسکلت بندی تصویر نمایان می‌شود و تصویر تار به نظر می‌رسد. این فیلتر هم با همین روش مانند یک فیلتر عمل کرده و تنها فرکانس‌های پایین تصویر را عبور می‌دهد. در این فیلتر از روش گوسی استفاده شده است.
مقدار x مانند قبل، تعیین کننده میزان شبکه فیلتر است و s مقداری به نام زیگما بوده که در حالت کلی میزان فرکانس فیلتر را تعیین می‌کند.

تصویر با اعمال فیلتر تصویر اصلی
شکل18: فیلتر گوسی
نکته: هرچه مقدار x در الگوریتم Gaussian بیشتر باشد، شبکه ماتریس فیلتر بزرگ‌تر می‌شود و به همین طور هرچه مقدار s افزایش یابد فرکانس فیلتر شده بیشتر می‌شود مقدار پیش فرض s برابر با پنج دهم می‌باشد.
طراحی فیلتر لاپلاس
Fspecial (laplacian, a)
توسط این فیلتر یک قالب ازتصویر مورد نظر شما نمایش داده می‌شود. این فیلتر در اندازه ماتریسی 3×3 طراحی شده و مقدار اندازه غیرقابل تغییر است.
مقدار آلفا بین مقادیر صفر تا یک قابل تغییر است و به صورت پیش فرض مقدار دو دهم را داراست.

تصویر با اعمال فیلتر تصویر اصلی
شکل19: فیلتر لاپلاس

طراحی فیلتر لاپلاس از روش حذف گوس
عملکرد این فیلتر مانند فیلتر با الگوریتم laplactian می‌باشد و یا این تفاوت که این الگوریتم قابلیت تعیین اندازه ماتریس شبکه (مقدار x) است و به صورت ماتریس دایره‌ای می‌باشد و s تعیین کننده مقدار زیگما است که به صورت پیش فرض مقدار نیم را دارا می‌باشد. همچنین مقدار x در حالت پیش فرض برابر 5×5 می‌باشد. در صورت استفاده از حالت پیش فرض، نباید هر دو مقدار x و s قرار داده می‌شود.
طراحی فیلتر حرکت دهنده
Fspecial (motion,len,theta)
فرض کنید شما با یک دوربین در حال عکس گرفتن هستید. اگر در این زمان دست شما به لرزش درآید و یا دوربین حرکت داشته باشد، تصویر به صورت کشیده شده در خواهد آمد. در الگوریتم فیلتر، همین عملیات را بر روی تصویر انجام می‌دهد. مقدار Len تعیین کننده شدت حرکت می‌باش و مقدار theta همان زاویه حرکت است. برای مثال مقدار 90 برای theta به منزله حرکت تصویر و شوک دادن به بالا و پایین می‌باشد و یا مقدار صفر برای theta به معنی حرکت تصویر به راست و چپ است.