10. Обработка изображений в ImageJ (часть 2): фильтры

Свертки и фильтры на их основе. Фильтры на основе статистической обработки.

00:00:27 Свертки и фильтры. Ядро свертки
00:02:11 Пример усреднения с ядром размером 5х5 пикселей
00:04:40 Фильтры сглаживания усреднением (Smooth, Mean, Gaussian Blur)
00:07:03 Фильтры повышения резкости изображения (Sharpen, Unsharp Mask)
00:11:51 Фильтры дифференцирования и выделение резких переходов на изображении
00:15:04 Фильтр добавления теней к изображению
00:16:48 Фильтр Собеля. Поиск краев и границ на изображении (Find Edges)
00:18:19 Редактирование ядра свертки
00:19:42 Фильтры статистической обработки (среднее)
00:20:07 Маска, применяемая в фильтрах, и ее радиус
00:21:42 Фильтры статистической обработки (среднее, медиана, минимум, максимум, разброс)
00:24:43 Фильтры для добавления и удаления шума
00:28:07 Применение фильтров к изображениям с откалиброванным уровнем серого

[science_engineering]

Юрий, доброго времени суток!
Т.к. спросить особо не у кого, спрошу у вас...
Я занимался обработкой капельных и волновых течений, полученных с высокоскоростной камеры. Если кратко, то нужно было построить дисперсионное соотношение для капиллярных волн в жидком металле. Для этого надо было замерить изменение уровня серого в точке при прохождении волны для построения графика изменения частоты по времени, а также изменение максимальной длины волны.
Разница между аппроксимацией и теоретическим значением составляла до 20%, поэтому научрук рекомендовал отфильтровать изображение.
Я к этому делу решил подойти максимально методически.
Для начала я решил определить тип шума среди разных типов шумов (гауссов шум, шум Релея, гамма-шум, экспоненциальный, равномерный и импульсный шум). Для этого я вырезал небольшой однородный участок изображения без структур, где нет заметного тренда освещенности. Далее в ImageJ я построил гистограмму изображения. Она была похожу на гауссиану, но для убедительности я взял статистические данные (Mean, StdDev), и по ним в Wolfram Mathematika построил график нормального распределения, наложив последний на гистограмму. Оба графика практически идеально совпали, т.е. это гауссовский, скорее всего дробовой шум. Но не суть.
Дальше исходя из того, что это именно гауссовский шум, я решил выбрать 5-6 различных фильтров, наилучшим образом фильтрующих именно этот тип шума, и по критерию SNR (signal-to-noise ratio) определить наилучший фильтр. Пробовал разные встроенные фильтры из Вольфрама и ImageJ, наилучшим оказался Медианный фильтр.
Ошибка в аппроксимации снизилась до 3%.
Научруку всё это дело так понравилось, что он рекомендовал оформить эту работу в отдельную статейку.
Я то только "за!" но чего т я сомневаюсь, потому что в этом деле я можно сказать новичок :)
Вроде бы нашёл пару публикаций по медицинской тематики, где похожей методой (Histogramm- SNR - Filter) фильтровали снимки с томографов МРТ.
Да и в книжках и во всяких руководствах чё т похожее попадалось. Например, в книжке Rafael C. González, Richard Eugene Woods (2008). Digital image processing аналогичная метода используется.
Вроде бы всё хорошо. Но вот один мужик в институте небрежно покачал головой, сказав что гауссовый шум не должен влиять на спектр волн (при измерении миним. волнового числа/макс. длины волны я беру абсциссу максимального значения спектра).
В общем, меня продолжают терзать смутные сомнения... быть может вы занимались чем - то похожим в вашей области, когда надо было фильтровать изображения?
Чего я ещё мог упустить ?) Такое ощущение, что-то тривиально упускаю😀
Заранее спасибо!
з.ы.: ImageJ и ваши уроки очень помогли в любом случае!

[science_engineering]

а что насчёт цветных изображений? Пробовал различные фильтры к RGB изображения из встроенных примеров (Leaf) - работает..