مستخدم:AliAbdo88/التمويه الغاوسي

التمويه الغاوسي هو أحد تقنيات معالجة الصورة، ويكون هذا التمويه (المعروف أيضًا بالتنعيم الغاوسي ) ناتجًا عن تمويه الصورة باستخدام دالة غاوسية (سُمّيت على اسم عالم الرياضيات كارل فريدريش غاوس ).

يُستخدم التمويه الغاوسي على نطاق واسع في برامج الرسوميات، وعادةً ما يعمل على تقليل الضوضاء في الصورة وكذلك تقليل التفاصيل الغير مفيدة. التأثير المرئي لتقنية التمويه يشبه تقليل التركيز في الصورة ويمكن تخيله كعرض للصورة من خلال شاشة شفافة. يختلف تأثير التمويه الغاوسي بشكل واضح عن تأثير البوكيه الناتج عن عدسة خارج نطاق تركيزها أو ظل كائن (شيء) ما تحت الإضاءة.

يتم استخدام التنعيم الغاوسي أيضًا كمرحلة ما قبل المعالجة في خوارزميات معالجة الصورة من أجل تحسين هياكل الصور بمقاييس مختلفة.

تمهيد رياضي[عدل]

تطبيق التمويه الغاوسي على صورة ما هو نفس تحويل الصورة عن طريق دالة غاوسية. يُعرف هذا أيضًا باسم تحويل ويرشتراس (Weierstrass) ثنائي البعد. على النقيض من ذلك، فإن التحويل بواسطة دائرة (على سبيل المثال، مرشح خطّي مربع دائري) من شأنه أن يعيد إنتاج تأثير بوكيه. بدقة أكبر.

نظرًا لأن تحويل فورييه هو تحويل غاوسي آخر، فبشكل مشابه، فإن تطبيق تمويه غاوسي له تأثير في تقليل عناصر الصورة عالية التردد؛ وبالتالي يمكن اعتبار التمويه الغاوسي مرشحًا للتمرير منخفض.

التمويه الغاوسي هو نوع من مرشحات التمويه الذي يستخدم دالة غاوسية (تعبر أيضًا عن التوزيع الطبيعي في الإحصائيات) لحساب التحويل، بحيث يُطبق على كل بكسل في الصورة. صيغة الدالة الغاوسية ذات البعد الواحد هي

G(x)={\frac {1}{\sqrt {2\pi \sigma ^{2}}}}e^{-{\frac {x^{2}}{2\sigma ^{2}}}}

أما في بعدين، فهي نتاج دالتين غاوسيتين، واحدة في كل بُعد:

G(x,y)={\frac {1}{2\pi \sigma ^{2}}}e^{-{\frac {x^{2}+y^{2}}{2\sigma ^{2}}}}

^[1] ^[2] ^[3]

حيث x هي المسافة من المركز على المحور الأفقي و y هي المسافة من المركز على المحور الرأسي، وσ هو الانحراف المعياري لتوزيع غاوس. عند تطبيقها في بعدين، تُنتج هذه الصيغة سطحًا تكون معالمه دوائر متحدة المركز بتوزيع غاوسي من نقطة المركز.

تُستخدم قيم هذا التوزيع لبناء مصفوفة تحويل يتم تطبيقها على الصورة الأصلية. يتم تعيين القيمة الجديدة لكل بكسل عن طريق المتوسط المثقّل لجيران ذلك البكسل. نُعطي قيمة البكسل، الذي نريد حساب قيمته الجديدة، أثقل وزن (أعلى قيمة غاوسية) ونُعطي البكسلات المجاورة له أوزانًا أصغر كلما زادت المسافة عن البكسل الأصلي. ينتج عن هذا الأمر تمويه يحافظ على الحدود والحواف بشكل أفضل من مرشحات التمويه الأخرى.

مرشح الترددات المنخفضة[عدل]

التمويه الغاوسي هو مرشح تمرير منخفض يخفف إشارات التردد العالي. ^[3]

طويلته في مخطط بود ( مقياس اللوغاريتمات في مجال التردد ) هي قطع مكافئ .

تقليل التباين[عدل]

ما هو مقدار التنعيم في الصورة الذي ينتج عن مرشح غاوسي بانحراف معياري قدره $\sigma _{f}$ ؟ بمعنى آخر، ما مقدار تقليل الانحراف المعياري لقيم البكسل في الصورة؟ بافتراض أن قيم البكسل الرمادية لها انحراف معياري $\sigma _{X}$ ، بعد تطبيق الفلتر، يتم تقليل الانحراف المعياري $\sigma _{r}$ تقريبيًا كما المعادلة التالية

\sigma _{r}\approx {\frac {\sigma _{X}}{\sigma _{f}2{\sqrt {\pi }}}}

. ^{[ بحاجة لمصدر ]}

نموذج عن مصفوفة غاوسية[عدل]

يتم إنتاج هذا النموذج للمصفوفة عن طريق أخذ عينات من نواة المرشح الغاوسي (مع σ = 0.84089642) عند نقاط المنتصف لكل بكسل ثم نقوم بالتقييس. المركز (عند [4 ، 4]) له أكبر قيمة، ويتناقص بشكل متماثل مع زيادة المسافة عن المركز.

{\begin{bmatrix}0.00000067&0.00002292&{\textbf {0.00019117}}&0.00038771&{\textbf {0.00019117}}&0.00002292&0.00000067\\0.00002292&0.00078633&0.00655965&0.01330373&0.00655965&0.00078633&0.00002292\\{\textbf {0.00019117}}&0.00655965&0.05472157&0.11098164&0.05472157&0.00655965&{\textbf {0.00019117}}\\0.00038771&0.01330373&0.11098164&{\textbf {0.22508352}}&0.11098164&0.01330373&0.00038771\\{\textbf {0.00019117}}&0.00655965&0.05472157&0.11098164&0.05472157&0.00655965&{\textbf {0.00019117}}\\0.00002292&0.00078633&0.00655965&0.01330373&0.00655965&0.00078633&0.00002292\\0.00000067&0.00002292&{\textbf {0.00019117}}&0.00038771&{\textbf {0.00019117}}&0.00002292&0.00000067\end{bmatrix}}

العنصر 0.22508352 (العنصر المركزي) أكبر 1177 مرة من 0.00019117 وهو خارج ثلاثة اضعاف الانحراف المعياري.

التطبيق[عدل]

عادةً ما يتم إنشاء تأثير التمويه الغاوسي عن طريق تحويل الصورة بنواة FIR لقيم غاوسية.

من الناحية العملية، من الأفضل الاستفادة من خاصية التمويه الغاوسي القابلة للتقسيم عن طريق تقسيم العملية إلى مرشحي تمرير. في المرشح الأول، تُستخدم نواة أحادية البعد لتمويه الصورة في الاتجاه الأفقي أو الرأسي فقط. في المرشح الثاني، تُستخدم نفس النواة الأحادية البعد لطمس الاتجاه الآخر. التأثير الناتج هو نفسه تأثير التحويل مع نواة ثنائية الأبعاد في مسار واحد، ولكنه يتطلب عمليات حسابية أقل.

يتم تحقيق التكتّم بشكل نموذجي عن طريق أخذ عينات من نواة مرشح غاوسي في نقاط منفصلة، وعادةً في المواضع المقابلة لنقاط المنتصف لكل بكسل. يؤدي هذا إلى تقليل التكلفة الحسابية، ولكن بالنسبة إلى نوى المرشح الصغيرة جدًا، يؤدي أخذ العينات النقطية للدالة الغاوسية مع عدد قليل جدًا من العينات إلى حدوث خطأ كبير.

في هذه الحالات، يتم الحفاظ على الدقة (بتكلفة حسابية طفيفة) من خلال تكامل الدالة الغاوسية على مساحة كل بكسل. ^[4]

عند تحويل القيم الغاوسية المستمرة إلى القيم متقطعة المطلوبة لحساب النواة، سيكون مجموع القيم مختلفًا عن 1. سيؤدي ذلك إلى تعتيم الصورة أو تفتيحها. لعلاج هذا، يمكن تسوية القيم عن طريق قسمة كل عنصر في النواة على مجموع كل العناصر في النواة.

الاستخدامات الشائعة[عدل]

كشف الحواف[عدل]

يشيع استخدام التنعيم الغاوسي مع كشف الحواف . معظم خوارزميات كشف الحواف حساسة للضوضاء؛ فمثلًا مرشح لابلاس ثنائي البعد، الذي تم إنشاؤه بناءً على تقدير لابلاس ، حساس للغاية للبيئات الصاخبة.

يهدف استخدام مرشح التمويع الغاوسي قبل عملية الكشف عن الحواف إلى تقليل مستوى الضوضاء في الصورة، مما يُحسن نتيجة خوارزمية كشف الحواف التي تُستخدم لاحقًا. يشار إلى هذا النهج عادةً باسم لابلاس لغاوس Laplacian of Gaussian ، أو اختصارًا LoG. ^[5]

التصوير[عدل]

عادةً ما تستخدم الكاميرات الرقمية ذات النهاية المنخفضة، بما في ذلك العديد من كاميرات الهواتف المحمولة، عملية التمويه الغاوسي للتغطية على ضوضاء الصورة الناتجة عن حساسية الضوء العالية.

يتم تطبيق التمويه الغاوسي تلقائيًا كجزء من المعالجة اللاحقة للصورة بواسطة برنامج الكاميرا، مما يؤدي إلى فقدان التفاصيل بشكل لا رجعة فيه. ^[6] [[تصنيف:تقنيات خفض الضوضاء في الصور]] [[تصنيف:دالة غاوسية]] [[تصنيف:معالجة رقمية للصور]]

^ Shapiro, L. G. & Stockman, G. C: "Computer Vision", page 137, 150. Prentice Hall, 2001
^ Mark S. Nixon and Alberto S. Aguado. Feature Extraction and Image Processing. Academic Press, 2008, p. 88.
^ ^أ ^ب R.A. Haddad and A.N. Akansu, "A Class of Fast Gaussian Binomial Filters for Speech and Image Processing," IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 39, pp 723-727, March 1991.
^ Erik Reinhard. High dynamic range imaging: Acquisition, Display, and Image-Based Lighting. Morgan Kaufmann, 2006, pp. 233–234.
^ Fisher, Perkins, Walker & Wolfart (2003). "Spatial Filters - Laplacian of Gaussian". اطلع عليه بتاريخ 2010-09-13.{{استشهاد ويب}}: صيانة الاستشهاد: أسماء متعددة: قائمة المؤلفين (link)
^ Ritter, Frank (24 Oct 2013). "Smartphone-Kameras: Warum gute Fotos zu schießen nicht mehr ausreicht [Kommentar]". GIGA (بالألمانية). GIGA Television. Retrieved 2020-09-20. Bei Fotos, die in der Nacht entstanden sind, dominiert Pixelmatsch.

[ShapiroStockman-1] Shapiro, L. G. & Stockman, G. C: "Computer Vision", page 137, 150. Prentice Hall, 2001

[NixonAguado-2] Mark S. Nixon and Alberto S. Aguado. Feature Extraction and Image Processing. Academic Press, 2008, p. 88.

[HaddadAkansu-3] أ ^ب R.A. Haddad and A.N. Akansu, "A Class of Fast Gaussian Binomial Filters for Speech and Image Processing," IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 39, pp 723-727, March 1991.

[Reinhard-4] Erik Reinhard. High dynamic range imaging: Acquisition, Display, and Image-Based Lighting. Morgan Kaufmann, 2006, pp. 233–234.

[5] Fisher, Perkins, Walker & Wolfart (2003). "Spatial Filters - Laplacian of Gaussian". اطلع عليه بتاريخ 2010-09-13.{{استشهاد ويب}}: صيانة الاستشهاد: أسماء متعددة: قائمة المؤلفين (link)

[6] Ritter, Frank (24 Oct 2013). "Smartphone-Kameras: Warum gute Fotos zu schießen nicht mehr ausreicht [Kommentar]". GIGA (بالألمانية). GIGA Television. Retrieved 2020-09-20. Bei Fotos, die in der Nacht entstanden sind, dominiert Pixelmatsch.

[1]

[2]

[3]

[4]

[5]

[6]