تابع Fspecial در متلب

در پردازش تصویر، فیلترها برای اصلاح، بهبود، یا استخراج ویژگی‌های خاص از تصاویر استفاده می‌شوند. تابع fspecial در متلب ابزاری قدرتمند برای تولید کرنل‌های فیلتر (ماتریس‌های کوچک برای اعمال عملیات فیلتر) است که در حوزه مکان (Spatial Domain) به کار می‌روند. این تابع انواع مختلفی از کرنل‌های استاندارد مانند میانگین‌گیر، گاوسی، لاپلاسین، و غیره را پشتیبانی می‌کند. در این مقاله، انواع کرنل‌های تولیدشده توسط fspecial (به‌جز Sobel و Prewitt) را بررسی کرده و با مثال‌های عملی در متلب، عملکرد آن‌ها را نشان می‌دهیم.

انواع کرنل‌های تابع fspecial

تابع fspecial امکان تولید کرنل‌های زیر را فراهم می‌کند (به‌جز Sobel و Prewitt که در اینجا بررسی نمی‌شوند):

1. Average (میانگین‌گیر): یک فیلتر پایین‌گذر که میانگین پیکسل‌های یک ناحیه را محاسبه می‌کند و تصویر را نرم (Blur) می‌کند.
2. Disk (دیسک دایره‌ای): فیلتری مشابه میانگین‌گیر، اما با شکل دایره‌ای، که برای نرم کردن تصویر با حفظ تقارن استفاده می‌شود.
3. Gaussian (گاوسی): فیلتر پایین‌گذر مبتنی بر توزیع گاوسی، که برای کاهش نویز با حفظ جزئیات استفاده می‌شود.
4. Laplacian (لاپلاسین): فیلتر بالاگذر مبتنی بر مشتق مرتبه دوم، که برای تشخیص لبه‌ها مناسب است.
5. LoG (Laplacian of Gaussian): ترکیبی از فیلتر گاوسی و لاپلاسین، که برای تشخیص لبه‌ها با کاهش نویز استفاده می‌شود.
6. Motion (حرکتی): شبیه‌سازی حرکت دوربین یا شیء در تصویر با اعمال تاری حرکتی.

ویژگی‌های کرنل‌ها

• فیلترهای پایین‌گذر (مانند Average، Disk، Gaussian): فرکانس‌های بالا (لبه‌ها و نویز) را حذف کرده و تصویر را نرم می‌کنند.
• فیلترهای بالاگذر (مانند Laplacian، LoG): فرکانس‌های بالا (لبه‌ها) را تقویت کرده و برای آشکارسازی تغییرات شدت روشنایی مناسب‌اند.
• فیلتر Motion: برای شبیه‌سازی تاری ناشی از حرکت دوربین یا سوژه استفاده می‌شود.

پیاده‌سازی در متلب

برای بررسی عملکرد کرنل‌های مختلف fspecial، می‌توان آن‌ها را با استفاده از تابع imfilter روی تصویر اعمال کرد. کد زیر انواع کرنل‌ها را روی تصویر نمونه اعمال می‌کند و نتایج را نمایش می‌دهد.

hsize = 3;
radius = 3;
sigma =1;
I = imread('cameraman.tif');
for i = 1:6

    if i ==1

        kernel = fspecial('average',hsize);
    elseif i ==2
        kernel = fspecial('disk',radius);
    elseif i == 3
        kernel = fspecial('gaussian',hsize,sigma);
    elseif i == 4
        alpha = 0.1;
        kernel = fspecial('laplacian',alpha);
    elseif i == 5
        kernel = fspecial('log',hsize,sigma);
    elseif i == 6
        len = 5;
        theta = 10;
        kernel = fspecial('motion',len,theta);
    end

    img = imfilter(I,kernel);
    subplot (2,3,i) ,imshow(img)
    
    
end

• فیلتر میانگین‌گیر (Average): تصویر را نرم می‌کند و جزئیات ریز (مانند لبه‌ها) را حذف می‌کند. این فیلتر معادل میانگین‌گیری پیکسل‌ها در یک پنجره n×n است.
• فیلتر دیسک (Disk): مشابه فیلتر میانگین‌گیر، اما به دلیل شکل دایره‌ای، نرم‌سازی یکنواخت‌تری ایجاد می‌کند.
• فیلتر گاوسی (Gaussian): با اعمال توزیع گاوسی، نویز را کاهش می‌دهد و تصویر را نرم می‌کند، اما لبه‌ها را بهتر از فیلتر میانگین‌گیر حفظ می‌کند.
• فیلتر لاپلاسین (Laplacian): لبه‌ها را با محاسبه مشتق مرتبه دوم تقویت می‌کند. این فیلتر بالاگذر تغییرات شدت روشنایی (لبه‌ها) را برجسته می‌کند.
• فیلتر LoG (Laplacian of Gaussian): ابتدا تصویر را با فیلتر گاوسی نرم کرده و سپس لبه‌ها را با لاپلاسین تشخیص می‌دهد، که باعث کاهش حساسیت به نویز می‌شود.
• فیلتر حرکتی (Motion): تاری حرکتی را شبیه‌سازی می‌کند، که به‌عنوان مثال، اثر حرکت دوربین با زاویه θ و طول len را نشان می‌دهد.

کاربردهای کرنل‌های fspecial

1. حذف نویز: فیلترهای پایین‌گذر (مانند Gaussian و Average) برای کاهش نویز گاوسی یا تصادفی.
2. تشخیص لبه: فیلترهای بالاگذر (مانند Laplacian و LoG) برای شناسایی لبه‌ها و مرزهای اشیاء.
3. شبیه‌سازی تاری: فیلتر Motion برای تحلیل یا شبیه‌سازی حرکت در تصاویر.
4. پردازش تصاویر پزشکی: فیلترهای گاوسی و LoG در تصاویر MRI یا CT برای کاهش نویز و تشخیص ساختارها.
5. یادگیری عمیق: کرنل‌های مشابه در لایه‌های کانولوشنی شبکه‌های عصبی (CNN) استفاده می‌شوند.

نکات پیشرفته

• پارامترهای کرنل:
  • hsize: اندازه کرنل (مانند 3×33 \times 33×3) بر وضوح فیلتر تأثیر دارد.
  • sigma: انحراف معیار در فیلتر گاوسی و LoG، شدت نرم‌سازی را کنترل می‌کند.
  • alpha: در فیلتر لاپلاسین، تعادل بین مرکز و حاشیه‌های کرنل را تنظیم می‌کند.
  • len و theta: در فیلتر Motion، طول و زاویه حرکت را مشخص می‌کنند.
• پدینگ: در تابع imfilter، استفاده از گزینه‌هایی مانند ‘replicate’ یا ‘zero’ برای مدیریت لبه‌های تصویر مهم است.
• طراحی کرنل سفارشی: می‌توان کرنل‌های دلخواه را به‌صورت دستی طراحی کرد و با imfilter اعمال نمود.
• حوزه فرکانس: فیلترهای تولیدشده توسط fspecial را می‌توان با تبدیل فوریه به حوزه فرکانس منتقل کرد تا تحلیل دقیق‌تری انجام شود.

نتیجه‌گیری

تابع fspecial در متلب ابزاری قدرتمند برای تولید کرنل‌های فیلتر در پردازش تصویر است که انواع فیلترهای پایین‌گذر (مانند گاوسی و میانگین‌گیر) و بالاگذر (مانند لاپلاسین و LoG) را پشتیبانی می‌کند. این کرنل‌ها با تابع imfilter برای کاربردهایی مانند حذف نویز، تشخیص لبه، و شبیه‌سازی حرکت استفاده می‌شوند. درک ویژگی‌های هر کرنل و تنظیم پارامترهای آن، کلید دستیابی به نتایج بهینه در پردازش تصویر است. در آموزش‌های بعدی، به بررسی فیلترهای پیشرفته‌تر و کاربردهای آن‌ها در حوزه‌هایی مانند یادگیری عمیق خواهیم پرداخت.