2016年9月29日 更新

画像の再構成理論④〜ノイズ拡大の原因〜

今回は画像の再構成理論の最終回として、ノイズ拡大の原因についてご紹介します。

2,394 view お気に入り 0
画像の再構成で、前回、ガウシアンフィルタとなる行列[math]H[/math]を設定し、[math]d=Hs[/math]によってたたみこみを計算したと思います。今回は画像が繰り返しになっていると仮定して、ガウシアンフィルタとなる行列を自動的に設置するところからスタートします。

もう一度復習をしてみましょう。
 (1578)

ガウシアンフィルタとのたたみこみにより Y_n が計算されます。たとえば Y_4 を計算するときには、
 (1580)

となります。

これはあくまで少ない次元の話でしたが、一般的な画像に関しても同じような計算をすることで、ガウシアンフィルタを設定することができます。

今回はちょうどよいサイズ(計算時間と見栄えとの兼ね合い)を考えて、 64 x 64の以下の画像について考えてみましょう。以下の実行にはpythonを用いてOpenCVを使います。
 (1582)

cv2.imread()で画像を呼び出し、for文によって画像を縦ベクトル s にします。画像のファイル名を"g01-1.tif"としています。
 (1584)

ためしに上のコードを実行すると画像が出力されると思います。これは縦ベクトルを二次元の画像の配列に戻しているのです。
これに、ガウシアンフィルタとなる演算をたたみこみます。以下のプログラムで 4096 x 4096 (64 x 64=4096)なる行列Hを生成しています。なお、画像の外側の影響は0にして考えています。
 (1586)

このようにして設定できます。
 (1588)

上のようにしてガウシアンフィルタのたたみこみが計算され、d_として以下の画像を得ます。

あまり画像が変わっていないように思えますが、拡大してみてみると
 (1590)

ばっちり平滑化されていることがわかると思います。

では、これをもとに戻してみましょう。行列Hをかけられて平滑化されたので、これの逆行列をかければもとに戻るはずです。
24 件

関連する記事 こんな記事も人気です♪

Pythonで画像処理② Data Augmentation (画像の水増し)

Pythonで画像処理② Data Augmentation (画像の水増し)

画像の水増し、Data Augmentationと呼ばれる方法になりますが、学習に使う画像に変形を加えたり、ノイズを加えたり、明るさを変えたりといった処理を行う方法を紹介します。学習画像に様々な処理を行うことで認識がロバストになるというメリットがあります。
Mochizuki | 91,755 view
LP-tech2周年記念#人気記事のまとめ#第5位〜第1位

LP-tech2周年記念#人気記事のまとめ#第5位〜第1位

LP-techが始まってから2周年を迎えました。ここまでLP-techを続けることができたのも読者の皆様のおかげだと思っています。そこで、LP-techの感謝祭ということで、人気の記事を第20位から第1位までをご紹介します。今回は第5位〜第1位までです。
LP-tech2周年記念#人気記事のまとめ#第15位〜第11位

LP-tech2周年記念#人気記事のまとめ#第15位〜第11位

LP-techが始まってから2周年を迎えました。ここまでLP-techを続けることができたのも読者の皆様のおかげだと思っています。そこで、LP-techの感謝祭ということで、人気の記事を第20位から第1位までをご紹介します。今回は第15位〜第11位までです。
医用画像位置合わせの基礎⑥ 〜アフィン変換とは?〜

医用画像位置合わせの基礎⑥ 〜アフィン変換とは?〜

今回は、画像位置合わせに用いられるアフィン変換をご紹介します。
木田智士 | 18,274 view
画像の再構成理論〜概要、まとめ〜

画像の再構成理論〜概要、まとめ〜

今回は、以前4回にわたって記事として投稿した画像の再構成理論の概要について述べ、それのまとめをしたいと思います。

この記事のキーワード

この記事のキュレーター

エルピクセル編集部 エルピクセル編集部