‫ﺑﺎﺳﻤﻪ ﺗﻌﺎﻟﯽ‬
‫ﺳﯿﺴﺘﻢ ﻫﺎي ﭼﻨﺪرﺳﺎﻧﻪاي )‪(40-342‬‬
‫داﻧﺸﮑﺪه ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﯿﻮﺗﺮ‬
‫ﺗﺮم ﺑﻬﺎر ‪1387‬‬
‫دﮐﺘﺮ ﺣﻤﯿﺪرﺿﺎ رﺑﯿﻌﯽ‬
‫ﺗﮑﻠﯿﻒ ﺷﻤﺎره ‪ :3‬اﺑﺰار اﺻﻠﯽ ﭘﺮدازش ﺗﺼﻮﯾﺮ‬
‫‪ -1‬ﻣﻘﺪﻣﻪ‬
‫ﺗﺼﻮﻳﺮﯼ ﮐﻪ ﺑﺎ ﻳﻚ ﺍﺳﻜﻨﺮ ﻳﺎ ﺩﻭﺭﺑﻴﻦ ﺩﻳﺠﻴﺘﺎﻝ ﮔﺮﻓﺘﻪ ﺷﺪﻩ‪ ،‬ﻣﻤﻜﻦ ﺍﺳﺖ ﻛﺎﻧﺘﺮﺍﺳﺖ ﻣﻄﻠﻮﺏ ﻳﺎ ﻓﻮﻛﻮﺱ ﻣﻨﺎﺳﺐ ﺭﺍ ﻧﺪﺍﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻳﺎ ﻣﻤﻜﻦ‬
‫ﺍﺳﺖ ﺗﺼﻮﻳﺮ ﺑﺎ ﻧﻮﻳﺰ ﻣﺨﻠﻮﻁ ﺷﺪﻩ ﺑﺎﺷﺪ ﻭ ﻧﻴﺎﺯ ﺑﻪ ﺗﻤﻴﺰ ﺷﺪﻥ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﺩﺭ ﺑﻌﻀﻲ ﻣﻮﺍﺭﺩ ﺩﻳﮕﺮ‪ ،‬ﻣﻤﻜﻦ ﺍﺳﺖ ﻧﻴﺎﺯ ﺑﻪ ﺑﺰﺭﮒ ﻛﺮﺩﻥ ﺗﺼﻮﻳﺮ‬
‫ﺑﺮﺍﻱ ﺩﻳﺪ ﺭﺍﺣﺖﺗﺮ ﻭﺟﻮﺩ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﺍﻧﻮﺍﻉ ﺍﺑﺰﺍﺭ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ﺑﺮﺍﻱ ﺍﻓﺰﺍﻳﺶ ﻛﻴﻔﻴﺖ ﻳﺎ ﺍﻳﺠﺎﺩ ﺑﻌﻀﻲ ﺟﻠﻮﻩ ﻫﺎ ﺍﻳﺠﺎﺩ ﺷﺪﻩ ﺍﺳﺖ‪ .‬ﺩﺭ ﺍﻳﻦ‬
‫ﺁﺯﻣﺎﻳﺶ‪ ،‬ﺷﻤﺎ ﺑﻌﻀﻲ ﻋﻤﻠﻜﺮﺩﻫﺎﻱ ﭘﺎﻳﻪ ﺍﻱ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ﺭﺍ ﺁﺯﻣﺎﻳﺶ ﻛﺮﺩﻩ ﻭ ﻳﺎﺩ ﻣﻲ ﮔﻴﺮﻳﺪ‪.‬‬
‫‪ -2‬ﺑﻬﺒﻮد ﺗﺼﻮﯾﺮ‬
‫‪ -2-1‬ﺑﻬﺒﻮد ﮐﺎﻧﺘﺮاﺳﺖ‬
‫ﺑﻬﺒﻮﺩ ﻛﺎﻧﺘﺮﺍﺳﺖ ﺑﻪ ﺗﻐﻴﻴﺮ ﺳﻄﻮﺡ ﺗﺼﻮﻳﺮ ﻳﺎ ﻣﺘﻌﺎﺩﻝ ﻛﺮﺩﻥ ﺭﻧﮓ ﺁﻥ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮﺩ‪ .‬ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ‪ ،‬ﺍﮔﺮ ﻳﻚ ﺗﺼﻮﻳﺮ ﺯﻳﺮ ﻧﻮﺭ ﺑﺴﻴﺎﺭ ﻛﻢ ﻗﺮﺍﺭ‬
‫ﺑﮕﻴﺮﺩ‪ ،‬ﻣﻤﻜﻦ ﺍﺳﺖ ﺗﺼﻮﻳﺮ ﺑﺴﻴﺎﺭ ﺗﻴﺮﻩ ﺑﻪ ﻧﻈﺮ ﺑﺮﺳﺪ‪ .‬ﺑﺎ ﺍﺑﺰﺍﺭ ﺑﻬﺒﻮﺩ ﻛﺎﻧﺘﺮﺍﺳﺖ ﻣﻨﺎﺳﺐ ﺷﻤﺎ ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﺍﻳﻦ ﺗﺼﻮﻳﺮ ﺭﺍ ﺩﺍﺭﺍﻱ ﻣﺤﺪﻭﺩﻩ‬
‫ﺩﻳﻨﺎﻣﻴﻚ ﺑﺰﺭﮔﺘﺮﻱ ﺑﻜﻨﻴﺪ ﻭ ﻣﺤﺪﻭﺩﻩ ﻛﻠﻲ ﺭﺍ ﺍﺯ ﺳﻔﻴﺪ ﺗﺎ ﺳﻴﺎﻩ ﺗﻮﺳﻌﻪ ﺑﺪﻫﻴﺪ‪.‬‬
‫ﻛﺎﻧﺘﺮﺍﺳﺖ ﺗﺼﻮﻳﺮ ﻣﻲ ﺗﻮﺍﻧﺪ ﺑﻪ ﺻﻮﺭﺕ ﺭﻳﺎﺿﻲ ﺑﻮﺳﻴﻠﻪ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺗﺼﻮﻳﺮ ﺍﻧﺪﺍﺯﻩ ﮔﻴﺮﻱ ﺷﻮﺩ‪ .‬ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺗﻌﺪﺍﺩ ﭘﻴﻜﺴﻞ ﻫﺎﻱ ﺩﺍﺭﺍﻱ ﻫﺮ‬
‫ﺳﻄﺢ ﺭﻧﮓ ﺑﻪ ﺧﺼﻮﺹ ﺭﺍ ﻣﻲ ﺷﻤﺎﺭﺩ‪ .‬ﺍﮔﺮ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺭﺍ ﺑﺎ ﺗﻌﺪﺍﺩ ﻛﻞ ﭘﻴﻜﺴﻞ ﻫﺎ ﻧﺮﻣﺎﻟﻴﺰﻩ ﻛﻨﻴﻢ‪ ،‬ﺁﻧﮕﺎﻩ ﺣﺎﺻﻞ‪ ،‬ﺗﻘﺮﻳﺒﻲ ﺍﺯ ﺗﺎﺑﻊ ﺟﺮﻡ ﺍﺣﺘﻤﺎﻝ‬
‫ﺳﻄﻮﺡ ﺧﻮﺍﻫﺪ ﺑﻮﺩ‪ ،‬ﻳﻚ ﺗﺼﻮﻳﺮ ﺳﻴﺎﻩ ﺳﻔﻴﺪ ﺩﺍﺭﺍﻱ ﻳﻚ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺍﺳﺖ ﺩﺭ ﺣﺎﻟﻲ ﻛﻪ ﻳﻚ ﺗﺼﻮﻳﺮ ﺭﻧﮕﻲ ﻣﻲ ﺗﻮﺍﻧﺪ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﻫﺎﻱ ﻣﺠﺰﺍ‬
‫ﺑﺮﺍﻱ ﻣﻮﻟﻔﻪ ﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺭﻧﮓ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﺎ ﻛﺎﻧﺘﺮﺍﺳﺖ ﺧﻮﺏ ﻳﻚ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺻﺎﻑ ﺧﻮﺍﻫﺪ ﺩﺍﺷﺖ ﻛﻪ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﺪ ﺗﻤﺎﻡ‬
‫ﺭﻧﮕﻬﺎﻱ ﻣﺨﺘﻠﻒ ﻳﺎ ﺳﻄﻮﺡ ﺧﺎﻛﺴﺘﺮﻱ ﺗﻘﺮﻳﺒﺎﹰ ﺑﺎ ﺗﻌﺪﺍﺩ ﻣﺴﺎﻭﻱ ﭘﻴﻜﺴﻞ ﻫﺎ ﺩﺭ ﺗﺼﻮﻳﺮ ﺣﻀﻮﺭ ﺩﺍﺭﻧﺪ‪ .‬ﺍﺯ ﺳﻮﻱ ﺩﻳﮕﺮ‪ ،‬ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﺎ‬
‫ﻛﺎﻧﺘﺮﺍﺳﺖ ﭘﺎﻳﻴﻦ‪ ،‬ﭘﺨﺶ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﺴﻴﺎﺭ ﺑﺎﺭﻳﻜﻲ ﺧﻮﺍﻫﺪ ﺩﺍﺷﺖ ﺯﻳﺮﺍ ﺳﻄﻮﺡ ﺧﺎﻛﺴﺘﺮﻱ‪ /‬ﺭﻧﮕﻲ ﺁﻥ ﺩﺭ ﻳﻚ ﻣﺤﺪﻭﺩﻩ ﻛﻮﭼﻚ ﻣﺘﻤﺮﻛﺰ‬
‫ﺍﺳﺖ‪ .‬ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ‪ ،‬ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﺴﻴﺎﺭ ﺳﻴﺎﻩ‪ ،‬ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﺴﻴﺎﺭ ﺑﺎﺭﻳﻚ ﺣﻮﻝ ﺳﻄﻮﺡ ﭘﺎﻳﻴﻦ ﺧﻮﺍﻫﺪ ﺩﺍﺷﺖ‪.‬‬
‫ﻫﺪﻑ ﺑﻬﺒﻮﺩ ﻛﺎﻧﺘﺮﺍﺳﺖ‪ ،‬ﭘﺨﺶ ﺩﻭﺑﺎﺭﻩ ﺳﻄﻮﺡ ﺗﺼﻮﻳﺮ ﺑﻪ ﮔﻮﻧﻪ ﺍﻱ ﺍﺳﺖ ﻛﻪ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺗﺼﻮﻳﺮ ﺑﻬﺒﻮﺩ ﻳﺎﻓﺘﻪ ﺑﻪ ﺧﻮﺑﻲ ﮔﺴﺘﺮﺩﻩ ﺷﺪﻩ ﺑﺎﺷﺪ‪ .‬ﺑﻪ‬
‫ﻃﻮﺭ ﻛﻠﻲ‪ ،‬ﺑﻬﺒﻮﺩ ﻛﺎﻧﺘﺮﺍﺳﺖ‪ ،‬ﺑﺎ ﻳﻚ ﺗﺎﺑﻊ ﺗﻨﺎﻇﺮ ﭘﻴﻜﺴﻞ ﺑﻪ ﭘﻴﻜﺴﻞ ﻛﻪ ﻣﻘﺎﺩﻳﺮ ﭘﻴﻜﺴﻞ ﻫﺎ ﺭﺍ ﺍﺻﻼﺡ ﻣﻲ ﻛﻨﺪ‪ ،‬ﺻﻮﺭﺕ ﻣﻲ ﭘﺬﻳﺮﺩ‪ .‬ﺗﻨﺎﻇﺮ ﻓﻘﻂ‬
‫ﺑﻪ ﺳﻄﺢ ﺧﺎﻛﺴﺘﺮﻱ ﭘﻴﻜﺴﻞ ﻭﺍﺑﺴﺘﻪ ﺍﺳﺖ ﻣﺴﺘﻘﻞ ﺍﺯ ﺍﻳﻨﻜﻪ ﺩﻳﮕﺮ ﭘﻴﻜﺴﻞ ﻫﺎ ﭼﻪ ﺑﺎﺷﻨﺪ‪ .‬ﺑﺮﺍﻱ ﺣﻔﻆ ﭘﻴﻮﺳﺘﮕﻲ ﻭ ﺗﺮﺗﻴﺐ ﺳﻄﻮﺡ ﺍﺻﻠﻲ‪ ،‬ﺗﻨﺎﻇﺮ‬
‫ﺑﺎﻳﺪ ﭘﻴﻮﺳﺘﻪ ﻭ ﻏﻴﺮ ﻧﺰﻭﻟﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ -2-1-1‬ﻣﺴﺎوي ﺳﺎزي ﻫﯿﺴﺘﻮﮔﺮام‬
‫ﻣﺴﺎﻭﻱ ﺳﺎﺯﻱ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﻪ ﻋﻤﻠﻲ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮﺩ ﻛﻪ ﺗﺼﻮﻳﺮ ﺩﺍﺭﺍﻱ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺩﻟﺨﻮﺍﻩ ﺭﺍ ﺑﻪ ﺗﺼﻮﻳﺮﻱ ﺑﺎ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺻﺎﻑ ﺗﺒﺪﻳﻞ ﻣﻲﻛﻨﺪ‪.‬‬
‫ﺭﻭﺵ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﺮ ﻣﺒﻨﺎﻱ ﻧﺘﺎﻳﺞ ﺷﻨﺎﺧﺘﻪ ﺷﺪﻩ ﺗﺌﻮﺭﻱ ﺍﺣﺘﻤﺎﻻﺕ ﺍﺳﺘﻮﺍﺭ ﺍﺳﺖ‪.‬‬
‫ﻗﻀﻴﻪ‪ :‬ﺗﺎﺑﻊ ﺗﻮﺯﻳﻊ ﺟﻤﻌﻲ ﺑﻪ ﺻﻮﺭﺕ ﺯﻳﺮ ﺍﺯ ﺭﻭﻱ ﺗﺎﺑﻊ ﺗﻮﺯﻳﻊ ﺍﺣﺘﻤﺎﻝ ﺑﻪ ﺩﺳﺖ ﻣﻲ ﺁﻳﺪ‪:‬‬
‫‪1‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫ﺣﺎﻝ ﺍﮔﺮ ﻣﺎ ﺗﺒﺪﻳﻞ ﺗﺎﺑﻊ ﺗﻮﺯﻳﻊ ﺟﻤﻌﻲ ﺭﺍ ﺍﻧﺠﺎﻡ ﺑﺪﻫﻴﻢ‪ ،‬ﺗﺎﺑﻊ ﺣﺎﺻﻞ ﺩﺍﺭﺍﻱ ﺗﻮﺯﻳﻊ ﻳﻜﻨﻮﺍﺧﺖ ﺑﻴﻦ ‪ ٠‬ﻭ ‪ ١‬ﺧﻮﺍﻫﺪ ﺑﻮﺩ‪.‬‬
‫ﺍﮔﺮﭼﻪ ﻧﺘﻴﺠﻪ ﺑﺎﻻ ﺑﺮﺍﻱ ﻣﺘﻐﻴﺮﻫﺎﻱ ﺗﺼﺎﺩﻓﻲ ﭘﻴﻮﺳﺘﻪ ﻣﻄﻠﻘﺎﹰ ﺩﺭﺳﺖ ﺍﺳﺖ‪ ،‬ﻣﻲ ﺗﻮﺍﻧﺪ ﺑﺮﺍﻱ ﻣﺘﻐﻴﺮﻫﺎﻱ ﮔﺴﺴﺘﻪ ﻧﻴﺰ ﺑﻪ ﻛﺎﺭ ﺑﺮﻭﺩ‪ .‬ﺩﺭ ﺍﻳﻦ ﺻﻮﺭﺕ‪،‬‬
‫‪ pdf‬ﺑﺎ ‪ pmf‬ﺟﺎﻳﮕﺰﻳﻦ ﻣﻲ ﺷﻮﺩ )ﻳﺎ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﻧﺮﻣﺎﻟﻴﺰﻩ ﺷﺪﻩ( ﻭ ‪ cdf‬ﺑﺎ ﺟﻤﻊ ﻣﻘﺎﺩﻳﺮ ‪ pmf‬ﺣﺎﺻﻞ ﻣﻲ ﺷﻮﺩ‪.‬‬
‫ﺑﺮﺍﻱ ﺍﻧﺠﺎﻡ ﻣﺴﺎﻭﻱ ﺳﺎﺯﻱ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﺮﺍﻱ ﻳﻚ ﺗﺼﻮﻳﺮ ﺩﺍﺩﻩ ﺷﺪﻩ‪ ،‬ﺍﺑﺘﺪﺍ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺁﻥ ﺭﺍ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﺳﭙﺲ ﺑﺮﺍﻱ ﻫﺮ ﻣﻘﺪﺍﺭ ﻣﻮﺟﻮﺩ‬
‫ﺩﺭ ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ‪ ،‬ﻣﻘﺎﺩﻳﺮ ﻧﺮﻣﺎﻟﻴﺰﻩ ﺷﺪﻩ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺭﺍ ﺍﺯ ﺳﻄﺢ ﺻﻔﺮ ﺗﺎ ﺁﻥ ﻣﻘﺪﺍﺭ ﺟﻤﻊ ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﺟﻮﺍﺏ ﺑﻪ ﺩﺳﺖ ﺁﻣﺪﻩ‪ ،‬ﻫﻤﺎﻥ ﻣﻘﺪﺍﺭ ﺟﺪﻳﺪ‬
‫ﭘﻴﻜﺴﻞ ﺍﺳﺖ‪ .‬ﻭﻗﺘﻲ ﻗﺎﻋﺪﻩ ﺗﺒﺪﻳﻞ ﺑﺮﺍﻱ ﺗﻤﺎﻡ ﺳﻄﻮﺡ ﻣﻤﻜﻦ ﻣﺤﺎﺳﺒﻪ ﺷﺪ‪ ،‬ﻧﺘﻴﺠﻪ ﻣﻲ ﺗﻮﺍﻧﺪ ﺑﻪ ﺩﺭ ﻳﻚ ﺟﺪﻭﻝ ﺫﺧﻴﺮﻩ ﺷﻮﺩ‪.‬‬
‫ﺷﻜﻞ ‪ ١‬ﻣﺜﺎﻟﻲ ﺍﺯ ﻣﺴﺎﻭﻱ ﺳﺎﺯﻱ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﺪ ﻛﻪ ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﺩﻣﻮﻱ ‪ imadjdemo.m ،matlab‬ﺑﻪ ﺩﺳﺖ ﺁﻣﺪﻩ ﺍﺳﺖ‪ .‬ﻣﻲ‬
‫ﺗﻮﺍﻧﻴﺪ ﺑﺒﻨﻴﺪ ﻛﻪ ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﺎﺭﻳﻜﻲ ﺩﺍﺭﺩ ﻭ ﺗﺼﻮﻳﺮ ﻣﺴﺎﻭﻱ ﺳﺎﺯﻱ ﺷﺪﻩ ﺗﻘﺮﻳﺒﺎﹰ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺻﺎﻓﻲ ﺑﺮ ﺭﻭﻱ ﻛﻞ ﻣﻘﺎﺩﻳﺮ ﺩﺍﺭﺩ‪.‬‬
‫ﻳﻚ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺻﺎﻑ ﻣﻤﻜﻦ ﺍﺳﺖ ﺑﻪ ﻳﻚ ﺗﺼﻮﻳﺮ ﺧﻮﺏ ﻣﻨﺠﺮ ﻧﺸﻮﺩ‪ .‬ﻫﻤﺎﻥ ﺑﺮﻧﺎﻣﻪ ﻗﺒﻠﻲ ﺑﻪ ﺷﻤﺎ ﺍﺟﺎﺯﻩ ﻣﻲ ﺩﻫﺪ ﻛﻪ ﺗﺎﺑﻊ ﺗﻨﺎﻇﺮ ﺭﺍ ﺑﻪ‬
‫ﺻﻮﺭﺕ ﺩﺳﺘﻲ ﺗﻨﻈﻴﻢ ﻛﻨﻴﺪ )ﺑﻪ ﺟﺎﻱ ﺍﻳﻨﻜﻪ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺧﺮﻭﺟﻲ ﻫﻤﻴﺸﻪ ﺻﺎﻑ ﺑﺎﺷﺪ( ﺗﺎ ﻭﻗﺘﻲ ﻛﻪ ﺷﻤﺎ ﻧﺘﻴﺠﻪ ﺩﻟﺨﻮﺍﻩ ﺭﺍ ﺑﻪ ﺩﺳﺖ ﺁﻭﺭﻳﺪ‪.‬‬
‫ﺍﺑﺰﺍﺭ ﻣﻨﺎﺳﺒﻲ ﻫﻢ ﺑﻪ ﻫﻤﻴﻦ ﻣﻨﻈﻮﺭ ﺩﺭ ﻓﻮﺗﻮﺷﺎﭖ ﻧﻴﺰ ﻭﺟﻮﺩ ﺩﺍﺭﺩ‪.‬‬
‫ﺷﮑﻞ‪ :1‬ﻣﺜﺎﻟﯽ از ﻣﺴﺎوي ﺳﺎزي ﻫﯿﺴﺘﻮﮔﺮام‬
‫‪ -2-2‬ﺣﺬف ﻧﻮﯾﺰ‬
‫ﺣﺬﻑ ﻧﻮﻳﺰ ﺑﻪ ﺣﺬﻑ ﺿﺮﺑﻪ ﻫﺎﻱ ﻧﺎﺧﻮﺍﺳﺘﻪ ﺩﺭ ﺗﺼﻮﻳﺮ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮﺩ‪ .‬ﺍﻳﻦ ﻛﺎﺭ ﻣﻌﻤﻮ ﹰﻻ ﺑﺎ ﻓﻴﻠﺘﺮ ﭘﺎﻳﻴﻦ ﮔﺬﺭ ﻗﺎﺑﻞ ﺍﻧﺠﺎﻡ ﺍﺳﺖ ﻛﻪ ﻣﻌﻤﻮﻻﹰ‬
‫ﻣﻘﺪﺍﺭ ﻫﺮ ﭘﻴﻜﺴﻞ ﺭﺍ ﺑﺎ ﻣﻘﺎﺩﻳﺮ ﻣﻴﺎﻧﮕﻴﻦ ﻳﺎ ﻣﺪ ﭘﻴﻜﺴﻞ ﻫﺎﻱ ﺍﻃﺮﺍﻑ ﺁﻥ ﺟﺎﻳﮕﺰﻳﻦ ﻣﻲ ﻛﻨﺪ‪ .‬ﻓﻴﻠﺘﺮ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻨﺪﻩ ﺍﺯ ﻣﺪ ﺑﺮﺍﻱ ﻧﻮﻳﺰﻫﺎﻱ ﺿﺮﺑﻪ ﺍﻱ‬
‫ﻣﻨﺎﺳﺐ ﺗﺮ ﺍﺳﺖ ﺯﻳﺮﺍ ﻣﻘﺪﺍﺭ ﺑﻪ ﺩﺳﺖ ﺁﻣﺪﻩ ﺑﻪ ﭘﻴﻜﺴﻞ ﻣﺨﻠﻮﻁ ﺷﺪﻩ ﺑﺎ ﻧﻮﻳﺰ ﺑﺴﺘﮕﻲ ﻧﺪﺍﺭﺩ‪ .‬ﻓﻴﻠﺘﺮ ﻣﺘﻮﺳﻂ ﮔﻴﺮ ﺑﺮﺍﻱ ﻧﻮﻳﺰﻫﺎﻱ ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ‬
‫ﻣﻨﺎﺳﺐ ﺍﺳﺖ‪ .‬ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ‪ ،‬ﻳﻚ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ ‪ ٣×٣‬ﺩﺭ ﻫﻤﺴﺎﻳﮕﻲ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻓﻴﻠﺘﺮ ﺯﻳﺮ ﺍﺳﺖ‪:‬‬
‫‪2‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫ﺑﺮﺍﻱ ﻛﺎﺭﺍﻳﻲ ﺑﻬﺘﺮ ﻣﻤﻜﻦ ﺍﺳﺖ ﻓﻴﻠﺘﺮ ﺯﻳﺮ ﺍﺳﺘﻔﺎﺩﻩ ﺷﻮﺩ‪:‬‬
‫ﺷﻜﻞ ‪ ،٢‬ﻧﺘﻴﺠﻪ ﺣﺬﻑ ﻧﻮﻳﺰ ﻧﻮﻉ ﻧﻤﻚ ﻭ ﻓﻠﻔﻞ ﺑﺎ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ ‪ ٣×٣‬ﺭﺍ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﺪ‪ .‬ﻧﺘﻴﺠﻪ ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﺩﻣﻮﻱ ‪MATLAB‬‬
‫)‪ (nrfiltdemo.m‬ﺑﻪ ﺩﺳﺖ ﺁﻣﺪﻩ ﺍﺳﺖ‪ .‬ﺑﺎ ﻫﻤﺎﻥ ﺑﺮﻧﺎﻣﻪ ﺷﻤﺎ ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﻓﻴﻠﺘﺮﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺑﺎ ﺳﺎﻳﺰﻫﺎﻱ ﮔﻮﻧﺎﮔﻮﻥ ﻭ ﺑﺮﺍﻱ ﺍﻧﻮﺍﻉ ﻣﺨﺘﻠﻒ‬
‫ﻧﻮﻳﺰ ﺭﺍ ﺍﻣﺘﺤﺎﻥ ﻛﻨﻴﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﺍﺯ ﺗﺎﺑﻊ ‪ conv2‬ﺑﺮﺍﻱ ﺑﻪ ﻛﺎﺭ ﺑﺮﺩﻥ ﻫﺮ ﻓﻴﻠﺘﺮ ﺧﺎﺻﻲ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪.‬‬
‫ﺷﮑﻞ‪ :2‬ﺣﺬف ﻧﻮﯾﺰ ﻧﻮع ﻧﻤﮏ و ﻓﻠﻔﻞ ﺑﺎ ﻓﯿﻠﺘﺮ ﻣﯿﺎﻧﻪ ‪3×3‬‬
‫ﻣﺴﺎﻟﻪ ﻓﻴﻠﺘﺮﻫﺎﻱ ﻣﻴﺎﻧﻴﻦ ﮔﻴﺮ ﻳﺎ ﻣﺪﮔﻴﺮ ﺍﻳﻦ ﺍﺳﺖ ﻛﻪ ﻣﻤﻜﻦ ﺍﺳﺖ ﺗﺼﻮﻳﺮ ﺭﺍ ﺩﺭ ﻟﺒﻪ ﻫﺎ ﺗﺎﺭ ﻛﻨﺪ‪ .‬ﺯﻣﻴﻨﻪ ﮔﺴﺘﺮﺵ ﺗﻜﻨﻴﻚ ﻫﺎﻱ ﺣﺬﻑ ﻧﻮﻳﺰ‪،‬‬
‫ﺷﺎﻣﻞ ﺣﺬﻑ ﻣﻮﺛﺮ ﻧﻮﻳﺰ ﺑﺪﻭﻥ ﺗﺎﺭ ﻛﺮﺩﻥ ﻟﺒﻪ ﻫﺎ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﺑﻪ ﺍﻳﻦ ﮔﻮﻧﻪ ﻓﻴﻠﺘﺮﻫﺎ ﻣﻌﻤﻮ ﹰﻻ ﻓﻴﻠﺘﺮﻫﺎﻱ ﻫﻤﻮﺍﺭ ﻛﻨﻨﺪﻩ ﺣﻔﻆ ﻛﻨﻨﺪﻩ ﻟﺒﻪ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮﺩ‪.‬‬
‫‪ -2-3‬ﺗﻤﯿﺰ ﮐﺮدن ﻟﺒﻪ ﻫﺎ‬
‫ﻟﺒﻪ ﻫﺎ ﻓﺮﻛﺎﻧﺲ ﻫﺎﻱ ﺑﺎﻻﻱ ﺗﺼﻮﻳﺮ ﻫﺴﺘﻨﺪ ﺩﺭ ﺣﺎﻟﻲ ﻛﻪ ﻧﻮﺍﺣﻲ ﺻﺎﻑ ﻧﻮﺍﺣﻲ ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ ﺗﺼﻮﻳﺮ ﻫﺴﺘﻨﺪ‪ .‬ﺑﺮﺍﻱ ﺑﻬﺒﻮﺩ ﻟﺒﻪ ﻫﺎ‪ ،‬ﻳﻚ ﺭﺍﻫﺒﺮﺩ‪،‬‬
‫ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻓﻴﻠﺘﺮﻫﺎﻱ ﺗﺄﻛﻴﺪ ﻛﻨﻨﺪﻩ ﺑﻪ ﻓﺮﻛﺎﻧﺲ ﻫﺎﻱ ﺑﺎﻻ ﺍﺳﺖ ﻛﻪ ﻣﻮﻟﻔﻪ ﻫﺎﻱ ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ ﺭﺍ ﻧﮕﻪ ﺩﺍﺭﺩ ﻭﻟﻲ ﻣﻮﻟﻔﻪ ﻫﺎﻱ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ ﺭﺍ‬
‫ﺗﻘﻮﻳﺖ ﻛﻨﺪ‪.‬‬
‫‪3‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫‪ -2-4‬آﺷﮑﺎرﺳﺎزي ﻟﺒﻪ ﻫﺎ‬
‫ﻟﺒﻪ ﻫﺎﻱ ﻳﻚ ﺗﺼﻮﻳﺮ ﺳﺎﺧﺘﺎﺭ ﺍﺷﻴﺎﺀ ﺁﻥ ﺭﺍ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﺪ‪ .‬ﺁﺷﻜﺎﺭﺳﺎﺯﻱ ﻟﺒﻪ ﻳﻚ ﻣﺮﺣﻠﻪ ﭘﻴﺶ ﭘﺮﺩﺍﺯﺵ ﻣﻬﻢ ﺑﺮﺍﻱ ﺁﺷﻜﺎﺭﺳﺎﺯﻱ ﺷﻲﺀ ﻭ‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﺑﻪ ﺧﺎﻃﺮ ﺍﻳﻨﻜﻪ ﻟﺒﻪ ﻫﺎ ﺿﺮﻭﺭﺗﺎﹰ ﻣﻮﻟﻔﻪ ﻫﺎﻱ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻﻱ ﻳﻚ ﺗﺼﻮﻳﺮ ﻫﺴﺘﻨﺪ‪ ،‬ﺗﺸﺨﻴﺺ ﻟﺒﻪ ﻣﻌﻤﻮ ﹰﻻ ﺑﺎ ﺑﻪ ﻛﺎﺭﮔﻴﺮﻱ‬
‫ﻓﻴﻠﺘﺮﻫﺎﻱ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ ﺍﻧﺠﺎﻡ ﻣﻲ ﺷﻮﺩ ﻛﻪ ﻣﻮﻟﻔﻪ ﻫﺎﻱ ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ ﺭﺍ ﺟﺬﺏ ﻣﻲ ﻛﻨﺪ ﻭ ﺳﭙﺲ ﻳﻚ ﺁﺳﺘﺎﻧﻪ ﺑﻪ ﻛﺎﺭ ﻣﻲ ﺑﺮﺩ‪ .‬ﻳﻚ ﺁﺷﻜﺎﺭﺳﺎﺯ‬
‫ﻟﺒﻪ ﭘﺮﻃﺮﻓﺪﺍﺭ‪ ،‬ﻋﻤﻠﮕﺮ ‪ sobel‬ﺍﺳﺖ ﻛﻪ ﺍﺯ ﺩﻭ ﻓﻴﻠﺘﺮ ﺯﻳﺮ ﺗﺸﻜﻴﻞ ﺷﺪﻩ ﺍﺳﺖ‪:‬‬
‫ﻓﻴﻠﺘﺮﻫﺎﻱ ﺑﺎﻻ ﺩﻭ ﻓﻴﻠﺘﺮ ﺑﺎﻻﮔﺬﺭ ﺩﺭ ﺟﻬﺖ ﻫﺎﻱ ﺍﻓﻘﻲ ﻭ ﻋﻤﻮﺩﻱ ﻫﺴﺘﻨﺪ‪ .‬ﺑﺮﺍﻱ ﺁﺷﻜﺎﺭﺳﺎﺯﻱ ﻳﻚ ﻟﺒﻪ ﺍﻳﻦ ﺩﻭ ﻓﻴﻠﺘﺮ ﺭﺍ ﺑﺮ ﺭﻭﻱ ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﻪ‬
‫ﻛﺎﺭ ﻣﻲ ﺑﺮﻳﻢ ﻛﻪ ﻋﺪﺩﻱ ﻧﻤﺎﻳﺎﻧﮕﺮ ﻟﺒﻪ ﺍﻓﻘﻲ ﻭ ﻋﻤﻮﺩﻱ ﺑﺮﺍﻱ ﻫﺮ ﭘﻴﻜﺴﻞ ﻣﻲ ﺩﻫﺪ‪ .‬ﺍﮔﺮ ﺗﻨﻬﺎ ﻋﻼﻗﻤﻨﺪ ﺑﻪ ﺁﺷﻜﺎﺭﺳﺎﺯﻱ ﻟﺒﻪ ﻫﺎﻱ ﺍﻓﻘﻲ ﻫﺴﺘﻴﺪ‬
‫ﻋﺪﺩ ﻧﻤﺎﻳﺎﻧﮕﺮ ﻟﺒﻪ ﺍﻓﻘﻲ ﺭﺍ ﺑﺎ ﺳﻄﺢ ﺁﺳﺘﺎﻧﻪ ﻣﻘﺎﻳﺴﻪ ﻣﻴﻜﻨﻴﺪ ﻭ ﺁﻥ ﭘﻴﻜﺴﻞ ﺭﺍ ﺑﻪ ﻋﻨﻮﺍﻥ ﻟﺒﻪ ﺩﺭ ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﺪ‪ .‬ﺍﮔﺮ ﺑﻪ ﻟﺒﻪ ﻫﺎ ﺩﺭ ﺗﻤﺎﻡ ﺟﻬﺎﺕ‬
‫ﺣﺴﺎﺏ ﻛﺮﺩﻩ ﻭ ﻳﻚ ﭘﻴﻜﺴﻞ ﺭﺍ ﻟﺒﻪ ﻣﺤﺴﻮﺏ ﻣﻲ ﻛﻨﻴﺪ ﺍﮔﺮ‬
‫ﻋﻼﻗﻤﻨﺪﻳﺪ ﺍﻧﺪﺍﺯﻩ ﮔﺮﺍﺩﻳﺎﻥ ﺭﺍ ﺑﺎ‬
‫‪ .‬ﺷﻜﻞ ‪ ٣‬ﻳﻚ‬
‫ﻣﺜﺎﻝ ﺍﺯ ﺁﺷﻜﺎﺭﺳﺎﺯﻱ ﻟﺒﻪ ﺑﻪ ﺩﺳﺖ ﺁﻣﺪﻩ ﺑﺎ ﻋﻤﻠﮕﺮ ‪ sobel‬ﺭﺍ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﺪ‪ .‬ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺑﺮﻧﺎﻣﺔ ﺩﻣﻮﻱ ‪ edgedemo.m‬ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﺗﺄﺛﻴﺮ‬
‫ﺁﺷﻜﺎﺭﺳﺎﺯﻫﺎﻱ ﻟﺒﻪ ﻣﺨﺘﻠﻒ ﺭﺍ ﺑﺮﺭﺳﻲ ﻛﻨﻴﺪ‪.‬‬
‫ﺷﮑﻞ‪ :3‬ﺗﺸﺨﯿﺺ ﻟﺒﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﮕﺮ ‪Sobel‬‬
‫‪ -3‬ﺗﻐﯿﯿﺮ اﻧﺪازه ﺗﺼﻮﯾﺮ‬
‫ﺩﺭ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ﻣﻮﺍﺭﺩ ﺯﻳﺎﺩﻱ ﭘﻴﺶ ﻣﻲ ﺁﻳﺪ ﻛﻪ ﻻﺯﻡ ﺍﺳﺖ ﻧﺮﺥ ﻧﻤﻮﻧﻪ ﺑﺮﺩﺍﺭﻱ ﺗﺼﻮﻳﺮ ﺗﻐﻴﻴﺮ ﻛﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ ﻣﻤﻜﻦ ﺍﺳﺖ ﺗﺼﻮﻳﺮ‬
‫ﺑﺮﺍﻱ ﺑﻬﺒﻮﺩ ﻧﻤﺎﻳﺶ‪ ،‬ﻛﻮﭼﻚ ﺷﻮﺩ‪ .‬ﻳﺎ ﻣﻤﻜﻦ ﺍﺳﺖ ﺗﺼﻮﻳﺮ ﻧﻴﺎﺯ ﺑﻪ ﭼﺮﺧﻴﺪﻥ ﺩﺭ ﺟﻬﺎﺗﻲ ﺑﻪ ﻏﻴﺮ ﻣﻀﺎﺭﺏ ‪ ٩٠‬ﺩﺭﺟﻪ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻛﺎﺭﺑﺮﺩﻫﺎﻱ‬
‫ﺣﺴﮕﺮ ﺍﺯ ﺭﺍﻩ ﺩﻭﺭ ﻧﻴﺎﺯ ﺑﻪ ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﺗﺼﻮﻳﺮ ﺑﺮﺍﻱ ﺣﺬﻑ ﺍﻋﻮﺟﺎﺝ ﻫﺎﻱ ﺟﻮﻱ ﻳﺎ ﺁﺭﺗﻴﻔﻜﺖﻫﺎﻱ ﻧﺎﺷﻲ ﺍﺯ ﭼﺮﺧﺶ ﺯﻣﻴﻦ ﺩﺍﺭﻧﺪ‪.‬‬
‫‪4‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫ﺗﻐﻴﻴﺮ ﻧﺮﺥ‪ ،‬ﻫﻤﭽﻨﻴﻦ‪ ،‬ﻭﺳﻴﻠﻪ ﺍﻱ ﺑﺮﺍﻱ ﺑﻪ ﺩﺳﺖ ﺁﻭﺭﺩﻥ ﺛﺒﺖ ﺯﻳﺮ ﭘﻴﻜﺴﻠﻲ ﺭﺍ ﺍﺯ ﺗﺼﺎﻭﻳﺮ ﺣﺴﮕﺮﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺑﺎ ﺩﻧﺒﺎﻟﻪ ﺗﺼﺎﻭﻳﺮ ﺯﻣﺎﻧﻲ‪ ،‬ﻓﺮﺍﻫﻢ‬
‫ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ -3-1‬اﺻﻮل ﺗﻐﯿﯿﺮ ﻧﺮخ ﺗﺼﻮﯾﺮ‬
‫ﺩﺭ ﺁﺯﻣﺎﻳﺶ ‪ ،٢‬ﺍﺻﻮﻝ ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﻧﻤﻮﻧﻪ ﺑﺮﺩﺍﺭﻱ ﻳﻚ ﺳﻴﮕﻨﺎﻝ ﺻﺤﺒﺖ ﻳﺎ ﺻﺪﺍ ﻛﻪ ﻳﻚ ﺑﻌﺪﻱ ﺑﻮﺩ ﺭﺍ ﻳﺎﺩ ﮔﺮﻓﺘﻴﺪ‪ .‬ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﺗﺼﻮﻳﺮ‪ ،‬ﻳﻚ‬
‫ﻣﺴﺄﻟﻪ ﺗﺒﺪﻳﻞ ﻧﺮﺥ ﻧﻤﻮﻧﻪ ﺑﺮﺩﺍﺭﻱ ﺩﺭ ﺩﻭ ﺑﻌﺪ ﺍﺳﺖ‪ .‬ﺑﺰﺭﮒ ﻛﺮﺩﻥ ﺗﺼﻮﻳﺮ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ‪ up-sampling‬ﻭ ﻛﻮﭼﻚ ﻛﺮﺩﻥ ﺗﺼﻮﻳﺮ ﻣﺘﻨﺎﻇﺮ ﺑﺎ‬
‫‪ down-sampling‬ﺍﺳﺖ‪ .‬ﺑﻪ ﻳﺎﺩ ﺩﺍﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻛﻪ ﺩﺭ ﻳﻚ ﺑﻌﺪ‪ up-sampling ،‬ﺑﺎ ﻗﺮﺍﺭ ﺩﺍﺩﻥ ﺻﻔﺮ ﺑﻴﻦ ﻧﻤﻮﻧﻪ ﻫﺎﻱ ﻣﻌﻠﻮﻡ ﻭ ﺑﻪ ﻛﺎﺭﮔﻴﺮﻱ‬
‫ﻓﻴﻠﺘﺮ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﺮﺍﻱ ﺗﺨﻤﻴﻦ ﻧﻘﺎﻁ ﻧﺎﻣﻌﻠﻮﻡ ﺍﻧﺠﺎﻡ ﻣﻲ ﺷﺪ‪ .‬ﺑﺮﺍﻱ ‪ down-sampling‬ﺑﻪ ﻣﻨﻈﻮﺭ ﺍﺟﺘﻨﺎﺏ ﺍﺯ ﺍﻟﻴﺎﺳﻴﻨﮓ ﺑﺎﻳﺪ ﭘﻴﺶ ﻓﻴﻠﺘﺮ ﺑﺮ‬
‫ﺭﻭﻱ ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ ﺑﻪ ﻛﺎﺭ ﺑﺮﺩﻩ ﺷﻮﺩ ﺗﺎ ﻓﺮﻛﺎﻧﺲ ﻫﺎﻱ ﺑﺎﻻﺗﺮ ﺍﺯ ﻧﺼﻒ ﻧﺮﺥ ﻧﻤﻮﻧﻪ ﺑﺮﺩﺍﺭﻱ ﺟﺪﻳﺪ ﺭﺍ ﺣﺬﻑ ﻛﻨﺪ‪ .‬ﺍﻳﻦ ﺍﺻﻮﻝ ﺑﺮﺍﻱ ﺣﺎﻟﺖ‬
‫ﺩﻭﺑﻌﺪﻱ ﻫﻢ ﻛﺎﺭﺑﺮﺩ ﺩﺍﺭﺩ‪ .‬ﻣﻲ ﺗﻮﺍﻥ ﻣﺴﺘﻘﻴﻤﺎﹰ ﻳﻚ ﻓﻴﻠﺘﺮ ‪ ٢‬ﺑﻌﺪﻱ ﺑﻪ ﻛﺎﺭ ﺑﺮﺩ ﻳﺎ ﻣﻲ ﺗﻮﺍﻥ ﺍﺑﺘﺪﺍ ﻳﻚ ﻓﻴﻠﺘﺮ ﻳﻚ ﺑﻌﺪﻱ ﺑﺮ ﺭﻭﻱ ﺳﻄﺮﻫﺎ ﻭ ﺳﭙﺲ‬
‫ﺑﺮ ﺭﻭﻱ ﺳﺘﻮﻥ ﻫﺎ ﺑﻪ ﻛﺎﺭ ﺑﺮﺩ‪ .‬ﻣﻮﺭﺩ ﺍﺧﻴﺮ‪ ،‬ﭘﺮﺩﺍﺯﺵ ﻣﺠﺰﺍ ﻧﺎﻣﻴﺪﻩ ﻣﻲ ﺷﻮﺩ ﻛﻪ ﺍﺯ ﻧﻈﺮ ﻣﺤﺎﺳﺒﺎﺗﻲ ﺍﺯ ﭘﺮﺩﺍﺯﺵ ‪ ٢‬ﺑﻌﺪﻱ ﻣﺴﺘﻘﻴﻢ ﻛﺎﺭﺍﺗﺮ ﺍﺳﺖ‪.‬‬
‫ﻫﻤﺎﻥ ﻃﻮﺭ ﻛﻪ ﺩﺭ ﺁﺯﻣﺎﻳﺶ ‪ ٢‬ﻳﺎﺩ ﮔﺮﻓﺘﻴﺪ‪ ،‬ﭘﻴﺶ ﻓﻴﻠﺘﺮ ﻭ ﻓﻴﻠﺘﺮﻫﺎﻱ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﺎﻳﺪ ﻓﻴﻠﺘﺮﻫﺎﻱ ﭘﺎﻳﻴﻦ ﮔﺬﺭ ﺍﻳﺪﻩ ﺁﻝ ﺑﺎﺷﻨﺪ‪ .‬ﻣﺘﺄﺳﻔﺎﻧﻪ ﺍﻳﻦ ﻓﻴﻠﺘﺮﻫﺎ‬
‫ﻗﺎﺑﻞ ﺗﺤﻘﻖ ﻧﻴﺴﺘﻨﺪ ﺯﻳﺮﺍ ﻧﻤﻮﻧﻪ ﻫﺎﻱ ﻧﺎﻣﺤﺪﻭﺩﻱ ﺭﺍ ﺩﺭ ﺑﺮ ﻣﻲﮔﻴﺮﻧﺪ‪ .‬ﺩﺭ ﻋﻤﻞ ﻓﻴﻠﺘﺮﻫﺎﻱ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺑﺮﺍﻱ ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﺗﺼﻮﻳﺮ ﺑﺴﻴﺎﺭ ﺳﺎﺩﻩ ﺗﺮ‬
‫ﺍﺯ ﺭﺍﻩ ﺣﻞ ﻫﺎﻱ ﺗﺌﻮﺭﻱ ﻫﺴﺘﻨﺪ‪ .‬ﺩﺭ ﺍﺩﺍﻣﻪ ﺗﻌﺪﺍﺩﻱ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﺤﺒﻮﺏ ﺭﺍ ﺗﻮﺿﻴﺢ ﻣﻲ ﺩﻫﻴﻢ‪.‬‬
‫ﺑﻪ ﻃﻮﺭ ﻛﻠﻲ‪ ،‬ﻳﻚ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻘﺎﺩﻳﺮ ﺟﺪﻳﺪﻱ ﺭﺍ ﺑﺮ ﺍﺳﺎﺱ ﻣﺠﻤﻮﻋﻪ ﺍﻱ ﺍﺯ ﭘﻴﻜﺴﻞ ﻫﺎﻱ ﻭﺭﻭﺩﻱ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ‪ .‬ﺗﻌﺪﺍﺩ ﭘﻴﻜﺴﻞ ﻫﺎﻱ‬
‫ﻭﺭﻭﺩﻱ ﻭ ﺳﻬﻢ ﺁﻧﻬﺎ ﺩﺭ ﻣﻘﺪﺍﺭ ﭘﻴﻜﺴﻞ ﺟﺪﻳﺪ ﻓﻴﻠﺘﺮ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺭﺍ ﻣﻌﻴﻦ ﻣﻲ ﻛﻨﺪ‪ .‬ﻳﻚ ﻋﺎﻣﻞ ﺩﺭ ﺗﻌﻴﻴﻦ ﻓﻴﻠﺘﺮ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻨﺎﺳﺐ‪ ،‬ﻣﻘﺪﺍﺭ ﺯﻣﺎﻥ‬
‫ﻣﻮﺭﺩﻧﻴﺎﺯ ﺑﺮﺍﻱ ﺗﻮﻟﻴﺪ ﺧﺮﻭﺟﻲ ﺍﺳﺖ‪ .‬ﻫﺮ ﭼﻪ ﺗﺎﺑﻊ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺳﺎﺩﻩ ﺗﺮ‪ ،‬ﻣﻘﺪﺍﺭ ﺯﻣﺎﻥ ﻣﻮﺭﺩﻧﻴﺎﺯ ﺑﺮﺍﻱ ﺗﻮﻟﻴﺪ ﺧﺮﻭﺟﻲ ﻛﻢ ﺗﺮ ﺍﺳﺖ‪ .‬ﻫﺮ ﭼﻪ ﺗﺎﺑﻊ‬
‫ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﻪ ﺗﺎﺑﻊ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺍﻳﺪﻩ ﺁﻝ ﭘﻴﭽﻴﺪﻩ ﺗﺮ ﻣﻲ ﺷﻮﺩ ﺑﻪ ﺯﻣﺎﻥ ﭘﺮﺩﺍﺯﺵ ﺑﻴﺸﺘﺮﻱ ﻧﻴﺎﺯ ﺩﺍﺭﺩ‪ .‬ﺑﺮﺍﻱ ﺑﻴﺸﺘﺮ ﻛﺎﺭﺑﺮﺩﻫﺎ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﺎ ﺍﺳﭙﻼﻳﻦ‬
‫ﻣﻜﻌﺒﻲ ﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪ -3-2‬دروﻧﯿﺎﺑﯽ ﻧﺰدﯾﮑﺘﺮﯾﻦ ﻫﻤﺴﺎﯾﻪ )ﯾﺎ ﺗﮑﺮار ﭘﯿﮑﺴﻞ(‬
‫ﺩﺭ ﺍﻳﻦ ﺭﻭﺵ‪ ،‬ﭘﻴﻜﺴﻞ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺷﺪﻩ ﺟﺪﻳﺪ ﻣﻘﺪﺍﺭ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﭘﻴﻜﺴﻞ ﺍﺯ ﺗﺼﻮﻳﺮ ﻭﺭﻭﺩﻱ ﺭﺍ ﻣﻲﮔﻴﺮﺩﻭ ﺑﻪ ﺻﻮﺭﺕ ﺯﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮﺩ ﻛﻪ‬
‫‪ M‬ﻓﺎﻛﺘﻮﺭ ﺯﻭﻣﻴﻨﮓ ﻳﺎ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺍﺳﺖ )ﺷﻜﻞ ‪:(٤‬‬
‫ﺍﻳﻦ ﺭﻭﺵ ﺧﻴﻠﻲ ﺳﺎﺩﻩ ﺍﺳﺖ‪ .‬ﺍﮔﺮ ‪ M‬ﺑﺰﺭﮒ ﺑﺎﺷﺪ ﺗﺼﻮﻳﺮ ﺯﻭﻡ ﺷﺪﻩ ﺩﺍﺭﺍﻱ ﺍﺛﺮ ﺑﻠﻮﻛﻴﻨﮓ ﺷﺪﻳﺪ ﺍﺳﺖ‪.‬‬
‫ﺷﮑﻞ ‪ :4‬ﻋﻤﻞ دروﻧﯿﺎﺑﯽ‬
‫‪5‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫‪ -3-3‬دروﻧﯿﺎﺑﯽ ﺧﻄﯽ‬
‫ﺑﺎ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ‪ ،‬ﻣﻘﺪﺍﺭ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺷﺪﻩ ﺟﺪﻳﺪ‪ ،‬ﺟﻤﻊ ﻭﺯﻥ ﺩﺍﺭ ﭼﻬﺎﺭ ﻫﻤﺴﺎﻳﮕﻲ ﻛﻨﺎﺭﻱ ﭘﻴﻜﺴﻞ ﺍﺳﺖ‪ .‬ﻭﺯﻥ ﻫﺎ ﺑﻪ ﻃﻮﺭ ﻣﻌﻜﻮﺱ ﺑﺎ ﻓﺎﺻﻠﻪ ﺍﺯ‬
‫ﻣﻜﺎﻥ ﻫﺮ ﭘﻴﻜﺴﻞ ﻣﺘﻨﺎﺳﺐ ﻫﺴﺘﻨﺪ‪ .‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ‪ ،‬ﺗﺼﻮﻳﺮ ﺑﺴﻴﺎﺭ ﻫﻤﻮﺍﺭﺗﺮﻱ ﺍﺯ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﮕﻲ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ‪ .‬ﺍﮔﺮ ﭼﻪ ﻧﻴﺎﺯ‬
‫ﺑﻪ ﺯﻣﺎﻥ ﭘﺮﺩﺍﺯﺵ ﺑﻴﺸﺘﺮﻱ ﻧﺴﺒﺖ ﺑﻪ ﺭﻭﺵ ﻗﺒﻠﻲ ﺩﺍﺭﺩ‪ ،‬ﻛﻴﻔﻴﺖ ﻧﻬﺎﻳﻲ ﺗﺼﻮﻳﺮ ﺧﺮﻭﺟﻲ ﺑﻪ ﺷﺪﺕ ﺑﻬﺘﺮ ﻣﻲ ﺷﻮﺩ‪ .‬ﺍﺯ ﻧﻈﺮ ﺭﻳﺎﺿﻲ‪ ،‬ﺍﻟﮕﻮﺭﻳﺘﻢ‬
‫ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ ﺑﺎ ﻣﻌﺎﺩﻟﻪ ﺯﻳﺮ ﻧﺸﺎﻥ ﺩﺍﺩﻩ ﻣﻲ ﺷﻮﺩ )ﺷﻜﻞ ‪ ٤-b‬ﺭﺍ ﺑﺒﻴﻨﻴﺪ(‪.‬‬
‫ﺩﺭ ﻣﻌﺎﺩﻟﻪ ﺑﺎﻻ ‪ ٤‬ﺿﺮﺏ ﺑﺮﺍﻱ ﻫﺮ ﻧﻤﻮﻧﻪ ﻧﻴﺎﺯ ﺍﺳﺖ‪ .‬ﺑﺮﺍﻱ ﻛﺎﻫﺶ ﻣﺤﺎﺳﺒﺎﺕ‪ ،‬ﻣﻲ ﺗﻮﺍﻥ ﻫﻤﺎﻥ ﻣﺤﺎﺳﺒﺎﺕ ﺭﺍ ﺑﺎ ﻋﻤﻠﮕﺮﻫﺎﻱ ﺟﺪﺍﭘﺬﻳﺮ ﺍﻧﺠﺎﻡ ﺩﺍﺩ‪.‬‬
‫ﺩﺭ ﺍﺑﺘﺪﺍ‪ ،‬ﺑﺮﺍﻱ ﻫﺮ ﺭﺩﻳﻒ ﺩﺭ ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ ﺑﻪ ﺻﻮﺭﺕ ﺍﻓﻘﻲ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﺎ ﻓﺎﻛﺘﻮﺭ ‪ M‬ﺍﻧﺠﺎﻡ ﻣﻲﺷﻮﺩ‪:‬‬
‫ﺳﭙﺲ ﺑﺮﺍﻱ ﻫﺮ ﺭﺩﻳﻒ ﺩﺭ ﺗﺼﻮﻳﺮﺣﺎﺻﻞ ﺑﻪ ﺻﻮﺭﺕ ﻋﻤﻮﺩﻱ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﺎ ﻓﺎﻛﺘﻮﺭ ‪ M‬ﺍﻧﺠﺎﻡ ﻣﻲﺷﻮﺩ‪:‬‬
‫ﺷﻤﺎ ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ ﻛﻪ ﭼﻨﺪ ﻋﻤﻞ ﺑﺮﺍﻱ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻳﻚ ﺗﺼﻮﻳﺮ ﺑﺎ ﺭﻭﺵ ﻣﺴﺘﻘﻴﻢ ﻳﺎ ﺟﺪﺍﭘﺬﻳﺮ ﻧﻴﺎﺯ ﺍﺳﺖ‪.‬‬
‫‪ -3-4‬دروﻧﯿﺎﺑﯽ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ‬
‫ﺑﺎ ﺍﻳﻦ ﺭﻭﺵ‪ ،‬ﻣﻘﺪﺍﺭ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺷﺪﻩ ﺍﺯ ﻳﻚ ﭘﻨﺠﺮﻩ ‪ ٤×٤‬ﺩﺭ ﺗﺼﻮﻳﺮ ﻭﺭﻭﺩﻱ ﺑﻪ ﺑﺪﺳﺖ ﻣﻲ ﺁﻳﺪ‪ .‬ﻧﺘﻴﺠﺘﺎﹰ‪ ،‬ﺗﺼﻮﻳﺮ ﺧﺮﻭﺟﻲ ﭘﻴﻮﺳﺘﻪ ﺗﺮ ﻭ‬
‫ﻫﻤﻮﺍﺭﺗﺮ ﺍﺳﺖ‪ .‬ﺧﻮﺷﺒﺨﺘﺎﻧﻪ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻜﻌﺒﻲ ﻳﻚ ﺗﺎﺑﻊ ﺟﺪﺍﭘﺬﻳﺮ ﺍﺳﺖ ﺑﻨﺎﺑﺮﺍﻳﻦ ﻳﻚ ﺗﺎﺑﻊ ﻳﻚ ﺑﻌﺪﻱ ﻣﻲ ﺗﻮﺍﻧﺪ ﭘﺸﺖ ﺳﺮ ﻫﻢ ﺩﺭ ﺩﻭ ﺟﻬﺖ‬
‫ﻋﻤﻮﺩﻱ ﻭ ﺍﻓﻘﻲ ﺑﻪ ﻛﺎﺭ ﺑﺮﻭﺩ‪ .‬ﻓﺮﻣﻮﻝ ﺯﻳﺮ ﻓﻴﻠﺘﺮ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻜﻌﺒﻲ ﺩﻭﺑﻌﺪﻱ ﺭﺍ ﺷﺮﺡ ﻣﻲ ﺩﻫﺪ‪ .‬ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ ﺍﻳﻦ ﻛﺎﺭ ﺩﺭ ﺩﻭ ﻣﺮﺣﻠﻪ ﺍﻧﺠﺎﻡ ﻣﻲ‬
‫ﺷﻮﺩ‪ ،‬ﺩﺭ ﺍﺑﺘﺪﺍ ﺟﻬﺖ ‪ x‬ﻭ ﺳﭙﺲ ﺟﻬﺖ ‪. y‬‬
‫‪ -3-5‬ﻣﻘﺎﯾﺴﻪ روش ﻫﺎي ﻣﺨﺘﻠﻒ دروﻧﯿﺎﺑﯽ ﺑﺎ اﺳﺘﻔﺎده از ‪MATLAB‬‬
‫ﺟﻌﺒﻪ ﺍﺑﺰﺍﺭ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ‪ MATLAB‬ﺳﻪ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺭﺍ ﻣﻬﻴﺎ ﻣﻲ ﻛﻨﺪ‪:‬‬
‫·‬
‫ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ‬
‫·‬
‫ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ‬
‫·‬
‫ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻜﻌﺒﻲ‬
‫ﻫﻤﺎﻥ ﻃﻮﺭ ﻛﻪ ﻗﺒﻼﹰ ﺑﺤﺚ ﻛﺮﺩﻳﻢ‪ ،‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﮕﻲ ﻳﻚ ﺳﻄﺢ ﺛﺎﺑﺖ ﻗﻄﻌﻪ ﺍﻱ ﺭﺍ ﺑﻴﻦ ﻣﻘﺎﺩﻳﺮ ﭘﻴﻜﺴﻞ ﻫﺎ ﺟﺎﻱ ﻣﻲ ﺩﻫﺪ‪ .‬ﻣﻘﺪﺍﺭ‬
‫ﭘﻴﻜﺴﻞ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺷﺪﻩ‪ ،‬ﻫﻤﺎﻥ ﻣﻘﺪﺍﺭ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﭘﻴﻜﺴﻞ ﺍﺳﺖ‪ .‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ ﻳﻚ ﺳﻄﺢ ﺧﻄﻲ ﺭﺍ ﺑﻴﻦ ﻣﻘﺎﺩﻳﺮ ﭘﻴﻜﺴﻞ ﻣﻮﺟﻮﺩ ﺟﺎﻱ‬
‫ﻣﻲﺩﻫﺪ‪ .‬ﺍﻳﻦ ﺩﺭﻭﻧﻴﺎﺑﻲ‪ ،‬ﻗﻄﻌﻪ ﺍﻱ ﺧﻄﻲ ﺍﺳﺖ ﻭ ﺳﺮﻳﻌﺘﺮ ﺍﺯ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻜﻌﺒﻲ ﺍﺳﺖ‪ .‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻜﻌﺒﻲ‪ ،‬ﻳﻚ ﺳﻄﺢ ﻣﻜﻌﺒﻲ ﺭﺍ ﺑﻴﻦ ﻣﻘﺎﺩﻳﺮ‬
‫ﻣﻮﺟﻮﺩ ﺟﺎﻱ ﻣﻲ ﺩﻫﺪ‪ .‬ﻣﻘﺪﺍﺭ ﭘﻴﻜﺴﻞ ﺟﺪﻳﺪ ﺍﺯ ﺭﻭﻱ ‪ ١٦‬ﻫﻤﺴﺎﻳﮕﻲ ﺁﻥ ﺑﻪ ﺩﺳﺖ ﻣﻲ ﺁﻳﺪ‪ .‬ﺍﻳﻦ ﺭﻭﺵ ﻗﻄﻌﻪ ﺍﻱ ﻣﻜﻌﺒﻲ ﺍﺳﺖ ﻭ ﺳﻄﺤﻲ‬
‫ﺑﺴﻴﺎﺭ ﻫﻤﻮﺍﺭﺗﺮ ﺍﺯ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ ﺍﻳﺠﺎﺩ ﻣﻲ ﻛﻨﺪ‪ .‬ﺷﻜﻞ ‪ ٥‬ﺍﻳﻦ ﺳﻪ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺭﺍ ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﺪ ﺍﻳﻦ ﺷﻜﻞ ﺑﺎ ﺩﺳﺘﻮﺭﺍﺕ‬
‫‪ MATLAB‬ﺯﻳﺮ ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﻮﺩ‪:‬‬
‫‪6‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﻳﻚ ﺭﻭﺵ ﺑﺎ ﺍﺭﺯﺵ ﺩﺭ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ﺍﺳﺖ‪ .‬ﻛﺎﺭﺍﻳﻲ ﺁﻥ ﺑﺎ ﺗﺎﺑﻊ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮﺩ‪ .‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ‬
‫ﻫﻤﺴﺎﻳﮕﻲ ﺧﺼﻮﺻﺎﹰ ﺑﺮﺍﻱ ﺗﺼﺎﻭﻳﺮ ﺩﻭﺩﻭﻳﻲ ﺑﻪ ﺧﺎﻃﺮ ﻋﺪﻡ ﻭﺟﻮﺩ ﺳﻄﻮﺡ ﻣﻴﺎﻧﻲ ﻣﻨﺎﺳﺐ ﺍﺳﺖ‪ .‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ ﺳﺮﻳﻊ ﻭ ﺑﺎ ﻧﺘﺎﻳﺞ ﺧﻮﺏ‬
‫ﺍﺳﺖ‪ .‬ﺩﺭﻭﻧﻴﺎﺑﻲ ﺍﺳﭙﻼﻳﻦ ﻣﻜﻌﺒﻲ ﺑﻬﺘﺮﻳﻦ ﺍﺳﺖ ﻭﻟﻲ ﺯﻣﺎﻥ ﻣﻮﺭﺩﻧﻴﺎﺯ ﺁﻥ ﺩﺭ ﺻﻮﺭﺕ ﺑﺰﺭﮒ ﺑﻮﺩﻥ ﺗﺼﻮﻳﺮ‪ ،‬ﺯﻳﺎﺩ ﺍﺳﺖ‪ .‬ﺍﻧﺘﺨﺎﺏ ﻣﻨﺎﺳﺐ ﺑﻪ‬
‫ﻛﺎﺭﺑﺮﺩ ﻣﻮﺭﺩﻧﻈﺮ ﻭﺍﺑﺴﺘﻪ ﺍﺳﺖ‪.‬‬
‫ﺷﮑﻞ ‪ :5‬ﻣﻘﺎﯾﺴﻪ ﻣﺘﺪ ﻫﺎي ﻣﺨﺘﻠﻒ دروﻧﯿﺎﺑﯽ‬
‫‪ -4‬آزﻣﺎﯾﺶ ﻫﺎ‬
‫‪ -4-1‬ﺑﻬﺒﻮد ﺗﺼﻮﯾﺮ ﺑﺎ اﺳﺘﻔﺎه از ﺑﺮﻧﺎﻣﻪ ﻫﺎي دﻣﻮي ‪MATLAB‬‬
‫‪ -١‬ﺑﺎ ﺑﺮﻧﺎﻣﻪ ‪ image demo‬ﺑﺎﺯﻱ ﻛﻨﻴﺪ‪ .‬ﺗﺄﺛﻴﺮ ﺍﺑﺰﺍﺭ ﻣﺨﺘﻠﻒ ﺑﻬﺒﻮﺩ ﻛﺎﻧﺘﺮﺍﺳﺖ ﺭﺍ ﻣﺸﺎﻫﺪﻩ ﻛﻨﻴﺪ )ﺑﺮﺍﻱ ﺩﻭ ﺗﺼﻮﻳﺮ ﻣﺨﺘﻠﻒ(‪ .‬ﺑﺮﺍﻱ ﻫﺮ‬
‫ﺗﺼﻮﻳﺮ ﺭﻭﺵ ﺑﻬﺒﻮﺩ ﺭﺍ ﻣﻌﻴﻦ ﻛﻨﻴﺪ‪) .‬ﺑﺮﺍﻱ ﺗﻨﻈﻴﻢ ﻣﻘﺎﺩﻳﺮ‪ ،‬ﻧﻴﺎﺯ ﺑﻪ ﭘﻴﺪﺍ ﻛﺮﺩﻥ ﺑﻬﺘﺮﻳﻦ ﺗﻨﺎﻇﺮ ﺑﻪ ﻭﺳﻴﻠﻪ ﺳﻌﻲ ﻭ ﺧﻄﺎ ﺩﺍﺭﻳﺪ(‪ .‬ﺩﺭ ﮔﺰﺍﺭﺷﺘﺎﻥ‪ ،‬ﻧﺘﺎﻳﺞ‬
‫‪7‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫ﺑﻬﺘﺮﻳﻦ ﺭﻭﺵ ﺑﺮﺍﻱ ﻫﺮ ﺗﺼﻮﻳﺮ ﺭﺍ ﺍﺭﺍﺋﻪ ﺩﻫﻴﺪ‪ .‬ﻣﺸﺎﻫﺪﺍﺕ ﺧﻮﺩ ﺭﺍ ﺍﺯ ﻧﻘﺎﻁ ﻣﺜﺒﺖ ﻭ ﻣﻨﻔﻲ ﺭﻭﺵﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺍﺭﺍﺋﻪ ﺩﻫﻴﺪ‪ .‬ﺗﻮﺟﻪ ﻭﻳﮋﻩ ﺑﻪ‬
‫ﺗﻐﻴﻴﺮﺍﺕ ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﺑﻜﻨﻴﺪ‪.‬‬
‫‪ -٢‬ﺑﺎ ﺑﺮﻧﺎﻣﻪ ‪ nfiltdemo‬ﺑﺎﺯﻱ ﻛﻨﻴﺪ‪ .‬ﺗﺄﺛﻴﺮ ﺍﺑﺰﺍﺭﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺣﺬﻑ ﻧﻮﻳﺰ ﺑﺮﺍﻱ ﻫﺮ ﻳﻚ ﺍﺯ ﺳﻪ ﻧﻮﻉ ﻧﻮﻳﺰ )ﻛﻪ ﺑﺎ ﻣﻘﺎﺩﻳﺮ ﭘﻴﺶ ﻓﺮﺽ ﻳﺎ‬
‫ﻣﻘﺎﺩﻳﺮ ﺍﻧﺘﺨﺎﺑﻲ ﺷﻤﺎ ﺗﻮﻟﻴﺪ ﺷﺪﻩﺍﻧﺪ( ﺭﺍ ﺑﺮﺭﺳﻲ ﻛﻨﻴﺪ‪ .‬ﺑﺮﺍﻱ ﻫﺮ ﻧﻮﻉ ﻧﻮﻳﺰ‪ ،‬ﺭﻭﺷﻲ ﻛﻪ ﺑﻬﺘﺮﻳﻦ ﻧﺘﻴﺠﻪ ﺭﺍ ﻣﻲ ﺩﻫﺪ ﻳﺎﺩﺩﺍﺷﺖ ﻛﻨﻴﺪ‪ .‬ﻫﺮ ﻣﺸﺎﻫﺪﻩ‬
‫ﺍﻱ ﺍﺯ ﻣﺰﺍﻳﺎ ﻭ ﻣﻌﺎﻳﺐ ﺭﻭﺵ ﻫﺎ ﺭﺍ ﺑﻨﻮﻳﺴﻴﺪ‪.‬‬
‫ﺑﺎ ﻃﺮﺍﺣﯽ ﻳﮏ ﻓﻴﻠﺘﺮ)ﭘﺎﻳﻴﻦ ﮔﺬﺭ ﻳﺎ ﻣﺘﻮﺳﻂ ﮔﻴﺮ( ﺳﺎﺩﻩ ﻧﻮﻳﺰ ﺗﺼﺎﻭﻳﺮ ﺭﺍ ﮐﺎﻫﺶ ﺩﻫﻴﺪ‪ ).‬ﺑﺮﺍﯼ ﻣﺜﺎﻝ ﺗﺼﺎﻭﻳﺮ ﺷﻔﺎﻑ ﺗﺮ ﻭ ﺗﻴﺮﻩ ﺗﺮ ﺑﺪﺳﺖ‬
‫ﺁﻭﺭﻳﺪ‪(.‬‬
‫‪ -٣‬ﺑﺎ ﺑﺮﻧﺎﻣﻪ ‪ edgedemo‬ﺑﺎﺯﻱ ﻛﻨﻴﺪ‪ .‬ﺗﺄﺛﻴﺮ ﺍﺑﺰﺍﺭ ﻣﺨﺘﻠﻒ ﺁﺷﻜﺎﺭﺳﺎﺯﻱ ﻟﺒﻪ ﺭﺍ ﺑﺮﺭﺳﻲ ﻛﻨﻴﺪ‪ .‬ﺑﺮﺍﻱ ﻫﺮ ﺗﺼﻮﻳﺮ ﺭﻭﺷﻲ ﻛﻪ ﺑﻬﺘﺮﻳﻦ ﻧﺘﻴﺠﻪ ﺭﺍ‬
‫ﻣﻲ ﺩﻫﺪ ﻳﺎﺩﺩﺍﺷﺖ ﻛﻨﻴﺪ‪ .‬ﺑﺎ ﺑﺮﺭﺳﯽ ﺗﺠﺮﺑﯽ ﭘﺎﺭﺍﻣﺘﺮ ﻫﺎ‪ ،‬ﺩﺭ ﻫﺮ ﻣﺘﺪ ﻣﻘﺪﺍﺭ ﺁﺳﺘﺎﻧﻪ)‪ (T‬ﺍﺗﻮﻣﺎﺗﻴﮏ ﺭﺍ ﺣﺪﺱ ﺑﺰﻧﻴﺪ‪ .‬ﻣﻘﺎﺩﻳﺮ ﺁﺳﺘﺎﻧﻪ ﺭﺍ ﺑﺮﺍﯼ ﺍﺷﮑﺎﺭ‬
‫ﺳﺎﺯﯼ ﻟﺒﻪ ﻫﺎﯼ ﻗﻮﯼ ﻭ ﺿﻌﻴﻒ ﺗﺼﺎﻭﻳﺮ ﻣﻘﺎﻳﺴﻪ ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫ﻣﺸﺎﻫﺪﺍﺕ ﺧﻮﺩ ﺍﺯ ﻣﺰﺍﻳﺎ ﻭ ﻣﻌﺎﻳﺐ ﺭﻭﺵ ﻫﺎ ﺭﺍ ﺑﻨﻮﻳﺴﻴﺪ‪.‬‬
‫ﺩﺭ ﻫﺮ ﻛﺎﺭﻱ‪ ،‬ﺍﮔﺮ ﻧﻤﻲ ﺩﺍﻧﻴﺪ ﻳﻚ ﭘﺮﺩﺍﺯﺵ ﺧﺎﺹ ﭼﮕﻮﻧﻪ ﺍﻧﺠﺎﻡ ﻣﻴﺸﻮﺩ ﺍﺯ ﻛﻤﻚ ‪ MATLAB‬ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ ﻭ ﺷﺮﺡ ﺟﺰﻳﻴﺎﺕ ﺗﺎﺑﻊ ﺻﺪﺍ‬
‫ﺷﺪﻩ ﺭﺍ ﻓﺮﺍ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫‪ -4-2‬درﺑﺎره اﺑﺰار ﮔﺮاﻓﯿﮑﯽ ‪ MATLAB‬ﺑﺮاي ﭘﺮدازش ﺗﺼﻮﯾﺮ ﯾﺎد ﺑﮕﯿﺮﯾﺪ‬
‫‪ -4-2-1‬ﭘﯿﺪا ﮐﺮدن ﺗﻮاﺑﻊ ‪ MATLAB‬ﺑﺮاي ﭘﺮدازش ﺗﺼﻮﯾﺮ‬
‫ﺑﺮﺍﻱ ﺍﻳﻨﻜﻪ ﻣﻄﻤﺌﻦ ﺷﻮﻳﺪ ﺟﻌﺒﻪ ﺍﺑﺰﺍﺭ ﭘﺮﺩﺍﺯﺵ ‪ Image Processing‬ﻗﺒﻼﹰ ﺑﺮ ﺭﻭﻱ ﺳﻴﺴﺘﻢ ﺷﻤﺎ ﻧﺼﺐ ﺷﺪﻩ ﺍﺳﺖ ﻭ ﺗﻤﺎﻡ ﺗﻮﺍﺑﻊ ﺗﻮﺳﻂ‬
‫ﺟﻌﺒﻪ ﺍﺑﺰﺍﺭ ﻓﺮﺍﻫﻢ ﺷﺪﻩ ﺍﺳﺖ‪ ،‬ﺗﺎﻳﭗ ﻛﻨﻴﺪ‪:‬‬
‫ﺍﮔﺮ ﺟﻌﺒﻪ ﺍﺑﺰﺍﺭ ﻧﺼﺐ ﺷﺪﻩ ﺑﺎﺷﺪ ‪ MATLAB‬ﻟﻴﺴﺖ ﺗﻮﺍﺑﻊ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ﺭﺍ ﻧﺸﺎﻥ ﻣﻲ ﺩﻫﺪ‪.‬‬
‫‪ -4-2-2‬ورود و ﺧﺮوج ﺗﺼﺎوﯾﺮ‬
‫ﻗﺒﻞ ﺍﺯ ﺟﻠﻮ ﺭﻓﺘﻦ ﺩﺭ ﻫﺮ ﻋﻤﻠﻴﺎﺕ ﭘﺮﺩﺍﺯﺵ ﺗﺼﻮﻳﺮ ﻧﻴﺎﺯ ﺑﻪ ﺑﺤﺚ ﺩﺭ ﻣﻮﺭﺩ ﻓﺮﺍﻳﻨﺪ ﻭﺭﻭﺩ ﻭ ﺧﺮﻭﺝ ﺗﺼﺎﻭﻳﺮ ﺑﻪ ﻣﺤﻴﻂ ‪ MATLAB‬ﺩﺍﺭﻳﻢ‪.‬‬
‫‪ MATLAB‬ﻓﺮﻣﺖ ﻫﺎﻱ ﻣﺘﻌﺪﺩﻱ ﺭﺍ ﭘﺸﺘﻴﺒﺎﻧﻲ ﻣﻲ ﻛﻨﺪ ﺷﺎﻣﻞ )‪ BMP ،TIFF ،JPEG (JPG‬ﻭ ﻏﻴﺮﻩ‪ .‬ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﺍﺯ ‪ imread‬ﺑﺮﺍﻱ‬
‫ﺧﻮﺍﻧﺪﻥ ﻫﺮ ﻓﺎﻳﻞ ﺗﺼﻮﻳﺮﻱ ﺑﺎ ﻓﺮﻣﺖ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺷﺪﻩ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪ .‬ﺍﺯ ‪ help imread‬ﺑﺮﺍﻱ ﭘﻴﺪﺍ ﻛﺮﺩﻥ ﺟﺰﻳﻴﺎﺕ ﺑﻴﺸﺘﺮ ﻛﻤﻚ ﺑﮕﻴﺮﻳﺪ‪.‬‬
‫ﺑﺮﺍﻱ ﺧﻮﺍﻧﺪﻥ ﺗﺼﺎﻭﻳﺮ ﺳﻴﺎﻩ ﺳﻔﻴﺪ ﻳﺎ ﺭﻧﮕﻲ ﺩﺍﺭﺍﻱ ﻳﻜﻲ ﺍﺯ ﻓﺮﻣﺖ ﻫﺎﻱ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺷﺪﻩ ﺍﺯ‬
‫ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ ﻛﻪ ﺩﺍﺩﻩ ﻫﺎﻱ ﺗﺼﻮﻳﺮ ﺩﺭ ‪ FILENAME‬ﺭﺍ ﺩﺍﺧﻞ ﻣﺎﺗﺮﻳﺲ ‪ A‬ﻣﻲ ﺧﻮﺍﻧﺪ‪ .‬ﺍﮔﺮ ﻓﺎﻳﻞ ﺗﺼﻮﻳﺮ ﺣﺎﻭﻱ ﺗﺼﻮﻳﺮ ﺳﻴﺎﻩ ﺳﻔﻴﺪ ﺑﺎﺷﺪ‪،‬‬
‫‪ A‬ﻳﻚ ﻣﺎﺗﺮﻳﺲ ‪ ٢‬ﺑﻌﺪﻱ ﻣﻲ ﺷﻮﺩ‪ .‬ﺍﮔﺮ ﻓﺎﻳﻞ ﺣﺎﻭﻱ ﺗﺼﻮﻳﺮ ﺭﻧﮕﻲ ‪ RGB‬ﺑﺎﺷﺪ‪ ،‬ﻣﺎﺗﺮﻳﺲ ‪ A‬ﺳﻪ ﺑﻌﺪﻱ ﺧﻮﺍﻫﺪ ﺑﻮﺩ‪.‬‬
‫ﺑﻪ ﻋﻨﻮﺍﻥ ﻣﺜﺎﻝ ﺍﮔﺮ ﺷﻤﺎ ﻳﻚ ﺗﺼﻮﻳﺮ ﺭﻧﮕﻲ ﺑﺎ ﻓﺮﻣﺖ ‪ JPEG‬ﺑﺎ ﻧﺎﻡ ‪ image.jpg‬ﺑﺎ ﺳﺎﻳﺰ ‪ M×N‬ﺩﺍﺭﻳﺪ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ‬
‫ﻳﻚ ﻣﺎﺗﺮﻳﺲ ‪ M×N×٣‬ﺑﺎ ﻧﺎﻡ ‪ A‬ﻛﻪ) ‪ A (١:M , ١:N , ١‬ﻣﻮﻟﻔﻪ ﻗﺮﻣﺰ ) ‪ A (١:M , ١:N , 2‬ﻣﻮﻟﻔﻪ ﺳﺒﺰ ) ‪ A (١:M , ١:N , 3‬ﻣﻮﻟﻔﻪ‬
‫ﺁﺑﻲ ﺭﺍ ﺫﺧﻴﺮﻩ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﺍﮔﺮ ﺗﺼﻮﻳﺮ ﺩﺭ ﻓﺮﻣﺖ ‪ indexed‬ﺍﺳﺖ ﺍﺯ ﺩﺳﺘﻮﺭ ﺯﻳﺮ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪:‬‬
‫‪ A‬ﻣﻘﺎﺩﻳﺮ ﺗﺼﻮﻳﺮ ﻭ ‪ MAP‬ﻧﻘﺸﻪ ﺭﻧﮓ ﺭﺍ ﺫﺧﻴﺮﻩ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪8‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫ﺗﺎﺑﻊ ’‪ ‘imwrite‬ﺍﺟﺎﺯﻩ ﺫﺧﻴﺮﻩ ﻳﻚ ﻣﺎﺗﺮﻳﺲ ﺩﺍﺭ‪ ،‬ﺩﺭ ﻓﺎﻳﻠﻲ ﺑﺎ ﻓﺮﻣﺖ ﻣﺸﺨﺺ ﺭﺍ ﻣﻲ ﺩﻫﺪ‪ .‬ﻣﺜﻼﹰ‪:‬‬
‫ﺩﺍﺩﻩ ﺗﺼﻮﻳﺮ ‪ A‬ﺭﺍ ﺩﺭ ﻓﺎﻳﻞ ’‪ ‘outimg.jpg‬ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻓﺮﻣﺖ ﻓﺸﺮﺩﻩ ﺳﺎﺯﻱ ‪ JPEG‬ﺫﺧﻴﺮﻩ ﻣﻲﻛﻨﺪ‪ .‬ﺍﺯ ’‪ ‘help imwrite‬ﺑﺮﺍﻱ‬
‫ﺟﺰﻳﻴﺎﺕ ﺑﻴﺸﺘﺮ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪.‬‬
‫ﺩﺭ ﻳﮏ ﺑﺮﻧﺎﻣﻪ ‪ Matlab‬ﺗﺼﺎﻭﻳﺮ ﻣﺨﺘﻠﻔﯽ)‪ (BMP, TIIF, JPG‬ﺍﻧﺘﺨﺎﺏ ﮐﺮﺩﻩ ﻭ ﻧﻤﺎﻳﺶ ﺩﻫﻴﺪ‪ .‬ﮐﺪ ﺷﻤﺎ ﺑﺎﻳﺴﺘﯽ ﻗﺎﺑﻠﻴﺖ ﺗﻐﻴﻴﺮﻓﺮﻣﺖ‬
‫ﺗﺼﻮﻳﺮ ﻭﺭﻭﺩﯼ ﻳﺎ ﺧﺮﻭﺟﯽ ﺭﺍ ﺩﺍﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫‪ -4-2-3‬ﻧﻤﺎﯾﺶ ﺗﺼﻮﯾﺮ‬
‫ﺗﺎﺑﻊ ‪ imshow‬ﻫﺮ ﺗﺼﻮﻳﺮ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺷﺪﻩ ﺭﺍ ﻧﻤﺎﻳﺶ ﻣﻲ ﺩﻫﺪ‪ .‬ﺑﺮﺍﻱ ﺗﺼﺎﻭﻳﺮ ‪ imshow ،indexed‬ﺗﺼﻮﻳﺮ ﺭﺍ ﺩﺭ ﻣﺤﻮﺭﻫﺎﻱ ﺣﺎﺿﺮ ﺑﺎ‬
‫ﻧﻘﺸﻪ ﺭﻧﮓ ﻣﺸﺨﺺ ﺷﺪﻩ ﻧﺼﺐ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺪﻭﻥ ﻧﺎﻡ ‪ imshow ،colormap‬ﺍﺯ ‪ colormap‬ﺣﺎﺿﺮ ﺍﺳﺘﻔﺎﺩﻩ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺮﺍﻱ ﻛﺎﺭﺑﺮﺩ ﺍﻧﺘﺸﺎﺭ‬
‫‪ web‬ﻣﻌﻤﻮ ﹰﻻ ﺑﺎ ﺗﺼﺎﻭﻳﺮ ﺭﻧﮕﻲ ‪ indexed‬ﻛﺎﺭ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫ﺗﺼﺎﻭﻳﺮ ﻣﺨﺘﻠﻔﻲ ﺑﺎ ﻗﺎﻟﺒﻬﺎﻱ ‪ BMP ،TIFF‬ﻭ ‪ JPG‬ﺭﺍ ﺍﻧﺘﺨﺎﺏ ﻛﻨﻴﺪ‪ .‬ﺍﻳﻦ ﺗﺼﺎﻭﻳﺮ ﺭﺍ ﺩﺭ ﻣﺤﻴﻂ ‪ MATLAB‬ﺑﺨﻮﺍﻧﻴﺪ‪ ،‬ﻧﻤﺎﻳﺶ ﺩﻫﻴﺪ ﻭ‬
‫ﺑﻨﻮﻳﺴﻴﺪ‪ ،‬ﺗﺎ ﺑﺎ ﻓﺮﺁﻳﻨﺪ ﺁﺷﻨﺎ ﺷﻮﻳﺪ‪.‬‬
‫‪ -4-3‬ﺗﻐﯿﯿﺮ ﻧﺮخ ﺗﺼﻮﯾﺮ ﺑﺎ ‪MATLAB‬‬
‫ﺻﺪﺍ ﻛﺮﺩﻥ ﺗﺎﺑﻊ‬
‫ﺗﺼﻮﻳﺮ ‪ M‬ﺑﺮﺍﺑﺮ ﺷﺪﻩ )ﺑﺰﺭﮔﺘﺮ ﻳﺎ ﻛﻮﭼﻜﺘﺮ( ﺗﺼﻮﻳﺮ ‪ A‬ﺭﺍ ﺩﺭ ‪ B‬ﻣﻲ ﺩﻫﺪ‪ .‬ﺗﺼﻮﻳﺮ ‪ B‬ﺑﺎ ﺭﻭﺵ ﻫﺎﻱ ﻣﺸﺨﺺ ﺷﺪﻩ ﺩﺭ ﺭﺷﺘﻪ \‪ \method‬ﺑﻪ‬
‫ﺩﺳﺖ ﻣﻲ ﺁﻳﺪ‪:‬‬
‫ﺻﺪﺍ ﻛﺮﺩﻥ ﺗﺎﺑﻊ‬
‫ﻣﺎﺗﺮﻳﺲ ﺑﺎ ﺍﻧﺪﺍﺯﻩ ‪ MROWS×NCLOS‬ﻣﻲ ﺩﻫﺪ‪.‬‬
‫ﺍﮔﺮ ‪ A‬ﻳﻚ ﺗﺼﻮﻳﺮ ﺳﻴﺎﻩ ﺳﻔﻴﺪ ﺑﺎﺷﺪ‪ ،‬ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﺑﺮ ﺭﻭﻱ ﻣﺎﺗﺮﻳﺲ ﺩﻭﺑﻌﺪﻱ ﻣﻮﺟﻮﺩ ﺩﺭ ‪ A‬ﺍﻧﺠﺎﻡ ﻣﻲﺷﻮﺩ‪ .‬ﺍﮔﺮ ‪ A‬ﺭﻧﮕﻲ ﺑﺎﺷﺪ‪ ،‬ﻫﻤﺎﻥ‬
‫ﻋﻤﻠﻴﺎﺕ ﺑﺮ ﺭﻭﻱ ﺗﻤﺎﻡ ﻣﻮﻟﻔﻪ ﻫﺎﻱ ﺭﻧﮓ ‪ A‬ﺍﻧﺠﺎﻡ ﻣﻲ ﺷﻮﺩ‪.‬‬
‫ﺣﺎﻝ ﻧﻮﺑﺖ ﺷﻤﺎﺳﺖ ﻛﻪ ﺁﺯﻣﺎﻳﺶ ﺗﻐﻴﻴﺮ ﻧﺮﺥ ﺭﺍ ﺍﻧﺠﺎﻡ ﺩﻫﻴﺪ‪ .‬ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﻫﺮ ﺗﺼﻮﻳﺮ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺷﺪﻩ ﺗﻮﺳﻂ ‪ Matlab‬ﺗﺎ ﻳﻚ ﺗﺼﻮﻳﺮ ﺳﻴﺎﻩ ﺳﻔﻴﺪ‬
‫ﺩﺭ ﻓﺮﻣﺖ ‪ raw‬ﺭﺍ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪.‬‬
‫‪ -١‬ﺑﺎ ﻓﺎﻛﺘﻮﺭ ‪ ٢‬ﺑﺪﻭﻥ ﭘﻴﺶ ﻓﻴﻠﺘﺮ ﻧﺮﺥ ﺭﺍ ﻛﻢ ﻛﻨﻴﺪ ﻭ ﺳﭙﺲ ﺑﺎ ﻓﺎﻛﺘﻮﺭ ‪ ٢‬ﺁﻧﺮﺍ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺳﻪ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺑﺰﺭﮒ ﻛﻨﻴﺪ‪ ،‬ﺑﻪ ﺭﻭﺵ ﺯﻳﺮ ﺟﻠﻮ‬
‫ﺑﺮﻭﻳﺪ‪.‬‬
‫‪9‬‬
‫·‬
‫ﺗﺼﻮﻳﺮ ﺭﺍ ﺑﺨﻮﺍﻧﻴﺪ‪.‬‬
‫·‬
‫ﺗﺼﻮﻳﺮ ﺭﺍ ﺑﺎ ﻓﺎﻛﺘﻮﺭ ‪ ٢‬ﺩﺭ ﻫﺮ ﺩﻭ ﺟﻬﺖ ﺍﻓﻘﻲ ﻭ ﻋﻤﻮﺩﻱ ﺑﺪﻭﻥ ﻓﻴﻠﺘﺮ ﻛﻮﭼﻚ ﻛﻨﻴﺪ‪.‬‬
‫·‬
‫ﺗﺼﻮﻳﺮ ﺣﺎﺻﻞ ﺭﺍ ﺑﺎ ﻓﺎﻛﺘﻮﺭ ‪ ٢‬ﺑﺰﺭﮒ ﻛﻨﻴﺪ‪ ،‬ﺍﺯ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻧﺰﺩﻳﻜﺘﺮﻳﻦ ﻫﻤﺴﺎﻳﻪ ﻧﻴﺰ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪.‬‬
‫·‬
‫ﺗﺼﻮﻳﺮ ﺣﺎﺻﻞ ﺭﺍ ﺩﺭ ﻳﻚ ﻓﺎﻳﻞ ﺫﺧﻴﺮﻩ ﻛﻨﻴﺪ‪.‬‬
‫·‬
‫ﺍﺧﺘﻼﻑ ﺑﻴﻦ ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ ﻭ ﺗﺼﻮﻳﺮ ﭘﺲ ﺍﺯ ﻛﻮﭼﻚ ﻭ ﺑﺰﺭﮒ ﺷﺪﻥ ﺭﺍ ﭘﻴﺪﺍ ﻛﻨﻴﺪ ﻭ ﺗﺼﻮﻳﺮ ﺍﺧﺘﻼﻑ ﺭﺍ ﺍﺯ ﺭﻭﻱ ﺗﻔﺎﺿﻞ‬
‫·‬
‫ﻓﺮﺁﻳﻨﺪ ﺑﺎﻻ ﺭﺍ ﺑﺎ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﺧﻄﻲ ﺗﻜﺮﺍﺭ ﻛﻨﻴﺪ‪.‬‬
‫ﭘﻴﻜﺴﻞ ﺑﻪ ﭘﻴﻜﺴﻞ ﺩﻭ ﺗﺼﻮﻳﺮ ﭘﻴﺪﺍ ﻛﻨﻴﺪ‪.‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬
‫·‬
‫ﻓﺮﺍﻳﻨﺪ ﺑﺎﻻ ﺭﺍ ﺑﺎ ﺭﻭﺵ ﺩﺭﻭﻧﻴﺎﺑﻲ ﻣﻜﻌﺒﻲ ﺗﻜﺮﺍﺭ ﻛﻨﻴﺪ‪.‬‬
‫ﻧﺘﺎﻳﺞ ﺑﻪ ﺩﺳﺖ ﺁﻣﺪﻩ ﺍﺯ ﺳﻪ ﺭﻭﺵ ﺭﺍ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪ .‬ﺍﻳﻦ ﻣﻘﺎﻳﺴﻪ ﺑﺮ ﺣﺴﺐ ﺗﺼﺎﻭﻳﺮ ﻛﻮﭼﻚ ‪ /‬ﺑﺰﺭﮒ ﺷﺪﻩ ﻭ ﺍﺧﺘﻼﻑ ﺗﺼﺎﻭﻳﺮ ﺑﺎﺷﺪ‪.‬‬
‫ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ ﻭ ﭘﺮﺩﺍﺯﺵ ﺷﺪﻩ )ﺑﻌﺪ ﺍﺯ ﻛﺎﻫﺶ ﻭ ﺍﻓﺰﺍﻳﺶ ﻧﺮﺥ( ﻭ ﺗﺼﻮﻳﺮ ﺍﺧﺘﻼﻑ ﺭﺍ ﭼﺎﭖ ﻛﻨﻴﺪ ﻭ ﺩﺭ ﮔﺰﺍﺭﺷﺘﺎﻥ ﺑﻴﺎﻭﺭﻳﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺩﺭ‬
‫ﺩﻳﺴﻜﺖ ﺗﺤﻮﻳﻠﻲ ﻫﺮ ﺩﻭ ﺗﺼﻮﻳﺮ ﺍﺻﻠﻲ ﻭ ﭘﺮﺩﺍﺯﺵ ﺷﺪﻩ ﺭﺍ ﺫﺧﻴﺮﻩ ﻛﻨﻴﺪ‪.‬‬
‫ﺑﻪ ﺍﺧﺘﻼﻑ ﺯﻣﺎﻥ ﺍﺟﺮﺍﻱ ﻫﺮ ﺭﻭﺵ ﺩﺭ ﮔﺰﺍﺭﺷﺘﺎﻥ ﺍﺷﺎﺭﻩ ﻛﻨﻴﺪ‪.‬‬
‫ﺁﻳﺎ ﻫﻴﭻ ﭘﻴﻐﺎﻣﻲ ﻫﻨﮕﺎﻡ ﺍﺟﺮﺍﻱ ﻫﺮ ﻛﺪﺍﻡ ﺍﺯ ﻓﺮﻣﺎﻥ ﻫﺎ ﺩﺭﻳﺎﻓﺖ ﻛﺮﺩﻳﺪ؟ ﺁﻧﻬﺎ ﭼﮕﻮﻧﻪ ﺣﻞ ﺷﺪﻧﺪ؟‬
‫‪ -٢‬ﻣﺮﺍﺣﻞ ﻗﺒﻠﻲ ﺭﺍ ﺑﺎ ﻓﻴﻠﺘﺮ ﭘﻴﺶ ﻓﺮﺽ ‪ down-sampling‬ﺗﻜﺮﺍﺭ ﻛﻨﻴﺪ‪ .‬ﻧﺘﺎﻳﺞ ﺭﻭﺵ ﻫﺎﻱ ﻣﺨﺘﻠﻒ ﺭﺍ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﺎ ﻧﺘﺎﻳﺞ ﺑﻪ‬
‫ﺩﺳﺖ ﺁﻣﺪﻩ ﺩﺭ ‪ ١‬ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ )ﺍﺧﺘﻴﺎﺭﻱ(‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻭﻗﺘﻲ ‪ M‬ﺍﺯ ﻳﻚ ﻛﻤﺘﺮ ﺍﺳﺖ‪،‬‬
‫ﺩﺳﺘﻮﺭ ﺑﺎﻻ ﭘﻴﺶ ﻓﻴﻠﺘﺮ ﺭﺍ ﺑﻪ ﻛﺎﺭ ﻧﻤﻲ ﺑﺮﺩ‪) .‬ﺍﮔﺮ ’‪ ‘method‬ﻭ ’‪ ‘nearest‬ﺑﺎﺷﺪ( ﻭ ﺍﮔﺮ ﺭﻭﺵ ﺧﻄﻲ ﻳﺎ ﻣﻜﻌﺒﻲ ﺑﺎﺷﺪ ﻳﻚ ﻓﻴﻠﺘﺮ ‪ ١١‬ﺗﺎﻳﻲ‬
‫ﺍﺳﺘﻔﺎﺩﻩ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﻪ ﺟﺎﻱ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ‪ Imresize‬ﺑﺮﺍﻱ ‪ down-sampling‬ﺑﺪﻭﻥ ﭘﻴﺶ ﻓﻴﻠﺘﺮ ﻣﻲ ﺗﻮﺍﻧﻴﺪ ﺍﺯ ﺩﺳﺘﻮﺭ ﺯﻳﺮ ﻧﻴﺰ ﺍﺳﺘﻔﺎﺩﻩ ﻛﻨﻴﺪ‪:‬‬
‫‪ -5‬ﮔﺰارش‬
‫ﺩﺭ ﮔﺰﺍﺭﺷﺘﺎﻥ ﺑﺎﻳﺪ ﺍﺳﻜﺮﻳﭙﺖ ﻫﺎﻱ ‪ matlab‬ﺍﺳﺘﻔﺎﺩﻩ ﺷﺪﻩ ﺩﺭ ﺁﺯﻣﺎﻳﺸﻬﺎ ﺑﻪ ﻫﻤﺮﺍﻩ ﻧﺘﺎﻳﺞ ﻣﺸﺨﺺ ﺷﺪﻩ ﺩﺭ ﻟﻴﺴﺖ ﺁﺯﻣﺎﻳﺶ ﻫﺎ ﻭ ﻣﺸﺎﻫﺪﺍﺕ‬
‫ﺷﻤﺎ ﺁﻭﺭﺩﻩ ﺷﻮﺩ‪ .‬ﺑﺎﻳﺪ ﺑﺮﺍﻱ ﭘﺎﺳﺦ ﺑﻪ ﻫﺮ ﭘﺮﺳﺶ ﺩﺭﺑﺎﺭﻩ ﺩﺳﺘﻮﺭﺍﺕ ﺍﺳﺘﻔﺎﺩﻩ ﺷﺪﻩ ﺩﺭ ﺍﻳﻦ ﺑﺨﺶ ﺁﻣﺎﺩﻩ ﺑﺎﺷﻴﺪ‪.‬‬
‫‪10‬‬
‫‪CE 342 – Multimedia HW# 3‬‬
‫‪H. Rabiee, Spring 2008‬‬