Manufaturação industrial
Internet das coisas industrial | Materiais industriais | Manutenção e reparo de equipamentos | Programação industrial |
home  MfgRobots >> Manufaturação industrial >  >> Industrial programming >> MATLAB

MATLAB: Filtro Laplaciano de Gaussiano para Detecção de Bordas

Um filtro gaussiano é um filtro linear usado no processamento de imagens para desfocar ou suavizar imagens. É nomeado após a função gaussiana, que é usada para definir a forma do filtro. O filtro gaussiano é comumente usado para reduzir ruído e detalhes em uma imagem, tornando-a mais adequada para processamento ou análise posterior.

O filtro Laplaciano de Gaussiano (LoG) é um filtro popular de realce de imagem e detecção de bordas usado no processamento de imagens. É uma combinação de dois filtros: o filtro gaussiano e o filtro laplaciano. O filtro gaussiano é usado para suavizar a imagem e reduzir ruído, enquanto o filtro laplaciano é usado para detectar bordas.

O filtro Laplaciano de Gaussiano é útil para detectar bordas em diferentes escalas em uma imagem. Variando o desvio padrão do filtro gaussiano, você pode controlar a escala em que as bordas são detectadas. Desvios padrão menores detectam detalhes mais finos, enquanto desvios padrão maiores detectam características mais amplas.

Vamos ver alguns exemplos para filtro laplaciano de gaussiano.

Exemplo 1: Usando a Função fspecial()

A função fspecial() é usada para criar um filtro gaussiano, e então o Laplaciano deste gaussiano é computado para criar o filtro LoG. No entanto, o filtro laplaciano espera que o filtro gaussiano seja do tipo double.

O código que temos é −

 % Leia a imagem img = imread('peppers.jpg'); % Converta a imagem para escala de cinza if size(img, 3) == 3 img_gray = rgb2gray(img); else img_gray = img; end % Crie um filtro gaussiano sigma = 2; % Desvio padrão do filtro gaussiano hsize = 2 * ceil(3 * sigma) + 1; % Tamanho do filtro gaussian_filter = fspecial('gaussian', hsize, sigma); % Crie um filtro Laplaciano de Gaussiano log_filter = fspecial('log', hsize, sigma); % Aplique o filtro LoG à imagem filtered_img = imfilter(double(img_gray), log_filter, 'conv', 'replicate'); % Exiba as imagens original e filtrada subplot(1, 2, 1); imshow(img_gray); title('Imagem Original'); subplot(1, 2, 2); imshow(uint8(filtered_img)); title('Imagem Filtrada Laplaciano de Gaussiano'); 

Vamos entender o código em detalhes −

 img = imread('peppers.jpg'); 

Aqui ele lê a imagem 'peppers.jpg' do diretório atual e a armazena na variável img.

 if size(img, 3) == 3 img_gray = rgb2gray(img); else img_gray = img; end 

Se a imagem estiver em cores (formato RGB), ela é convertida para escala de cinza usando a função rgb2gray. A imagem em escala de cinza é armazenada na variável img_gray. Se a imagem já estiver em escala de cinza, ela é armazenada como está.

 sigma = 2; % Desvio padrão do filtro gaussiano hsize = 2 * ceil(3 * sigma) + 1; % Tamanho do filtro gaussian_filter = fspecial('gaussian', hsize, sigma); 

O código acima cria o filtro gaussiano. Aqui, definimos o desvio padrão sigma do filtro gaussiano e calculamos o tamanho do filtro hsize baseado no desvio padrão. Então criamos o filtro gaussiano usando a função fspecial com 'gaussian' como tipo de filtro.

 log_filter = fspecial('log', hsize, sigma); 

Criamos o filtro Laplaciano de Gaussiano usando a função fspecial com 'log' como tipo de filtro. Este filtro representa o Laplaciano do filtro gaussiano, que é usado para detecção de bordas.

 filtered_img = imfilter(double(img_gray), log_filter, 'conv', 'replicate'); 

Aqui o filtro Laplaciano de Gaussiano é aplicado à imagem em escala de cinza img_gray usando a função imfilter. A opção 'conv' especifica que o filtro deve ser aplicado usando convolução, e a opção 'replicate' especifica como as bordas da imagem devem ser tratadas durante a filtragem.

 subplot(1, 2, 1); imshow(img_gray); title('Imagem Original'); subplot(1, 2, 2); imshow(uint8(filtered_img)); title('Imagem Filtrada Laplaciano de Gaussiano'); 

Finalmente, exibimos a imagem original em escala de cinza e a imagem filtrada lado a lado usando as funções subplot, imshow e title. A imagem filtrada é convertida para formato uint8 antes da exibição.

Quando o código é executado, a saída que obtemos é a seguinte −

Exemplo 2: Filtragem de Imagem com Filtros Laplaciano e LoG

Este exemplo mostra a aplicação de dois filtros diferentes, o filtro Laplaciano e o filtro Laplaciano de Gaussiano (LoG), a uma imagem de entrada 'peppers.jpg'

O código que temos é −

 x=imread('peppers.jpg'); figure; imshow(x); title('Imagem de Entrada'); figure; h=fspecial('laplacian'); filtered_image=imfilter(x,h); imshow(filtered_image); title('Saída do Filtro Laplaciano'); figure; h=fspecial('log'); filtered_image=imfilter(x,h); imshow(filtered_image); title('Filtro Laplaciano Gaussiano'); 

No exemplo acima−

 x = imread('peppers.jpg'); figure; imshow(x); title('Imagem de Entrada'); 

Este código lê a imagem 'peppers.jpg' e a exibe usando a função imshow. A função title adiciona um título à figura da imagem.

 h = fspecial('laplacian'); filtered_image = imfilter(x, h); 

Aqui, o filtro Laplaciano é criado usando a função fspecial com 'laplacian' como tipo de filtro. A função imfilter é então usada para aplicar este filtro à imagem de entrada x, resultando na imagem filtrada filtered_image.

 figure; imshow(filtered_image); title('Saída do Filtro Laplaciano'); 

Este código exibe a imagem filtrada obtida do filtro Laplaciano. A função title adiciona um título à figura da imagem.

 h = fspecial('log'); filtered_image = imfilter(x, h); 

Similar ao filtro Laplaciano, o filtro LoG é criado usando a função fspecial com 'log' como tipo de filtro. A função imfilter é então usada para aplicar este filtro à imagem de entrada x, resultando na imagem filtrada filtered_image.

 imshow(filtered_image); title('Filtro Laplaciano de Gaussiano'); 

Este código exibe a imagem filtrada obtida do filtro LoG. A função title adiciona um título à figura da imagem.

Quando o código é executado, a saída que obtemos é −

MATLAB

  1. Arquivos M do MATLAB: Domine Scripts e Funções para Programação Poderosa
  2. Domine o Básico do MATLAB: Sintaxe e Comandos Essenciais
  3. Domine MATLAB OOP: Construindo Código Robusto e Reutilizável com Classes e Objetos
  4. MATLAB: Dominando Arrays Multidimensionais e Especiais
  5. Dominando Tomada de Decisão no MATLAB: Guia Abrangente
  6. Dominando Gráficos Avançados no MATLAB: Barras, Contornos e 3D
  7. Dominando GNU Octave: Tutorial Completo Compatível com MATLAB
  8. Integração no MATLAB: De Antiderivadas a Somas de Riemann
  9. MATLAB – Números: Tipos, Armazenamento e Conversão
  10. Simulink: Ferramenta Avançada de Simulação e Model-Based Design do MATLAB