ISL-II037【Spatial Filtering】
文件 說明 下載點
ISL-II037-C1【Spatial Filtering】 本次報告主要在說明將影像經過各式的Filter後所產生的效果。在Job1的部份，將說明有銳利化(Sharpening)效果的sobel、lapalcian和unsharp這三個Filter。而在Job2的部份，將說明有模糊化(Blurring)效果的average、Gaussian和median這三個Filter。並且使用OpenCV函式庫將這六個Filter實現，再分別以3x3和5x5的遮罩(mask)來處理並探討有何差異。本次程式使用函式庫OpenCV 1.0版並搭配Visual C++ 2005 編譯器，在Windows XP Professional SP2中設定，CPU為Inter(R) Core(TM) 2 CPU 6300 @ 1.86GHZ，記憶體2GB 立即下載
ISL-II037-C2【Spatial Filtering】 Spatial Filtering 主要的目的是使影像銳化或者模糊，依據不同的需要，使用適合的Spatial Filtering類型。本報告將以Visual C++ 2005來實作，使用Spatial Filtering完成jpg、bmp及tif的讀取，並且自建6個不同類型Spatial Filtering函式，分別是屬於銳化的Sobel、Lapalacian及Unsharp，屬於模糊化的Average、Median及Gaussian。對於每個不同的Spatial Filtering又分為3X3及5X5的mask，所以總共有12個不同的Spatial Filtering函式。最後，將處理過後的圖片利用OpenCV內建函式完成存檔[1]。本報告之作業系統使用的是Windows XP Professional SP2，經Visual C++ 2005編譯無誤，並與OpenCV 1.0 搭配可正確執行無誤。硬體配備為CPU為Inter(R) Core(TM) 2 CPU 6300 @ 1.86GHZ，記憶體2GB。 立即下載
ISL-II037-CS1【Spatial Filtering】 本次實驗在於撰寫程式實現線性濾波器對影像圖形做convolution，並使用圖形介面程式來展現影像的變化。convolution的方式採用物件導向規則將Filter物件化為一個Class後，再讀入影像Image並讀取Pixel來與Filter做convolution。程式使用被包含在Micosoft Visual Studio 2005產品中的Microsoft Visual C# 2005為開發環境，程式執行需要搭配Microsoft .NET Framework 2.0虛擬機器的執行環境，實驗的過程皆在Microsoft Windows Xp Professional Sp3繁體中文版底下進行編譯與執行，CPU為Intel(R) Core(TM) 2 Quad CPU E6600 @ 2.40GHZ(ES)，記憶體 3.0G。 立即下載
ISL-II037-J1【Spatial Filtering】 本文件是在說明如何利用JAVA程式語言做為工具，撰寫可以進行影像處理的程式，提供使用者可以讀取影像，再分別進行三種銳利化的處理(Sobel , Laplacian , Unsharp)，以及三種模糊化的處理(Average , Median , Gaussian)，其中每一種處理包含3x3 , 5x5的mask，輸出結果共12張影像，最後再將影像另存成為新檔。 立即下載
ISL-II037-M1【Spatial Filtering】 此報告是為了學習該如何寫讀入一張圖片，對這張圖片在不同的空間濾波大小下和不同銳利化和平滑化的方法下做出一個比較，之後再把經過濾波的圖片寫入指定的磁碟。本程式所使用的語言是MATLAB中所支援的程式設計平台來撰寫，此軟體因為運算功能強大所以建議用Window XP來做為運行的作業系統，以避免不必要的錯誤。本人所使用的MATLAB版本是MATLAB R2006a以符合現在資訊科技的變遷。 立即下載
ISL-II037-M2【Spatial Filtering】 影像在現代生活中可說是一定會使用上的，加上目前數位影像的普及化，我們可以很輕易的得到一張我們想要的影像，但常常會遇到一些影像上的問題，拍出來的照片不清或是模模糊糊的，在影像處理的課題下，我們就必須要去了解以及解決此類的問題，首先我們知道數位影像強化處理中有分為模糊化以及銳利化，在此我們在使用銳利化時，是希望影像的邊緣能夠比原始圖片要明顯，而模糊化則是幫助我們將圖片中的雜訊可以處理掉，讓影像表現出沒有雜訊的結果，銳利化又可分為sobel、lapalcian、unsharp三種方式，模糊化可分為average、gussian、median三種，本次作業會將會使用不同矩陣大小3*3及5*5的轉換來針對這幾類方式相互比較，當然我們也可預測在程式執行前矩陣大小的轉換方式不同所產生不同的結果，首先5*5矩陣因為所得資訊較多，所以結果可能會較3*3的矩陣結果來的明顯，也就是說5*5的結果，銳利化後邊緣會非常明顯，模糊化後卻非常模糊，之後將會進一步分析其原理所產生的結果，再以實際程式所執行的結果做比較。 立即下載