CS Fundamentals Trainer · Guias

Qual filtro de imagem devo usar? Um guia de decisão

Parta do que está errado na imagem (ruído, manchas impulsivas, falta de nitidez, luz irregular) e escolha o filtro: caixa, gaussiano, mediana, máscara de nitidez, laplaciano ou gradiente. Como dimensionar o kernel, por que os tamanhos escalam com a resolução, o que a separabilidade economiza, como tratar a borda e os erros comuns.

10 min de leitura

A maioria dos filtros de imagem é fácil de aplicar e difícil de escolher. Um borramento de caixa, um gaussiano, uma mediana, uma máscara de nitidez e um laplaciano levam poucas linhas de código, e cada um resolve um problema enquanto piora outro. Este guia é um guia de decisão: parta do que está errado na imagem, escolha o filtro que combina, depois defina o tamanho e confira a borda. Ele não deriva os filtros; diz quando cada um é a ferramenta certa e quanto custa.

1. Pergunte primeiro o que está errado

Antes de escolher um filtro, dê nome ao problema em uma frase. Quase todo caso real é um destes:

O que você vêO que realmente éFamília de correção
Granulação fina na imagem todaRuído que varia um pouco em cada pixelSuavização (tipo média)
Pontos brancos e pretos, de poucos pixelsRuído impulsivo ("sal e pimenta")Mediana
A imagem parece maciaAs bordas perderam contrasteNitidez
Um lado está mais escuro que o outroIluminação irregular (sombreamento)Passa-baixa grande, depois divisão
Tudo está sem brilho ou escuro demaisFaixa estreita de intensidadesOperação pontual (veja o guia de processamento pontual versus de vizinhança)
Você quer só os objetos grandesOs detalhes pequenos não importamPassa-baixa, depois limiar

Duas dessas linhas não tratam de filtros. Se o problema é a faixa de intensidades, uma curva de tons resolve, e nenhum kernel resolverá.

Diagram: Choosing a filter from the symptom

2. Suavizar ruído: média ou ordenação?

Um filtro tipo média (caixa, gaussiano) substitui cada pixel por uma média ponderada dos vizinhos. Se o ruído em cada pixel é independente, tirar a média de n pixels com pesos iguais divide o desvio-padrão do ruído por √n. Uma caixa 3 × 3 faz a média de 9 pixels, então o desvio-padrão do ruído cai a um terço (exemplo medido: ruído de desvio-padrão 10 passa a 3,3 depois de uma caixa 3 × 3). O preço é que todo o resto também entra na média, então bordas e linhas finas borram.

Um filtro de ordenação (mediana, máximo, mínimo) ordena a vizinhança e toma um valor. A mediana ignora os valores extremos em vez de misturá-los. Tome uma janela 3 × 3 com cinco valores 100 e quatro valores 255 (ruído sal): a média é 168,9, que inventa um brilho que nunca existiu, mas a mediana é 100, um valor limpo. A regra é que a mediana sobrevive enquanto menos da metade dos pixels da janela estiver corrompida: 4 de 9 está bem, 5 de 9 não.

CaixaGaussianoMediana
Tipolinearlinearnão linear (ordenação)
Melhor contraruído aleatório leve, testes rápidosruído aleatório, suavização geralruído impulsivo (sal e pimenta)
Bordasborraborra, de forma menos abruptabordas em degrau ficam quase nítidas
Valores de saídavalores novos (médias)valores novossempre um dos valores da janela
Separávelsimsimnão
Cuidado comfavorece as direções horizontal e verticalprecisa de um kernel maior que o da caixa para o mesmo borramentolinhas finas mais estreitas que metade da janela desaparecem

Se você aplica um filtro de média a ruído sal e pimenta, cada ponto claro se espalha em uma mancha cinza em volta dele em vez de sumir. Se você aplica uma mediana a ruído leve do tipo gaussiano, ela funciona, mas um filtro de média do mesmo tamanho costuma reduzir mais esse tipo de ruído.

3. Caixa ou gaussiano?

Para suavização geral, prefira o gaussiano:

Um kernel de caixa ainda serve para experimentos rápidos e quando você precisa do borramento mais barato possível (uma soma deslizante o faz).

4. Escolher o tamanho

O tamanho é a decisão que mais costuma dar errado, e tem uma regra: o kernel deve ser maior que os detalhes que você quer remover e menor que os detalhes que quer manter.

5. Nitidez: qual ferramenta?

FerramentaO que fazPonto fortePonto fraco
Máscara de nitidez / reforço (highboost)soma k × (original − borrada)simples, um botão para a força (k) e outro para a escala (σ)k grande cria halos e pode cortar valores
Laplacianosegunda derivada, somada de volta com o sinal certodetalhes muito finos, isotrópicoamplifica muito o ruído
Gradiente de Sobelmódulo da primeira derivadabordas fortes, suavização embutidabordas grossas, não serve para ser somado de volta como está
Laplaciano × gradiente suavizadodetalhe só onde as bordas são fortesáreas planas calmas, pouco ruídomais etapas para ajustar

Todo aguçador baseado em derivadas amplifica o ruído, pois o ruído também é uma mudança brusca. Dois hábitos ajudam: suavizar um pouco antes de aguçar (a máscara de nitidez já faz isso por construção, pois a máscara usa uma cópia borrada) e usar o gradiente como máscara quando a imagem é ruidosa.

O sinal importa para o laplaciano: com o kernel que tem −4 no centro, a imagem aguçada é f − ∇²f. Com centro +4, é f + ∇²f. Somar com o sinal errado escurece as bordas em vez de aguçá-las.

6. Custo e velocidade

O custo por pixel de um filtro linear com kernel m × n é de cerca de mn multiplicações, ou m + n se o kernel for separável. Em uma imagem 1024 × 1024 com kernel 11 × 11 são cerca de 127 milhões de multiplicações contra 23 milhões, uma vantagem de 5,5. Para um kernel separável quadrado, a vantagem é cerca de metade da largura do kernel, então cresce com o tamanho: 10,5 para 21 × 21, 256 para 512 × 512.

7. A borda

Perto da borda, parte do kernel cai fora da imagem, então algo precisa ser fornecido ali.

8. Erros a evitar

  1. Usar um filtro de média em ruído impulsivo. Use uma mediana.
  2. Usar um tamanho de kernel escolhido para outra resolução.
  3. Aguçar antes de remover o ruído. O aguçador amplifica o ruído, e o filtro de ruído então tem um trabalho mais difícil.
  4. Normalizar errado: kernels de suavização devem somar 1 (ou o brilho muda), e kernels de derivada somam 0 (e o resultado precisa ser reescalado para exibição).
  5. Esquecer que correlação e convolução diferem para kernels assimétricos. Para kernels de caixa e gaussiano não importa, mas para uma derivada direcional importa.
  6. Confiar em um resultado que parece bom em uma só imagem. Confira uma área plana (deve continuar plana), uma borda (não deve criar anéis nem deslocar) e a borda da imagem.

9. Pontos de partida, não regras

Os ajustes abaixo são primeiros palpites. Os valores certos dependem do conteúdo da imagem, do nível de ruído, da resolução e da implementação, então olhe a saída.

ObjetivoPrimeira escolhaAjustes típicos
Remover sal e pimentaMediana3 × 3, depois 5 × 5 se os pontos forem maiores
Reduzir granulação leveGaussianoσ de 0,5 a 2 pixels, tamanho ⌈6σ⌉ arredondado para ímpar
Remover detalhes pequenos, manter formas grandesGaussiano, depois limiarσ maior que os detalhes a remover
Estimar a iluminaçãoGaussianoσ próximo do tamanho da maior característica da cena, suporte do kernel cerca de ⌈6σ⌉, depois dividir
Aguçar uma foto maciaMáscara de nitidezσ próximo da largura do borramento, k entre 0,5 e 2
Aguçar uma imagem ruidosaLaplaciano mascarado pelo gradiente suavizadosuavizar o gradiente com uma caixa 5 × 5

Leitura complementar

Pratique este tema: Computer Vision

Mais guias