Apa yang dimaksud dengan komponen frekuensi tinggi dan frekuensi rendah dalam suatu gambar. Bagaimana memisahkan frekuensi tinggi serta komponen frekuensi rendah dari suatu gambar menggunakan filter Bilateral.
Apa yang dimaksud dengan komponen frekuensi tinggi dan frekuensi rendah dalam suatu gambar. Bagaimana memisahkan frekuensi tinggi serta komponen frekuensi rendah dari suatu gambar menggunakan filter Bilateral.
Jawaban:
Mirip dengan sinyal satu dimensi, frekuensi rendah dalam gambar berarti nilai-nilai piksel yang berubah perlahan-lahan dari ruang, sedangkan konten frekuensi tinggi berarti nilai-nilai piksel yang dengan cepat berubah dalam ruang.
Sebagai contoh, gambar berikut memiliki komponen frekuensi rendah yang kuat: Anda secara intuitif dapat melihat bagaimana saya hanya memiliki gelombang-dosa yang merambat pada frekuensi rendah.
Sebaliknya, gambar di bawah ini terdiri dari gelombang dosa dua kali lipat dari frekuensi di atas. Perhatikan bagaimana ini memanifestasikan dirinya pada gambar:
Gambar apa pun dapat memiliki sejumlah komponen frekuensi rendah dan tinggi secara bersamaan. Misalnya, dan gambar seperti ini memiliki komponen frekuensi rendah dan tinggi:
Anda dapat melihat bagaimana Anda memiliki 'tren' frekuensi rendah, tetapi juga banyak detail frekuensi tinggi di seluruh gambar. (Secara kasar, dalam gambar, transien tajam seperti tepi sesuai dengan frekuensi tinggi, sementara ruang yang tidak berubah sesuai dengan frekuensi rendah).
Jadi sekarang, titik penerapan filter bilateral (yang hanya merupakan lilitan gambar Anda dengan kernel gaussian), adalah untuk menghapus komponen frekuensi tinggi , dan mempertahankan komponen frekuensi rendah Anda. Jadi dalam hal ini, apa yang terjadi jika kita menggabungkan gambar di atas, dengan filter gaussian (bilateral) yang terlihat seperti ini?
Jika kami menggunakan ini sebagai kernel kami, kami akan mendapatkan hasil berikut:
Dengan kata lain, kami telah menghapus komponen frekuensi tinggi dari gambar asli, tetapi mempertahankan komponen frekuensi rendah, karena varian kernel gaussian dipilih dengan tepat.