컨볼루션 함수

회선 함수는 이미지의 픽셀값에 필터링을 수행하여 이미지를 선명하게 하거나, 흐리게 하거나, 내부의 엣지를 찾거나, 기타 커널 기반 기능을 향상시키는 데 사용할 수 있습니다. 필터를 사용하여 허위 데이터를 제거하거나 데이터 내의 피처를 개선함으로써 래스터 이미지의 품질을 개선합니다. 이러한 회선 필터는 3x3 등 이동, 중첩 커널(창 또는 네이버후드)에 적용됩니다. 회선 필터는 해당 네이버의 가중치를 기반으로 픽셀값을 계산하여 사용할 수 있습니다.

참고

이 함수에서 선택할 수 있는 여러 컨볼루션 필터 유형이 있습니다. 사용자 정의 유형을 지정하고 고유한 커널 값을 입력할 수도 있습니다.

결과를 최적으로 표시하기 위해 히스토그램 스트레치를 적용해 이미지의 대비 또는 밝기를 조정하여 피처를 강조할 수 있습니다.

매개변수

매개변수설명

래스터

입력 래스터 레이어입니다.

유형

수행할 필터링 유형을 선택합니다. 엣지를 선명하게 하고 흐리게 하고 감지하는 옵션이 있거나, 고유한 커널 기반 필터를 정의할 수 있습니다.

커널

이 표는 필터링 프로세스에서 각 픽셀의 가중치가 적용되는 방법을 보여줍니다. 유형으로 사용자 정의를 선택한 경우 이 테이블을 편집할 수 있습니다.

컨볼루션 작동 방식에 대한 자세한 정보

다음 표에서 각 필터는 다음과 같은 두 이미지 중 하나에 적용됩니다.

필터링되지 않은 회색조 이미지
필터링되지 않은 회색조 이미지
필터링되지 않은 색상 이미지
필터링되지 않은 색상 이미지

엣지 감지 필터

경사 유형

경사 필터는 45도 증분으로 엣지 감지에 사용할 수 있습니다.

유형설명예시

Gradient East

3x3 필터

 1  0 -1
 2  0 -2
 1  0 -1

동쪽 경사 결과

Gradient North

3x3 필터

 -1 -2 -1
  0  0  0
  1  2  1

북쪽 경사 결과

북동쪽 경사

3x3 필터

 0 -1 -2
 1  0 -1
 2  1  0

북동쪽 경사 결과

북서쪽 경사

3x3 필터

 -2 -1  0
 -1  0  1
  0  1  2

북서쪽 경사 결과

Gradient South

3x3 필터

  1  2  1
  0  0  0 
 -1 -2 -1

남쪽 경사 결과

Gradient West

3x3 필터

 -1  0  1
 -2  0  2
 -1  0  1

서쪽 경사 결과

라플라시안 유형

라플라시안 필터는 주로 엣지 감지에 사용됩니다. 주로 노이즈 민감도를 줄이기 위해 처음 스무싱된 이미지에 적용됩니다.

유형설명예시

라플라시안 3x3

3x3 필터

 0 -1  0
-1  4 -1
 0 -1  0

라플라시안 3x3 결과

Laplacian 5x5

5x5 필터

 0  0 -1  0  0 
 0 -1 -2 -1  0
-1 -2 17 -2 -1
 0 -1 -2 -1  0
 0  0 -1  0  0

라플라시안 5x5 결과

라인 감지 유형

경사 필터와 같은 라인 감지 필터를 사용하여 엣지 감지를 수행할 수 있습니다.

엣지 감지 알고리즘보다 스무싱 알고리즘을 먼저 적용하면 보다 나은 결과를 얻을 수 있습니다.

유형설명예시

라인 감지 수평

3x3 필터

-1 -1 -1
 2  2  2 
-1 -1 -1

수평 라인 감지 결과

라인 감지 대각선 왼쪽

3x3 필터

 2 -1 -1
-1  2 -1
-1 -1  2

왼쪽 대각선 감지 결과

라인 감지 대각선 오른쪽

3x3 필터

-1 -1  2 
-1  2 -1
 2 -1 -1

오른쪽 대각선 감지 결과

라인 감지 수직

3x3 필터

-1  0 -1 
-1  2 -1 
-1  2 -1

수직 라인 감지 결과

소벨 유형

소벨 필터는 엣지 감지에 사용됩니다.

유형설명예시

Sobel Horizontal

3x3 필터

-1 -2 -1
 0  0  0
 1  2  1

소벨 수평 결과

Sobel Vertical

3x3 필터

-1  0  1 
-2  0  2 
-1  0  1

소벨 수직 결과

선명화 및 스무싱 필터

선명화 유형

선명화(고역) 필터는 인접 피처와 값의 비교 차이를 강조합니다. 고역 필터는 가중 커널 인접 영역을 사용하여 입력의 각 셀에 대한 포컬 합계 통계를 계산합니다. 이는 피처 간 경계(예시: 수역이 숲과 만나는 지점)를 표시하여 객체 간 엣지를 선명화합니다. 고역 필터는 엣지 강조 필터라고 합니다. 고역 필터 커널은 인접 영역에서 사용할 셀 및 셀에 어느 정도의 가중치를 부여할지(곱하기)를 식별합니다.

유형설명예시

Sharpen

3x3 필터

  0    -0.25    0
-0.25    2    -0.25
  0    -0.25    0

선명화 결과

더 선명하게

3x3 필터

-0.25 -0.25 -0.25 
-0.25  3    -0.25 
-0.25 -0.25 -0.25

선명화 II 결과

Sharpening 3x3

고역 3x3 필터

-1 -1 -1 
-1  9 -1 
-1 -1 -1

선명화 3x3 결과

선명화 5x5

고역 5x5 필터

-1 -3 -4 -3 -1 
-3  0  6  0 -3 
-4  6 21  6 -4 
-3  0  6  0 -3
-1 -3 -4 -3 -1

선명화 5x5 결과

스무싱 유형

스무싱(저역) 필터는 지역별 편차를 줄이고 노이즈를 제거하여 데이터를 스무싱합니다. 저역 필터는 각 인접 영역에 대한 평균값을 계산합니다. 각 네이버후드 내의 높은 값과 낮은 값이 평균화되어 데이터 내의 극한 값을 줄입니다.

유형설명예시

Smooth Arithmetic Mean

3x3 필터

0.111  0.111  0.111
0.111  0.111  0.111
0.111  0.111  0.111

스무스 연산 평균 결과

Smoothing 3x3

저역 3x3 필터

1  2  1
2  4  2
1  2  1

스무싱 3x3 결과

스무싱 5x5

저역 5x5 필터

1  1  1  1  1 
1  4  4  4  1 
1  4 12  4  1 
1  4  4  4  1 
1  1  1  1  1

스무싱 5x5 결과

기타 필터

포인트 확산 유형

포인트 확산 함수는 렌즈를 통한 포인트 원본으로부터의 빛 분포를 나타냅니다. 이 필터는 약간 흐려지는 효과를 줍니다.

유형설명예시

포인트 확산

3x3 필터

-0.627  0.352 -0.627
 0.352  2.923  0.352
-0.627  0.352 -0.627

포인트 확산 결과