Bakhshi

مرسی :)

مرسی که جواب دادین ولی من یه سنسور قدرتمند و دقیق میخوام. با LM35 زیاد کار کردم اما یه چیز خیلی بهتر میخوام.

سلام .......................... من بعد از کلی غیبت اومدم خوبین ؟؟ امیدوارم در سلامت کامل باشین.... میشه یه سنسور خوب و با کیفیت دما رو بهم معرفی کنید که تا دمای 50 سانتیگراد رو ساپورت کنه کیفیتش واسم خیلی مهمه. مرسی

سلام . اعمال توابع به منظور بهبود تصوير H=fspecial( ) imfilter(I,h) I: تصوير مورد نظر بين I,h كانولوشن صورت مي گيرد. Motion: A=fspecial('motion',len,theta); : تعداد پيكسل هايي كه جابه جا شده كه به صورت پيش فرض 9 مي باشد. theta: زاويه ي حركت دوربين شده كه به صورت پيش فرض0 مي باشد. h=imfilter(I,a,'conv',circular); h تصوير را بلور مي كند. براي از بين بردن ماتي تصوير : deconvwnr(I-blurred,a,) a: تابع بلور b: مقدار نويز در صورتي كه تصوير داراي نويز باشد و motion را نيز داشته باشيم به جاي صفر در رابطه ي diconvwnr( ) از مقدار استفاده مي كنيم . Noise-var واريانس نويز است . Signal – var واريانس تصوير است . واريانس يك سيگنال فقط در يك بعد ساخته مي شود. signalvar=var(I()); در صورتي كه ندانيم واريانس نويز چقدر است ابتدا نوع تصوير را (تعداد بيت هاي هر پيكسل) بدست مي آوريم اگر 8 بيتی بود يعني uint8، يك واريانس يكنواخت براي نويز بدست آمده است كه از آن استفاده مي كنيم منتها بايد تصوير حتماً im2double باشد. به جاي noise- var مي توان نوشت : Uniform-quantization-var= Signal- var=var(im2 double(I()); در رابطه deconvwnr( ) اين 2 جمله را قرار مي دهيم . اين دستور روي لبه هاي افقي تصوير تاكيد دارد. Prewitt: a=fspecial('prewitt') imfilter(I,a) sobel: با اين دستور مي توانيم هم روي لبه هاي افقي و هم لبه هاي عمودي تاكيد داشته باشيم . sobel قابليت rotate شدن دارد. a=fspecial('sobel'); Imfilter(I,rotate'); دستور فيلتر براي افزايش كيفيت لبه هاي تصوير: a=fspecial('unsharp', ) اگر تصوير لبه هايش خراب بود با استفاده از مقدار ميزان خرابي تصوير را درست مي كند اگر خيلي خراب بود و اگر اين طور نبود شناسايي اشيا در تصوير به منظور: 1-آماده سازي تصوير براي تبديل به تصوير باينري مطلوب كه مرحله پاياني فيلتر و بهينه سازي آن است انجام مي گيرد. 2-كار بر روي تصاوير باينري و رسيدن به يك شي مطلوب: به طور كلي در پردازش تصويرهاي حرفه اي از تصاوير باينري در ورودي الگوريتم ها استفاده مي شود بدليل اينكه در اجراي الگوريتم ها سرعت و فضا بسيار مهم است . يكي از مهم ترين قسمت هاي پردازش انتخاب قسمت مورد نظر و حذف ساير قسمت هاي تصوير است براي جلوگيري از اتلاف وقت مثلاً در فيلتر كردن كل تصوير قسمت مورد نظر را انتخاب كرده و عمليات را روي آن انجام مي دهيم. N=roipoly(pic) موفق باشید.

خوشحالم از اینکه بهتون کمکی کردم همونطور که آقای مهندس فلاح فرمودن من مطالبم رو توی فروم میذارم تا همه بتونن استفاده کنن موفق باشید.

سلام دوست من فکر میکنم این مطالب براتون مناسب باشه میتونم ادعا کنم که تقریبن کامل هست: من دیگه مثالی در این زمینه اضافه نکردم چون سرعت اپلود رو بالا میبره شرمنده اضافه كردن نويز اضافه كردن نويز به تصوير: J=imnoise(I,'type',parm) با اين دستور نويز به تصوير اضافه مي كنيم . انواع نويز : 1) Gaussian J=imnoise(I,'gaussian', m,v) m: ميانگين v: واريانس ، هر چه واريانس بيشتر باشد نويز بيشتر است. اين دستور شامل يك نويز سفيد گوسي است ،با ميانگين و واريانس ثابت . 2)salt&pepper اين نوع نويز وقتي اضافه مي شود كه CCD خراب باشد . J=imnoise(I,'solt&pepper'd) d: پيكسل هاي تصوير است و d<1 است . به صورت پيش فرض d=0.5 است. اين نوع نويز بر روي پيكسل سبز و قرمز سوار مي شود. 3) speckel: J=imnoise(I,'speckle',v) اين نوع يك نويز تصادفي يكنواخت با ميانگين صفر و واريانس v مي باشد. توابع حذف نویز: 1.فيلتر median: يكي زا بهترين فيلترها براي نويز فلفل نمكي است چون فلفل 255 و نمك صفر است . بدست آوردن ميانگين رنگ : ميدانيم بيشترين رنگ يك تصوير رنگ اصلي است و نويز كمترين ميزان رنگ را در يك تصوير به خود اختصاص مي دهد . بنابراين با استفاده از فيلتر مي توانيم نويزهاي تصوير را حذف كنيم و مشكل آن خراب كردن لبه هاي تصوير مي باشد . N= medianfilt2(N) يا N= medfilt2(A,[m,n]) اگر ] m,n [ را ننويسيم به صورت پيش فرض3*3 است . اين دستور به تصاوير gray جواب مي دهد براي تصاوير رنگي كافي است . B,G,R آن را جدا كرد. فيلتر را روي هر يك اجرا كنيم و سپس تصاوير را با هم cat مي كنيم . 2. فيلتر حذف نويز تطابقي : تصوير به صورت ماتريس هايي با ابعاد(x,y) شبكه شده و رنگي كه در آن شبكه با نويز رنگ متفاوت است را تغيير داده و به رنگ اطراف پيكسل هاي خود در مي آورد. اين فيلتر لبه هاي تصوير را نيز خراب مي كند. چون رنگ لبه ها با رنگ اطراف متفاوت است . براي تصاويرgray كاربرد دارد. كه صورت پيش فرض ] m,n [ ، 3*3 است . [J,noise]=wiener2(I,[m,n]) ساخت توابع با Fspecral: h=fspecial('type',parameter) 1.average: h=fspecial('average',hsize) hsize يك ماتريس است كه به طور پيش فرض 3*3 است . 2.disk h=fspecial('disk',r) r: شعاع يك فيلتر پايين گذر است كه دايره اي شكل است . 3.gaussian اين فيلتر پايين گذراست. H=fspecail('guassian',hsize,sigma) hsize:ابعاد ماتريس كه فيلتر روي آن روي مي دهد. 4.laplacian h=fspecial ('laplacian',alpha) لاپلاسين مشتق دوم تصوير است بنابراين تاكيد خاصي روي لبه های تصویر دارد . فيلتر لاپلاسين يك فيلتر 3*3 است . alph: بين صفر تا يك است و به طور پيش فرض 0.2 است . 5.log: H=fspecial('log',hsize,sigma) از نظري شبيه لاپلاسين است منتها مي توانيم ابعاد ماتريس را تغيير دهيم . hsize: ابعاد ماتريس sigma: تعيين كننده ي مقدار sigma در رابطه ي تابع مي باشد. موفق و پیروز باشید.

سلام شناسايي رنگ در تصوير بصورت پيكسل كاربرد : ربات هاي جنگجو و فوتباليست (مسابقات روباتيك ) در ربات هاي جنگجو به منظور تشخيص محل ربات دشمن و خودي و در ربات هاي فوتباليست به منظور تشخيص محل ربات رقيب ، خودي و محل توپ شرح : ابتدا با دستور x=impixel(pic) تصوير نمايش داده مي شود. سه رنگ اصلي B,G,R در ماتريس X قرار مي گيرد . هنگامي كه اين دستور را تايپ كنيم تصوير pic روي صفحه ظاهر مي شود. در صورتي كه در يك پيكسلي از تصوير راست كليك مي كنيم تنها همان مقادير پيكسل در ,x ذخیره مي شود . ولي در صورت چپ كليك كردن به ازاي هر كليك يك سطر RGB به X اضافه مي شود . در آخر كار براي save مقادير در x بايد يك بار راست كليك را بزنيم . كه خود اين راست كليك نيز يك خط به ماتريس x اضافه مي كند. EX: P = impixel(imread('1.jpg')) P = 154 116 69 100 85 46 100 85 46 جمع كردن تصاویر: y=imadd(pic1,pic2); روشنايي pic1 و pic2 را جمع مي كند. EX: I = imread('rice.png'); J = imread('cameraman.tif'); K = imadd(I,J,'uint16'); imshow(K,[]) الف: رسم خط روش اول : ابتدا تصوير را در يك figure نمايش مي دهيم پس از دستور ترسيم خط استفاده مي كنيم. N=imline پس از آن با چپ كليك خط مورد نظر را ترسيم مي كنيم و براي تثبت آن دوبار روي آن خط كليك مي كنيم M=wait(N) با دستور wait مختصات خط مورد نظر را در m قرار مي دهيم . نمايش خط ذخيره شده در تصوير : N=imline(gca,m); رسم نقطه بر روي تصوير : رسم نقطه و رسم خط هيچ تفاوتي با هم ندارد. نقطه به جاي impiont,imline مي نويسيم. روش اول N=impoint M=wait(N) N= impoint(g,a,m) رسم بيضي و دايره N=imellipse توجه داشته باشيم كه در رسم imellipse بازيابي تصوير از مختصات رسم شده امكان پذير نيست فقط مي توانيم يكبار بيضي و دايره را رسم كنيم . رسم بيضي از روي مختصات : imellipse(gca,[y,x,width, height]) كه در اين دستور اگر كادر اطراف بيضي را با يك مستطيل تقريب بزنيم (x1y) مختصات نقطه شروع (بالا و چپ) ) ترسيم خطوط چندگانه روش اول : ابتدا دستور روبرو را نوشته ، N=impoly پس با چپ كليك خطوط مورد نظر را رسم كرده و دوبار كليك آن را تثبيت مي كنيم . M=wait(N) مختصات خطوط در m ذخيره مي شود و با دستور impoly(g,a,m) مي توان خطوط رسم شده را دوباره كشيد. روش دوم : نمايش خطوط بر روي تصوير توسط مختصات . ابتدا نقاط مورد نظر را پيدا كرده و سپس با دستور impoly(g,a,[y1,x1,y2,x2;…]. که اين مختصات شروع خطوط مي باشد . اعمال فيلترها و عمليات روي تصاوير : الف) تغيير روشنايي (brighiness) imadd(pic,x) x عددي ثابت است ميزان روشنايي تمام نقاط را كه داريم با x جمع مي شود. imsubtract(pic , x) immultiply(pic,x) imdevide(pic,x) ب)منفي كردن پيكسل ها neg(pic) اصولاً براي تصاوير باينري انجام مي شود. اين دستور سياه را سفید و سفيد را سياه مي كند. پ)مكمل كردن تصوير ميزان روشنايي هر pixel را از 255 كم مي كند، ميزان روشنايي تصوير جديد بدست مي آيد. (براي روشنايي 8level) ت) فيلتر حد فاصل imcontour(p,n) N: تعداد رنگ ها براي تشخيص برجستگي هاي يك تصوير است و پستي ها و بلندي هاي يك تصوير كه داراي رنگ هاي مختلفي هستند توسط خطوط نمايش داده مي شوند. • براي تصاوير رنگي : imadjust(pic, [ ]) اضافه كردن نويز به تصوير: J=imnoise(I,'type',parm) با اين دستور نويز به تصوير اضافه مي كنيم . انواع نويز : 1) Gaussian J=imnoise(I,'gaussian', m,v) m: ميانگين v: واريانس ، هر چه واريانس بيشتر باشد نويز بيشتر است. اين دستور شامل يك نويز سفيد گوسي است ،با ميانگين و واريانس ثابت . 2 )salt&pepper اين نوع نويز وقتي اضافه مي شود كه CCD خراب باشد . J=imnoise(I,'solt&pepper'd) d: پيكسل هاي تصوير است و d<1 است . به صورت پيش فرض d=0.5 است. اين نوع نويز بر روي پيكسل سبز و قرمز سوار مي شود. 3) speckel: J=imnoise(I,'speckle',v) اين نوع يك نويز تصادفي يكنواخت با ميانگين صفر و واريانس v مي باشد. توابع حذف نویز: 1.فيلتر median: يكي زا بهترين فيلترها براي نويز فلفل نمكي است چون فلفل 255 و نمك صفر است . بدست آوردن ميانگين رنگ : ميدانيم بيشترين رنگ يك تصوير رنگ اصلي است و نويز كمترين ميزان رنگ را در يك تصوير به خود اختصاص مي دهد . بنابراين با استفاده از فيلتر مي توانيم نويزهاي تصوير را حذف كنيم و مشكل آن خراب كردن لبه هاي تصوير مي باشد . N= medianfilt2(N) يا N= medfilt2(A,[m,n]) اگر ] m,n [ را ننويسيم به صورت پيش فرض3*3 است . اين دستور به تصاوير gray جواب مي دهد براي تصاوير رنگي كافي است . B,G,R آن را جدا كرد. فيلتر را روي هر يك اجرا كنيم و سپس تصاوير را با هم cat مي كنيم . ساخت توابع با Fspecral: h=fspecial('type',parameter) 1.average: h=fspecial('average',hsize) .disk h=fspecial('disk',r) .gaussian اين فيلتر پايين گذراست. H=fspecail('guassian',hsize,sigma) 4.laplacian h=fspecial ('laplacian',alpha) .log: H=fspecial('log',hsize,sigma)

این برنامه هم با spi هستش. همونطور که میدونید با spi میشه سرعت کار میکرو رو افزایش داد.برای همین بهتره که برای این کار از این مد استفاده بشه.البته spi در مد master هست. #include <mega32.h> #include <delay.h> #include <spi.h> char z=0; void main(void) { PORTA=0xff; DDRA=0x00; PORTB=0x00; DDRB=0xff; SPCR=0x50; SPSR=0x00; while (1) { for(z=0;z<255;z++){ spi(z++); PORTB.0=0; delay_ms(10); PORTB.0=1; delay_ms(500); } } }

این برنامه بهم تقریبن جواب داده: #include <delay.h> #define SI PORTC.0 #define SCK PORTC.1 #define RCK PORTC.2 void send_595(char D) { char i; for(i=0;i<=7;i++) { SCK = 0; SI = (D & (1 << i)); SCK = 1; } } void load_595() { RCK=0; delay_ms(10); RCK=1; delay_ms(10); RCK=0; } void main(void) { char x; DDRC=0xff; PORTC=255; while (1) { for(x=1;x<=255;x++) { send_595(x); load_595(); send_595(x+1); load_595(); delay_ms(1000); } } }

سلام اگر بخواهیم کیفیت تصویر رو مطلوب کنیم مناسبه که تصویر هیستوگرام به طور یکنواخت پخش شده باشد histogramequ وظیفه اش اینست که با واریانس گرفتن هیستوگرام مارا یکنواخت میکرد . یک تابع دیگه اینجا معرفی میکنیم به نام adapth histogram equ این تابع تقریبن کار equ را انجام میدهد ولی بهتره چون در این حالت به صورت پیکسل به پیکسل این کار رو انجام میده. در حالی که تابع equ به کل تصویر اعمال میشه . یکی از روشها برای بهبود تصویر local enhancement هستش: برای هر پیکسل یک همسایگی در نظر میگیریم مثلن یک مربع 7 در 7 هیستوگرام و هیستوگرام اکولایزیشن رو در اون مربع محاسبه میکنیم و مقدار اون رو برای هر پیکسل مربع در نظر میگیریم حال مربع ها رو یک ردیف یا یک ستون جابه جا کرده و برای پیکسل بعدی دوباره این کار رو انجام میدهیم چون در هر بار یک ردیف یا یک ستون فقط جابه جا میشوند بسیاری از عملیات تکراری میشوند بنابراین کافی است به جای انجام مکرر عملیات مقادیر قبلی رو update کنیم . Histogram maching ما یه تصویر داریم با هیستوگرام نامطلوب و یه تصویر دیگه هم داریم با هیستوگرام مطلوب . میخواهیم هیستوگرام تصویر نامطلوب را مثله هیستوگرام تصویر مطلوب کنیم . مراحل زیر را انجام میدهیم .: 1- هیستوگرام تصویر (ورودی ) را بدست آورده و از روی آن Hist eq را محاسبه میکنیم 2- از روی تصویر خروجی مطلوب نیز Hist eq میگیریم و نام آن را مثلن G(z) میگذاریم حال معکوس این تابع را بدست آورده و Hist eq تصویر اصلی را به آن میدهیم تا تصویر مطلوب در خروجی بدست آید . دستور ترکیب کردن ماتریسهای تصاویر Cat(dim , A , :-? ;(من هر کاری کردم این صورتک رو نتونستم حذف کنمبه جای اون باید این دستور را تایپ کنید:(B ) If dim=1 [A;B] If dim=2 [A,B] تصاویر چند فریمی : مثل تصاویر mri یا تصاویری که از مغز گرفته میشود میتوان از اینها فیلم ساخت . p(:,:,:,1)=imread('board.tif'); p(:,:,:,1)=imread('board.tif'); p(:,:,:,1)=imread('board.tif'); و000 در صورتی که تصاویر با فریم های متفاوت را بخواهیم به هم بچسبانیم از دستور t=montage(p); استفاده میکنیم . در صورتی که بخواهیم فریم ها را به صورت فیلم پخش کنیم دو دستور داریم : 1) film=immovie(p); movie(film) 2) film=immovie(p); implay(film) انواع تصاویر: RGB ) هر کدام از رنگهای قرمز ، سبز ، آبی ماتریسهای جدا از هم دارند .(میزان رنگها را به ما میدهد.) Intensity Index Binary تبدیل از انواع تصاویر و تبدیل آنها به یک دیگر: هر تصویری که در مطلب ذخیره میکنیم به فرم RGB اند به دلیل اینکه بسیاری از توابع مربوط به پردازش تصویر تنها یک نوع از تصاویر را پشتیبانی میکند از تبدیل تصاویر به هم استفاده میکنیم . الف)تبدیل تصاویر به باینری: I = imread('circuit.tif'); im2double(I); ب) تبدیل تصویر رنگی به Intensity rgb2gray(pic) پ)تبدیل تصویر رنگی به Index n=graythresh(I); [x,map]=rgb2index(I,n); Map : یک ماتریس 3 لایه است که اعداد بین صفر ویک و 4 رقم اعشار میباشدو یک آدرس دهی از رنگ های تصویر اصلی که به عنوان جعبه رننگ است را میسازد در map یک ماتریس 3 ستونی داریم که هر عدد در ماتریس اصلی را به یکی از این سطرها نسبت میدهد هر سطر ماتریس معادل یک رنگ است بنابراین شماره در ماتریس اصلی یک ادرس دهی از سطرهای ماتریس اصلی است . ت)تبدیل تصویر Intensity به باینری: x=dither(I); ث)تبدیل تصویر Intensity به Index I = imread('cameraman.tif'); [X, map] = gray2ind(I, 16); imshow(X, map); ج)تبدیل تصویر Index به Intensity ind2gray(I,map); ح)تبدیل تصویر Index به RGB m=ind2rgb(I,map); تبدیل هر تصویر به gray H=mat2gray(pic) تبدیلات کلاس تصویر im2double(I); im2uint8(I); تغییر اندازه تصویر : imresize(I,.5); چرخش تصویر: B = imrotate(I,angle) چیدن و جدا کردن بخشی از تصویر : A = imcrop(I) ابتدا دستور فوق رانوشته و توسط کلیک چپ ماوس ناحیه مورد نظر را انتخاب کرده و با راست کلیک کردن روی ناحیه انتخابی و انتخاب cropimage ناحیه مورد نظر در A قرار میگیرد. imshow(A)

سلام I=imread('board.tif'); دستور بالا تصویر را میخواند البته باید درCurrent directory ذخیره شده باشد اگر; نگذاریم یک ماتریس که بیانگر است را نشان میدهد . I=im2double(I); این دستور استفاده میشود تا رنج صفر تا 255 را بین صفر تا 1 بیاورد که خیلی از دستورها مثل گاردیان روی این تابع اثر میکند. این دستور نیز برای نمایش تصویر استفاده میشود . imshow(I,[]); I1=imresize(I,[256,256],'bicubic'); با استفاده از عدد گذاشته شده در کروشه اگر عدد بزرگتر از پیکسل ها بود upsampling و اگر کوچکتر بود downsampling . برای upsampling و downsampling باید جاهای خالی را با اعدادی پر کند که با توابعی مثل بالا این کار انجام میشود. هیستوگرام نموداری است که مشخص میکند کدام پیکسل چه قدر روشنایی دارد. در هر تصویر تعداد پیکسلهایی که یک سطح روشنایی (Gray Level) شان را اگر دسته بندی بکنیم میتوانیم یک نموداری بدست آوریم که محور افقی Gray Level است و محور عمودی آن تعداد پیکسل ها ی نمودار هیستوگرام را بیان میکند که از هر Gray Level چند پیکسل از تصویر وجود دارد . راستی یه چیزی یادم رفت باید تصویری که میخواین هیستوگرامشو بگیرین رنگی باشه خطا بهتون میده .پس با این دستور تصویرتون رو به سیاه و سفید تبدیلش کنید. I=rgb2gray(I); h=imhist(I,8); حال اگر بخواهیم تصویر ما دارای هیستوگرام یکنواخت شود این روش مناسب است . g=histeq(I,256);

سلام من یه سوالی درمورد 74595دارم اونم اینکه نمیتونم اطلاعات رو از لچ اول به دوم منتقل کنم واقعن گیر کردم کسی هست که بتونه بهم کمک کنه ؟ اینم برنامه اش که با زبان سی هست توی محیط کد ویژن #include <mega32.h> #include <delay.h> void main (){ char i,data,q; PORTC=0xff; DDRC=0xff; while (1){ PORTC&= 0b11111000; data = 0x54 ; for(i=0;i<8;i++) { PORTC.1=0; PORTC.0=(data & (1 << i)); PORTC.1=1; } PORTC.2=1; //................ data = 0x04 ; for(i=0;i<8;i++) { PORTC.1=0; PORTC.0=(data & (1 << i)); PORTC.1=1; } PORTC.2=1; }

سلام @};- از اینکه این همه دیر اومدم عذر میخوام به هنگام مطالعه الگوریتم های پردازش تصویر که در حوزه های مختلف علوم ارائه میشوند معیار هایی برای تشخیص قدرت الگوریتم توسط چشم ما محک میخورد . لایه شبکیه از دو دسته سلول بینایی تشکیل شده است : Rod (استوانه ای ) Core (مخروطها ) از Rod حدود 150میلیون سلول در کف چشم است از Core ها حدود 6تا 7 میلیون . چندین Rod به هم متصل میشوند و توسط یک عصب به مغز میروند . ولی در Core ها هر سلول فقط توسط یک عصب به مغز میروند . Rod ها مسئول درک شدت روشنایی هستند و Core ها مسئول درک رنگ هستند Core ها به سه دسته مختلف R , G ,B تقسیم میشوند . Core ها تمامن در لکه زرد چشم متمرکز هستند . برعکس Rod ها در سطح شبکیه پراکنده اند. نقطه ای که عصب های کف چشم از آن نقطه از چشم بیرون میروند . Blind spot Blind spot درست در زاویه 20 درجه قرار دارد. اگر عصب چشم با زاویه دیگری از چشم خارج میشد ما در دیدن نقاط نزدیک با مشکل مواجه بودیم. حساسیت چشم به روشنایی : 1) شدت نور : میزان انرژی نورانی در سطح یک شی در یک نقطه مشخص بر حسب candle 2) شدت روشنایی : یک پدیده روانی در روشنایی پایین ، مسئول بینایی سلولهای Rod هستند ( در این قسمت رنگ تشخیص داده نمیشود) مسئل تشخیص رنگها در شدت روشنایی بالاتر سلولهای Core هستند . دو پدیده ی بسیار مهم چشم : الف) mach band : اشتباه چشم در تشخیص روشنایی در محیطهای یکنواخت کنار هم اما با روشنایی متفاوت . ب) پدیده ی اشتباه در سطح روشنایی به واسطه تفاوت کنتراست . ج) در واقع به پدیده ی دوم برمیگردد که چشم در اثر همین پدیده دوم نمیتونه در یک ناحیه محدود از یک تصویر بیشتر از 24 سطح روشنایی رو تشخیص بدهد . این به مثابه ی آن است که چشم عمل یک فیلتر پایین گذر روی تصویر انجام میدهد و تغییرات شدید در یک ناحیه تصویر یعنی فرکانس بالا را حذف میکند . تعداد سطوح قابل تفکیک در یک ناحیه محدود 24 تا هست در کل حدود 9^10 سطح مختلف را میتوانیم تشخیص دهیم این ناحیه محدود برای فاصله های 30سانتی از چشم چیزی حدود 0.5 در 0.5 است .