# 🧠 作業核心主題

1. 形態學影像處理（Morphological Image Processing）
2. 頻域影像濾波（Fourier Transform-based Filtering）

---

# 🛠 作業涵式實作

## I. `morphology.py` - 形態學影像處理

Morphology 是針對 **二值或灰階影像** 進行結構性變化的技術，常用於消除雜訊或強調圖像邊緣。

### 📌 作業目標

- 自行實作 kernel 掃描與最大/最小運算
- 正確處理 padding 與滑動視窗操作

### ✅ 實作函式

- `dilation(img, kernel)`
膨脹操作，**擴大白色區域**，常用於填補小黑洞。

- `erosion(img, kernel)`
侵蝕操作，**縮小白色區域**，常用於去除小白點。

- `opening(img, kernel)`
先侵蝕再膨脹，用來**移除雜訊**。

- `closing(img, kernel)`
先膨脹再侵蝕，用來**填補孔洞**。

---

## II. `filtering.py` - 濾波與傅立葉轉換

本部分涵蓋空間域與頻域濾波操作，並進一步製作混合影像（Hybrid Image）。

### 📌 作業目標

- 了解 FFT 的原理與應用（空間↔頻率轉換）
- 比較頻域與空間域濾波效果差異
- 製作高低頻混合影像（Hybrid Image）

### ✅ 基本濾波操作

- `my_2d_conv(image, kernel)`
實作 2D 卷積，用於空間域濾波。

- `spatialdomain_filtering(image, kernel)`
使用空間域的捲積操作進行濾波。

- `freqencydomain_filtering(image, kernel)`
使用 FFT 進行頻域濾波。

### ✅ 混合影像（Hybrid Image）

- `spatial_hybrid_imaging(for_lowpass, for_highpass, kernel=None)`
空間域方式合成低頻與高頻影像。

- `freq_hybrid_imaging(for_lowpass, for_highpass, kernel=None)`
頻域方式合成低頻與高頻影像（如人臉＋貓臉案例）。

---

## III. `denoising.py` - 雜訊去除應用

應用前面實作的 Morphology 與 Filtering 函數，完成影像雜訊處理。

### 📌 作業目標

- 依雜訊類型設計對應濾波策略
- 實際應用自行撰寫的 Morphology / FFT 函數
- 整合處理流程，並透過文字辨識驗證成效

### ✅ Part 1：Gaussian Noise 去除

- 加入高斯雜訊（Gaussian Noise）
- 使用 **低通濾波器** + 平滑化處理

### ✅ Part 2：Salt & Pepper Noise 去除

- 加入椒鹽雜訊（Salt & Pepper Noise）
- 使用 **Morphological Opening / Closing 操作** 去除雜訊
- 使用 `easyocr` 執行辨識 → 評估處理效果