《数字图像处理 Intensity transformations spatial filtering》课件

数字图像处理

（DigitalImageProcessing）第3章第2页3.Intensitytransformations&spatialfilteringBackgroundSomebasicintensitytransformationHistogram-basedimageenhancementFundamentalsofspatialfilteringSmoothingspatialfiltersSharpenspatialfiltersCombiningspatialenhancementmethodsUsingfuzzytechniquesforintensitytransformationandspatialfiltering第3章第3页ThemotivationofIT

Enhancement:图像增强就是对输入图像进行某种处理,使得输出图像比输入图像更加适合特定的应用,主要是为了适合人眼理解图像Themotivationofenhancement图像质量差图像质量好,但不便于人眼观察Howtoevaluatetheenhancementeffect?人眼系统主观评价3.1Background第3章第4页ThegeneralformofspatialdomainprocessesGiventhegraylevelofapixel,useafunctionftooutputamodifiedgraylevel3.1Background第3章第5页像素(x,y)的邻域:通常定义为以(x,y)为中心的矩形(正方形居多)的子图像3.1Background图像中(x,y)点的3

3邻域Theneighborhoodsize邻域为1

1:Basicintensitytransformation邻域n

n:基于空间滤波的增强整幅图像的统计特性:基于直方图的增强第3章第6页3.Intensitytransformations&spatialfilteringBackgroundSomebasicintensitytransformationHistogram-basedimageenhancementFundamentalsofspatialfilteringSmoothingspatialfiltersSharpenspatialfiltersCombiningspatialenhancementmethodsUsingfuzzytechniquesforintensitytransformationandspatialfiltering第3章第7页“Basic”comesfromtheneighbohoodsize1

1,i.e.asinglepixel3.2SomebasicintensitytransformationfunctionsPointprocessingNeighborhoodprocessing(Basic)第3章第8页3类基本灰度变换技术线性:正比,反比对数:对数,反对数幂次:n次幂,n次方根3.2Somebasicintensitytransformationfunctionsnegativeidentitylognpowernroot第3章第9页3.2.1Imagenegatives输入图像的灰度级r范围[0,L-1],即0

r

L-1输出图像的灰度为s=L-1-r灰度图像:“黑白颠倒”彩色图像:补色适用于增强图像中暗色区域的灰色细节部分Itmakesallthedifferencewhetheroneseesdarknessthroughthelightorbrightnessthroughtheshadows第3章第10页3.2.1Imagenegatives灰度图像彩色图像Examples第3章第11页3.2.2Logtransformations对数变换表达式

s=clog(1+r)把窄范围的低灰度级映射到宽范围的灰度级(增强低灰度级)把宽范围的高灰度级映射到低范围的灰度级(抑制高灰度级)应用:压缩图像的动态范围,显示图像的傅里叶频谱图像拉伸压缩第3章第12页示例:利用对数变换显示图像的傅里叶频谱频谱幅值范围:0~107,且低频能量最多图像图像的傅里叶谱3.2.2LogTransformation第3章第13页频谱幅值(灰度级)直方图像素个数图像傅里叶谱的直方图3.2.2Logtransformations第3章第14页对数变换的应用:频谱显示3.2.2Logtransformations第3章第15页3.2.3Power-law(Gamma)transformation幂次变换表达式

<1:扩展暗像素值,压缩亮像素值

>1:压缩暗像素值,扩展亮像素值应用:用于各种图像获取、打印和显示等设备的伽马校正(Gammacorrection)第3章第16页3.2.3Power-law(GammatransformationCRT(阴极射线管)设备的电压-亮度曲线近似为幂函数没有进行伽马校正的输出图像比输入图像暗,且暗区被压缩将经过伽马校正后的图像r

作为输入,得到接近真实的显示效果voltageintensity第3章第17页3.2.3Power-law(Gamma)transformation显示器输入图像显示图像显示图像Gamma校正校正图像显示器第3章第18页3.2.3Power-law(Gamma)transformation原始图像扩展暗灰度级:MR图像增强第3章第19页压缩亮灰度级:航拍图像增强原始航拍图像(washedout)3.2.3Power-law(Gamma)transformation第3章第20页3.2.4Piecewise-lineartransformationfunctions分段线性变换:将灰度级划归不同范围,每个范围采用不同的线性变换优点:变换形式可根据需要任意合成缺点:需用户输入主要形式:对比度拉伸灰度切割位图切割（自学）第3章第21页3.2.4Piecewise-lineartransformationfunctions对比度拉伸:提高图像灰度级的动态范围第3章第22页3.2.4Piecewise-lineartransformationfunctionsthresholding第3章第23页3.2.4Piecewise-lineartransformationfunctionsSummaryofbasicintensitytransformWhatarechangedbyintensitytransformWhat‘sthedrawback?(notautomatic)第3章第25页3.Intensitytransformations&spatialfilteringBackgroundSomebasicintensitytransformationHistogram-basedimageenhancementFundamentalsofspatialfilteringSmoothingspatialfiltersSharpenspatialfiltersCombiningspatialenhancementmethodsUsingfuzzytechniquesforintensitytransformationandspatialfiltering第3章第26页3.3HistogramprocessingMotivation

Intensitytransformcanenhanceimagebecauseitproperlychangestheimagehistogram.Sowecandirectlydesignanintensitytransformfunctionbasedonhistogram第3章第27页3.3HistogramprocessingMotivation

第3章第28页3.3HistogramprocessingDefinitionofhistogram(hist=bar,gram=图)

Iftheintensitylevelsisintherange[0,L-1],thehistogramisadiscretefunctionh(rk)=nk

,(k=0,1,...,L-1).

whererkisthekthintensityvalue,andnkisthenumberofpixelsintheimagewithintensityrk.23324243323524244x4imageGrayscale=[0,9]histogram123456No.ofpixels0123456789Graylevel第3章第29页3.3Histogramprocessinghistogramequalization(HE)histogramprocessinghistogramspecification(HS)LocalHE第3章第30页3.3.1HistogramEqualization(HE)What’shistogramequalization？Aprocessthatseekanintensitytransformfunctions=T(r)sothatthehistogramoftransformedimagebecomesflat.

TheadvantagesofHE

Automaticallyandadaptlydetermineanoptimaltransformfunctionthat第3章第31页3.3.1HistogramEqualization(HE)TheconstraintsofHELetr[0,L-1]

betheinputintensity,s=T(r)isthetransformedintensity.ItisrequiredthatthefunctionTsatisfies:T(r)isamonotonicallyincreasingfunctionintheinterval0

r

L-1.0T(r)L-1for0

r

L-1,

01011rrsrss第3章第32页3.3.1HistogramEqualization(HE)用r表示变换前的灰度,pr(w)

表示变换前的直方图用s表示变换后的灰度,ps(w)表示变换后的直方图如果

ra小,

sa也小变换前后面积相等其中故：sa

sarasa+

sasarara+rarara+raps0s变换后的直方图srs=T(r)0rpr变换前的直方图0What’stherelationshipoftheoriginalhistogramandthetransformedone?变换后s的PDF由变换前r的ＰＤＦ和所用的变换函数Ｔ决定。第3章第33页3.3.1HistogramEqualization(HE)HowtoHEbasedontherelationshipTheformulaofHEProof:

,then,0

s

L-1BecausesosubstituteCumulativedistributionfunction(CDF)isusedastheHEtransformfunction随机变量Ｓ具有均匀ＰＤＦ表征

第3章第34页3.3.1HistogramEqualization(HE)IfCumulativedistributionfunction(CDF)isusedastheHEtransformfunctionTheformulaofHE

,then,0

s

L-1

第3章第35页3.3.1HistogramEqualization(HE)TheformulaofHEIf,then,0

s

L-1discrete

对64×64的图像,L=8,图像中各灰度级的像素数目为:K(灰度级)nkk(灰度级)nk07904329110235245285061223656781例１.直方图均衡化pr(1)统计原始图象的直方图(2)计算直方图累积分布函数prsk例直方图均衡化(3)用累积分布函数作变换函数进行图像灰度变换

例直方图均衡化例直方图均衡化直方图均衡化均衡化前后直方图比较例小结：（1）因为直方图是近似的概率密度函数，所以用离散灰度级进行变换时很少得到完全平坦的结果；（2）变换后灰度级减少，即出现灰度“简并”现象，造成一些灰度层次的损失。第3章第41页3.3.1HistogramEqualization(HE)暗图像亮图像ExamplesHE第3章第42页3.3.1HistogramEqualization(HE)低对比度图像高对比度图像ExamplesHE第3章第43页3.3.1HistogramEqualization(HE)原始图像差别很大,经直方图均衡化后的图像视觉效果接近高对比度图像经直方图均衡化后变化不大Examples第3章第44页3.3.1HistogramEqualization(HE)Examples第3章第45页3.3.2Histogramspecification(matching)Motivation:overcometheshortcomingofHELight,washedoutappearance第3章第46页3.3.2Histogramspecification(matching)SpecifyapossibleandreasonableoutputhistogramMotivation:overcometheshortcomingofHE原始图像均衡图像规定化第3章第47页考察使输入图像的直方图均衡化的变换函数：考察使输出图像的直方图均衡化的变换函数：得到：Find:一个变换,使得输出图像的直方图为Given:输入图像的直方图为,规定输出图像的直方图为3.3.2Histogramspecification(matching)Theprincipleofhistogramspecification

第3章第48页3.3.2Histogramspecification(matching)1）2）3）Theprinciple

(5)对于原始图像的每个像素,若像素值为rk,将该值映射到其对应的灰度级sk;然后映射灰度级sk到最终灰度级zk.直方图规定化的实现(1)求出已知图像的直方图(2)利用对每一灰度级rk预计算映射灰度级sk.(3)利用从给定的Pz(z)得到变换函数G.(4)对一个sk值计算满足3.3.2Histogramspecification(matching)例：Ｐ８０

skprS(k)fin=int[(L-1-0)sk+0.5]skrk均衡所以最后结果：Ｐ８２例3.9原始图像直方图均衡处理直方图规定化处理第3章第55页3.3.3LocalhistogramprocessingLocalvs.globalGlobal:intensitydistributionofanentireimage->transformationfunctionLocal:intensitydistributionofasubimage(neigbourhood)->transformationfunction步骤:①定义一个方形或矩形的区域(邻域),该区域的中心位置在某个像素点②计算该邻域的直方图,利用前面介绍的技术来得到变换函数.③使用该变换函数来映射该区域的中心象素的灰度;④把该区域的中心从一个像素移动至另一像素.重复②~④3.3.4在图像增强中使用直方图统计第3章第56页

邻域中平均灰度的度量邻域中灰度对比度的度量局部增强过程：

定义一个邻域，并把该区域的中心从一个像素移动到另一个像素。在每个位置上，计算邻域中的点的直方图，得到的不是直方图均衡化就是规定化变换函数。这个函数最终用于映射邻域中心像素的灰度。然后邻域的中心移动的下一个相邻的像素位置，重复该过程。前提：

统计度量与图像的外观有紧密的、可预测的关系。第3章第57页Examples：a.放大130倍的钨丝SME图像b.全局直方图均衡结果c.局部直方图统计增强后结果存在问题：A中右侧图像较暗，原有另一根钨丝结构，但无法看清，其大小及特征无法分析；B中是全局直方图均衡后结果，可看到右侧图像区域亮度得到改善，但辨别具体细节还有一定难度，同时原本图像亮区域也发生变化了。这是我们想避免的事情。美好设想：只增强暗区域，尽可能保留亮区域不变3.3.4在图像增强中使用直方图统计第3章第58页如何实现？如何分辨暗区域和亮区域？

2.如何增强对比度低的区域？找到需要处理的对比度低的区域？

3.如何避免增强标准差为零的恒定区域？

3.3.4在图像增强中使用直方图统计第3章第59页其中：3.3.4在图像增强中使用直方图统计

第3章第60页3.Intensitytransformations&spatialfilteringBackgroundSomebasicintensitytransformationHistogram-basedimageenhancementFundamentalsofspatialfilteringSmoothingspatialfiltersSharpenspatialfiltersCombiningspatialenhancementmethodsUsingfuzzytechniquesforintensitytransformationandspatialfiltering第3章第61页3.4FundamentalsofspatialfilteringSpatialfiltersvs.frequencyfilters1)one-to-onecorrespondenceinmanycases2)Spatialfiltersofferconsiderablymoreversatilitybecausetheycanbeusedalsofornonlinearfiltering,somethingwecannotdointhefrequencydomain3.4FundamentalsofspatialfilteringFilter(滤波器)Mask(掩模)Kernel(核)

Template(模板)Window(窗口)3.4FundamentalsofspatialfilteringThegeneralformoflinearfiltering给定输入图像f(x,y),和尺寸为m

n的模板w(i,j),则滤波后的输出图像g(x,y)为:用一句话来说明：

Convolvingamaskwithanimage

m和n通常取奇数，为什么？因此，滤波模板又称为“卷积核(convolutionkernel)”其中:，.注意:非线性滤波不是这种形式第3章第64页如何处理卷积滤波的边界问题?33mask88image3.4Fundamentalsofspatialfiltering第3章第65页处理边界问题的三种方法丢弃法:对边界部分不予处理,只对距离边界大于(n-1)/2的像素滤波.滤波后的图像比原始图像小.填零法:对边界部分用模板的一半滤波,滤波后的图像与原始图像大小相等

延拓法:把图像向外延拓几个像素后,再滤波3.4Fundamentalsofspatialfiltering3.4.2 空间的相关和卷积相关和卷积的关系：

定义：在，强度为A的冲激函数有:

x

,y

是冲激函数

任意一个函数和冲激函数的卷积相当于“复制”冲激位置上此函数的值第3章第67页3.4.2 空间的相关和卷积相关和卷积的关系：一维情况：相关卷积3.4.2 空间的相关和卷积相关和卷积的关系：一维情况：为执行卷积，需先把参加运算的一个函数旋转180o，然后再执行相关中的相同操作。（移位、相乘、相加）任意一个函数和冲激函数的相关相当于“复制”冲激位置上此函数的反转“版本”3.4.2 空间的相关和卷积相关和卷积：二维情况：相关：卷积：Thegoalofsmoothingspatialfiltering1)Input输入原始图像输出增强图像平滑滤波器(smoothing)(去噪,noisereduction)Input输入原始图像输出增强图像(强化大物体)平滑滤波器(smoothing)(模糊,blurring弱化小物体)阈值化(Thresholding)2)类似图像分割3.5Smoothingspatialfiltering111111111Twoforms:uniformweightsandun-uniformweights1212421211)uniform2)un-uniformInverselyproportionaltodistanceWhyitcanremove(suppress)noise?实际图像=理想图像+噪声理想图像的邻域像素的相似关系,邻域噪声的随机性特点3.5.1Smoothinglinearfiltering3.5.1线性平滑滤波器

SmoothingLinearFilters111111111Example1:suppressnoisebutblurdetails(blendingeffect)原始图像111111111111111111111111199模板3535模板1515模板3.5.1线性平滑滤波器

SmoothingLinearFiltersExample1:suppressnoisebutblurdetails(blendingeffect)TemplatesizeBlureffectNoiseremove3.5.1线性平滑滤波器

SmoothingLinearFiltersExample2:suppressnoisebutblurdetails(blendingeffect)输入原始图像输出增强图像(强化大物体)平滑滤波器(模糊化,blurring弱化小物体)阈值化(Thresholding)2)Basicidea:Bigmaskisusedtoeliminatesmallobjectsfromanimage.Thesizeofthemaskestablishestherelativesizeoftheobjectsthatwillbeblendedwiththebackground.15*15模板thresholding阈值化(最大亮度的25%)Hubble望远镜OriginalimageSmoothedenhanced3.5.2非线性(排序)平滑滤波器

SmoothingNonlinearFilters(RankingFilter)上述线性平滑滤波器虽然抑制了噪声，但同时也使图像的边缘也模糊了。Canwefindanovelfilterthatcansuppressnoisewhilepreservedetails(edges)中值滤波器(MedianFilter)：suppressnoise+preserveedgesRankingFilter（排序滤波器）MinFilter(最小值滤波器)MedianFilter(中值滤波器)MaxFilter(最大值滤波器)RankingFilter:Theresponseisbasedonordering(ranking)thepixelscontainedintheimageareaencompassedbythefilter3.5.2非线性(排序)平滑滤波器

SmoothingNonlinearFilters(RankingFilter)z1z2z3z4z5z6z7z8

z9

中值滤波器(MedianFilter)：抑制噪声的同时又能很好地保持图像的边缘中值滤波器(medianfilter):R=median{zk|k=1,2,…,n

n}1020202015202025100Themedian,

,ofasetofvaluesissuchthathalfthevaluesinthesetarelessthanorequalto

,andhalfaregreaterthanorequalto

.Example：Giventheintensitiescoveredbythemask:Pleasecomputeitsmedianvalue＝求中值(第5个数的值)Rank排序(从小到大)3.5.2非线性(排序)平滑滤波器

SmoothingNonlinearFilters(RankingFilter)Example:Medianfiltersforsuppresssalt-and-peppernoiseOriginalinputimage3*3均值滤波器的结果中值滤波器的结果椒盐噪声=impulsenoise=whiteandblackdots因此,中值滤波器比均值滤波器更适合于加性椒盐噪声Incredible!Salt-and-pepper:(ofcloth)havingdarkandlightwoolswoventogethertoshowamixtureofdarkandlightspots(布料，黑白混纺的).3.6锐化滤波器

SharpeningSpatialFiltersSofar,wehavelearn:？锐化滤波器(Sharpeningspatialfilter)基于二阶导数(Laplacian)基于一阶导数(梯度,gradient)强化图像细节deblur(sharpen)空域滤波器(Spatialfilter)平滑滤波器(Smoothingspatialfilter)Linearfilter(均值滤波器)Nolinearfilter(中值滤波器)抑制噪声,并保持边缘模糊掉小物体Blur(smooth)3.6.1一阶和二阶导数

first-andsecond-orderderivativesSharpeningfilterisbasedonthefirst&secondderivativeThefirstorderderivative：一阶导数近似:二阶导数近似:3.6.1一阶和二阶导数

first-andsecond-orderderivativesThefeaturesofthefirst&secondorderderivative斜坡平坦区域阶跃阶跃区域:一阶导数有正突变;二阶导数有一个从正的极值到负极值的快速过渡,产生”double-edge”

效应.(zero-crossing)斜坡区域:一阶导数处处非零;二阶导数只在斜坡两端非零(上充/下充),其它部分均为零平坦区域

一阶微分和二阶微分的区别:(1)一阶微分处理通常会产生较宽的边缘(2)二阶微分处理对细节有较强的响应,如细线和孤立点(3)一阶微分处理一般对灰度阶梯有较强的响应(4)二阶微分处理对灰度级阶梯变化产生双响应(5)二阶微分在图像中灰度值变化相似时,对线的响应要比对阶梯强,且点比线强.大多数应用中,对图像增强来说.二阶微分处理比一阶微分好,因为形成细节的能力强.而一阶微分处理主要用于提取边缘.3.6.2基于二阶导数的图像增强

SecondDerivativesforEnhancement(theLaplacian)Intuitiveideaofimagesharpening(enhancement)原始(理想)信号模糊信号Unsharpensignal(二阶导数)锐化信号3.6.2基于二阶导数的图像增强

SecondDerivativesforEnhancement(theLaplacian)basicidea输入图像求二阶导数(Laplacian算子)增强图像Howtocompute？3.6.2基于二阶导数的图像增强

SecondDerivativesforEnhancement(theLaplacian)计算Laplacian算子函数f(x,y)

的Laplacian算子定义为:数字图像的二阶偏导为:故数字图像的Laplacian算子为:3.6.2基于二阶导数的图像增强

SecondDerivativesforEnhancement(theLaplacian)ThetemplateofLaplacianoperators0101-41010对角拓展1111-81111horizontal二阶偏导vertical二阶偏导+horizontal二阶偏导vertical二阶偏导++45

方向二阶偏导135方向二阶偏导+3.6.2基于二阶导数的图像增强

SecondDerivativesforEnhancement(theLaplacian)Example:imagesharpening

(thenorthpoleofthemoon)0101-410101111-811113.6.3基于一阶导数的图像增强

FirstDerivativesforEnhancement(Gradient,Sobel)用梯度来增强图像的边缘(用于后续的边缘检测)输入图像与梯度算子卷积(Sobel算子,Roberts算子)增强图像函数的梯度是一个向量:常用梯度的幅度代替梯度本身:常用绝对值代替平方:3.6.3基于一阶导数的图像增强

FirstDerivativesforEnhancement(Gradient,Sobel)z1z2z3z4z5z6z7z8

z9

convolutionmaskRobertsoperator(1965年)-100

1

0-110

Sobeloperator-1-2-1000121-101-202-101TheRobertsoperatorisoneoftheoldestoperators[Roberts65]TheprimarydisadvantageofRobertsoperatorisitshighsensitivitytonoise,becauseveryfewpixelsareusedtoapproximatethegradientTheideabehindusingaweightvalueof2istoachievesomesmoothingbygivingmoreimportancetothecenterpoint3.6.3基于一阶导数的图像增强

FirstDerivativesforEnhancement(Gradient,Sobel)

Sobel梯度算子应用实例(contactlens,隐形眼镜)-1-2-1000121-101-202-101缺陷微分算子小结一阶微分算子：①突出小缺陷；②去除慢变化背景二阶微分算子：增强灰度突变处的对比度第3章第89页3.6锐化滤波器

SharpeningSpatialFilters第3章第90页3.Intensitytransformations&spatialfilteringBackgroundSomebasicintensitytransformationHistogram-basedimageenhancementFundamentalsofspatialfilteringSmoothingspatialfiltersSharpenspatialfiltersCombiningspatialenhancementmethodsUsingfuzzytechniquesforintensitytransformationandspatialfiltering3.7Combiningspatialenhancementmethods

第3章第91页目的：通过锐化突出骨骼的更多细节来增强图像困难：图像灰度动态范围很窄，较高噪声Step1:拉普拉斯突出图像中的小细节，此图已标定过-1-1-1-18-1-1-1-1图A原图图Blaplacian-filtering图Claplacian–filtering+图A

叠加拉普拉斯图像后的图像，噪声较多梯度变换比拉普拉斯在灰度变换区域响应要强烈，对噪声和小细节响应要弱第3章第92页3.7Combiningspatialenhancementmethods

图Dsobelof图A图Emedian-filteringwith图D

图Claplacian–filtering+图A

图A

第3章第93页3.7Combiningspatialenhancementmethods

vs第3章第94页3.Intensitytransformations&spatialfilteringBackgroundSomebasicintensitytransformationHistogram-basedimageenhancementFundamentalsofspatialfilteringSmoothingspatialfiltersSharpenspatialfiltersCombiningspatialenhancementmethodsUsingfuzzytechniquesforintensitytransformationandspatialfiltering3.8.1IntroductiontofuzzysetsFuzzysetsprovideaframeworkforincorporatinghumanknowledgeinthesolutionsofproblemsImageenhancement:1)ifdarkthendarker;iflightthenlighter;ifgraythengray.2)Enhanceboundary3.8.1IntroductiontofuzzysetsCrispsetvs.fuzzysetvs.probabilityCrispset:Z={z};Z={z|zsatisfiessomeconditions};Youngage={age|age<20}Fuzzyset:A={z,

A(z)|zZ};Bi-valuedBooleanlogicInfinite-valuedmembershipDegreesof“youngness”Relativelyyoung,young

50%youngNotsoyoung,Notyoung,ProbabilityThereisa50%chancethatapersonisyoung3.8.2PrinciplesoffuzzysettheoryDefinitionsA={z,

A(z)|zZ}A={(1,1),(2,1),…,(20,1),(21,0.9),(22,0.8),…,(25,0.5),(26,0.4)…,(29,0.1),…,(30,0),…,(99,0)}

第3章第98页3.8.2Principlesoffuzzysettheory并集Union:theunion(OR)oftwofuzzysetsAandB交集Intersection:theintersection(AND)oftwofuzzysetsAandB3.8.2PrinciplesoffuzzysettheorySomecommonmembershipfunctionsPiecewiselinearCrossoverpointbandwidthSmooth,nonlinear3.8.3UsingfuzzysetsTask:

用颜色把给定的水果分为三类：生的，半熟的和成熟的Humanknowledge(人类知识):

生的水果是绿色的，半熟的水果是黄色的，成熟的水果是红色的。Fuzzymethod:3.8.3UsingfuzzysetsFuzzymethod1.模糊输入：将颜色模糊化绿，红和黄是颜色感觉的含混描述。因此必须以模糊形式来表达这些标志。通过将隶属度定义为颜色（光的波长）的函数来实现。寻找使用输入（颜色）和人类知识来创建模糊系统的输出

表征输出为生的、半熟的和熟的隶属度函数3.8.3UsingfuzzysetsFuzzymethod:2.应用推断方法(fuzzyIF-THENrules)R3:IFthecolorisred,THENthefruitismatureJointmembershipMembershipofmatureMembershipofcolorRedANDmature3.8.3