Metode frekvencije- zasnivaju se na modifikaciji signala, "rade" direktno sa funkcijom osvetljenjabodova.
metode obrade slike element po element -
gradacijska, (na primjer, negativna), logaritamska, transformacija snage, komadno linearna, histogram, itd. - rezultat obrade u bilo kojoj tački ovisi samo o vrijednosti originalne vrijednosti u istoj tački;
metode obrade kliznih prozora –
filtriranje, konturiranje, itd. – rezultat ovisi o okolini.
Fourierove transformacije, Adamard, itd.
Prostorne metode– pristupi zasnovani na direktnoj manipulaciji pikselima slike i njihovim karakteristikama (rotacija, rastezanje (kompresija), refleksija, translacija – tzv. afine transformacije).
Obrada slike element po element.
Suština obrade slike element po element svodi se na sljedeće. neka , 
– vrijednosti svjetline originalne slike i one dobivene nakon obrade slike, u tački u kadru koja ima kartezijanske koordinate (broj reda) i (broj kolone). Obrada element po element znači da postoji funkcionalni odnos jedan-na-jedan između ovih svjetlina
, (1.1)
omogućavajući da se vrijednost izlaznog signala odredi iz vrijednosti izvornog signala. IN opšti slučaj, kao što je uzeto u obzir u ovom izrazu, tip ili parametri funkcije 
, koji opisuje obradu, zavise od trenutnih koordinata. U ovom slučaju, obrada je heterogena. Međutim, većina praktičnih postupaka koristi homogena obrada element po element. U ovom slučaju, indeksi i j u izrazu (1.1) može izostati. U ovom slučaju, odnos između svjetline originalne i obrađene slike opisuje funkcija:
(1.2)
isto za sve tačke okvira.
Linearni kontrast slike. Ako je 1 bajt (8 bitova) memorije dodijeljen za digitalni prikaz svakog uzorka slike, tada ulazni ili izlazni signali mogu uzeti jednu od 256 vrijednosti. Obično je radni opseg 0...255; u ovom slučaju, vrijednost 0 odgovara nivou crne tokom vizualizacije, a vrijednost 255 odgovara nivou bijele boje. Pretpostavimo da su minimalna i maksimalna svjetlina originalne slike jednake x min I x max respektivno. Ako se ovi parametri ili jedan od njih značajno razlikuju od graničnih vrijednosti raspona svjetline, tada vizualizirana slika izgleda nezasićena, neugodna i zamorna za promatranje. Primjer takvog neuspješnog predstavljanja prikazan je na Sl. 1.1a, gdje raspon svjetline ima granice x min = 180,x max = 240.
Za linearno kontrastiranje koristi se linearna elementarna transformacija forme
, (1.3)
čiji su parametri određeni željenim vrijednostima minimuma y min i maksimalno i y max izlazna svjetlina. Nakon što smo riješili sistem jednačina
s obzirom na parametre transformacije i , lako je svesti (1.3) na oblik:
.
Rezultat linearnog kontrasta originalne slike prikazane na Sl. 1.1a, prikazano na Sl. 1.1b at y min= 0 i y max= 255. Poređenje dve slike ukazuje na značajno bolji vizuelni kvalitet obrađene slike. Poboljšanje je rezultat upotrebe punog dinamičkog opsega ekrana nakon kontrasta, koji nedostaje originalnoj slici.
Konverzija histograma, ekvilizacija. Sve transformacije slike element po element mogu se razmatrati sa stanovišta promjena gustoće vjerovatnoće distribucije svjetline originalne i rezultirajuće slike. Očigledno, ni sa jednim od njih se gustina vjerovatnoće izlaznog proizvoda neće poklapati sa gustinom vjerovatnoće originalne slike (s izuzetkom transformacije 
).
Određivanje probabilističkih karakteristika slika koje su podvrgnute nelinearnoj obradi je ravno zadatak analize. Prilikom rješavanja praktičnih problema obrade slike može se postaviti inverzni problem: By poznati oblik gustine vjerovatnoće 
I željeno um 
definisati potrebno transformacija 
, kojem treba podvrgnuti originalnu sliku. U praksi digitalne obrade slike, transformacija slike u ravnomjernu distribuciju često daje korisne rezultate. U ovom slučaju
(1.4)
Gdje y min I y max– minimalne i maksimalne vrijednosti svjetline konvertirane slike.
Hajde da odredimo karakteristike pretvarača koji odlučuje ovaj zadatak. Neka x I y povezane su funkcijom (1.2), i 
I 
–integralni zakoni distribucije ulazne i izlazne veličine. Uzimajući u obzir (1.4), nalazimo:
Zamjena ovog izraza u uvjet probabilističke ekvivalencije
=
,
poslije jednostavne transformacije dobijamo odnos
što predstavlja karakteristiku (1.2) u problemu koji se rješava. Prema (1.5), originalna slika prolazi kroz nelinearnu transformaciju, čija je karakteristika 
određena je integralnim zakonom distribucije same originalne slike. Nakon toga, rezultat se dovodi do specificiranog dinamičkog raspona pomoću operacije linearnog kontrasta.
Dakle, transformacija gustine vjerovatnoće pretpostavlja poznavanje kumulativne distribucije za originalnu sliku. Po pravilu, o tome nema pouzdanih podataka. Upotreba analitičkih aproksimacija za razmatrane svrhe je takođe od male koristi, jer njihova mala odstupanja od pravih distribucija mogu dovesti do značajnih razlika u rezultatima od traženih. Stoga se u praksi obrade slike transformacija distribucija izvodi u dvije faze.
U prvoj fazi se mjeri trakasti grafikon originalna slika. Za digitalnu sliku čija sivina, na primjer, pripada rasponu cijelih brojeva 0...255, histogram je tabela od 256 brojeva. Svaki od njih prikazuje broj tačaka u okviru koje imaju zadatu svjetlinu. Podijelimo sve brojeve u ovoj tabeli ukupnom veličinom uzorka jednakom broju upotrijebljenih tačaka slike, dobijamo procjena distribucije vjerovatnoće svjetline slike. Označimo ovu procjenu 
0 j 255. Tada se procjena integralne distribucije dobija po formuli:
.
U drugoj fazi se izvodi sama nelinearna transformacija (1.2), koja daje potrebna svojstva izlazne slike. Štaviše, umjesto nepoznato Za pravu kumulativnu distribuciju koristi se njena procjena zasnovana na histogramu. Uzimajući to u obzir, sve metode transformacije slike element po element, čija je svrha modificiranje zakona distribucije, nazivaju se histogramske metode. Konkretno, naziva se transformacija u kojoj izlazna slika ima uniformnu distribuciju izjednačavanje (niveliranje) histograma.
Imajte na umu da se postupci konverzije histograma mogu primijeniti i na sliku u cjelini i na njene pojedinačne fragmente. Ovo posljednje može biti korisno prilikom obrade nestacionarni slike, čiji sadržaj značajno varira u svojim karakteristikama u različitim oblastima. U ovom slučaju bolji efekat može se postići primjenom obrade histograma na pojedinačne regije.
Korištenje relacija (1.4), (1.5), koje vrijede za slike sa kontinuiranom distribucijom svjetline, nije sasvim ispravno za digitalne slike. Mora se imati na umu da kao rezultat obrade nije moguće dobiti idealnu distribuciju vjerovatnoće izlazne slike, stoga je korisno kontrolirati njen histogram.
Na sl. 1.2 prikazan je primjer izjednačavanja izvedenog u skladu s opisanom metodologijom. Karakteristična karakteristika mnogih slika dobijenih u stvarnim sistemima za snimanje je značajan udio tamnih područja i relativno mali broj područja sa visokom svjetlinom.
Ekvalizacija je dizajnirana da ispravi sliku izravnavanjem integralnih područja područja s različitim svjetlinama. Poređenje originalne (slika 1.2a) i obrađene (slika 1.2b) slike pokazuje da preraspodjela svjetline koja se javlja tokom obrade dovodi do poboljšanja vizualne percepcije.
Da izvrši analizu digitalne slike i otklanjanje od njih raznih tehničkih nedostataka koji su nastali tokom snimanja, na primjer, zbog neispravno podešavanje za snimanje uređaja ili nedostataka (ogrebotine, mrlje prašine, itd.) objektiva video ili foto kamere, često je potrebna obrada slike kako bi se povećao sadržaj informacija i kvalitet rezultirajućih slika.
Operacije kao što su uklanjanje/supresija šuma, podešavanje svjetline, kontrasta, oštrine fotografije, korekcija boja, uglađivanje, kompenzacija izobličenja i mnoge druge omogućavaju vam da uredite sliku i pripremite je za štampanje ili objavljivanje. Postoje i posebne operacije za rad sa slikama: dobivanje negativa, binarizacija (pretvaranje slike u crno-bijele boje), pretvoriti u sivo, itd.
Digitalna obrada slike takođe uključuju kreiranje slika dobijenih kombinovanjem nekoliko okvira.
Program za obradu slika
Da unesete digitalne slike sa uređaja za snimanje (video, web ili foto kamere) u računar, a zatim ih uredite, trebate specifičan sistem za obradu slike. IN idealno takav sistem također mora kontrolirati parametre snimanja, kao što su brzina zatvarača i ekspozicija, postavke slike kao što su svjetlina, kontrast, gama, zasićenje itd.
Program je dizajniran posebno za upravljanje uređajima (ili), kao i za analizu i obradu primljenih okvira. Ovo je višeplatformska aplikacija sa kojom se može raditi razni modeli u najpopularnijim operativni sistemi(na primjer, sa Canon PowerShot i Canon EOS u operativnom sistemu Windows, u OS zasnovanom na Linux kerneli, kao i na Mac OS). Za obradu primljenih okvira, program ima mnogo filtera i operacija koje rade i sa oblikom i bojom slike. Sve radnje izvedene u ovu aplikaciju preko statične slike, možete je izvesti iu realnom vremenu.
Metode obrade slike
Za uređivanje digitalnih slika, implementirani su različiti algoritmi za obradu slika savremeni programi. Njihova upotreba omogućava dobijanje visoka kvaliteta slike, kao i eliminisati većinu nedostataka koji su nastali tokom snimanja fotografija.
Program Altami Studio je razvio takve metode obrade slika kao što su: geometrijske (na primjer, rotacija, razmjer, izrezivanje), morfološke (dilatacija, erozija), transformacije slika u boji (negativ, gama, zaglađivanje), slike u nijansama sive (Laplaceova transformacija, prag , pronalaženje granica), kao i operacije na radu sa mjerenjima (traženje kontura) i sa pozadinom (niveliranje svjetla, restauracija, uklanjanje pozadine). osim toga, softver Za obradu slika, Altami Studio ima funkciju kao što je automatsko traženje objekata na slici. Sve operacije se mogu primijeniti uzastopno na jednu sliku, što vam omogućava da prilagodite sliku.
Obrada rendgenskih snimaka
Za analizu rendgenske slike, često je potrebno da je prvo uredite. U osnovi, u tu svrhu se podešavaju svjetlina i kontrast fotografije, koristi se operacija gama korekcije, algoritmi za obradu slike u polutonovima i još mnogo toga.
Ove metode obrade slike mogu se primijeniti u programu Altami Studio. Osim toga, korištenjem pozadinskih transformacija koje nudi ovaj sistem, sa rendgenska slika možete ukloniti artefakte i filter Automatska pretraga Objekti vam omogućavaju da pronađete i istaknete područja od interesa na slici. Pored navedenog, program Altami Studio implementira takvu transformaciju kao što su pseudo-boje, idealne za rad sa x-zrake. Koristeći ga, možete "obojiti" sliku tako što ćete pikselima dodijeliti određene boje kao rezultat njihovog kvantiziranja prema razinama svjetline. Na ovaj način, područja sa sličnim vrijednostima svjetline postaju prepoznatljiva.
Digitalna obrada slike
Obrada slike- bilo koji oblik obrade informacija za koji su ulazni podaci predstavljeni slikom, na primjer, fotografije ili video okviri. Obrada slike se može izvesti kako za dobijanje izlazne slike (na primjer, priprema za štampanje replikacije, za televizijsko emitiranje, itd.) tako i za dobivanje drugih informacija (na primjer, prepoznavanje teksta, brojanje broja i vrste ćelija u mikroskopu polje, itd.) d.). Osim statičnih 2D slika, također morate obraditi slike koje se mijenjaju tokom vremena, kao što je video.
Priča
Osnovne tehnike obrade signala
Ako se obrada primjenjuje na podatke date u digitalni oblik(posebno, ako se signal pre obrade pretvori u digitalni oblik), tada se takva obrada naziva digitalna.
Obrada slika za reprodukciju
Tipični zadaci
- Geometrijske transformacije kao što su rotacija i skaliranje.
- Korekcija boja: promjena svjetline i kontrasta, kvantizacija boja, konverzija u drugi prostor boja.
- Poređenje dvije ili više slika. Kako poseban slučaj- pronalaženje korelacije između slike i uzorka, na primjer u detektoru novčanica.
- Kombinovanje slika na različite načine.
- Podjela slike na područja.
- Uređivanje i retuširanje.
- Produžetak dinamički raspon kombinovanjem slika sa različitim ekspozicijama.
- Kompenzacija gubitka oštrine, na primjer, neoštrim maskiranjem.
Obrada slike u primijenjene i naučne svrhe
Tipični zadaci
- Prepoznavanje teksta
- Obrada satelitskih snimaka
- Mašinski vid
- Obrada podataka za izdvajanje različitih karakteristika
- Obrada medicinske slike
- Lična identifikacija (po licu, šarenici, podacima o otisku prsta)
- Automatska kontrola automobila
vidi takođe
Wikimedia fondacija. 2010.
Pogledajte šta je “Digitalna obrada slike” u drugim rječnicima:
- (DSP, engleski digitalna obrada signala) konverzija signala predstavljenih u digitalnom obliku. Svaki kontinuirani (analogni) signal može se podvrgnuti vremenskom uzorkovanju i kvantizaciji nivoa (digitalizaciji), a zatim... ... Wikipedia
Jednobojna crna bijela slika. Obrada slike je svaki oblik obrade informacija za koji su ulazni podaci slika, kao što su fotografije ili video okviri. Obrada slika se može izvršiti ... Wikipedia
Ovaj izraz ima druga značenja, pogledajte Signal (značenja). Obrada signala je oblast radiotehnike u kojoj se vrši restauracija, razdvajanje tokova informacija, potiskivanje šuma, kompresija podataka, filtriranje, pojačavanje... ... Wikipedia
- (CFS) je skup specijalnog softvera i hardvera dizajniranog za fotogrametrijsku obradu podataka iz zračne i svemirske fotografije. Obrada digitalnih rasterskih slika se obično vrši u stereoskopskoj... ... Wikipediji
- (digitalna karta lokalitet) digitalni model teren nastao digitalizacijom kartografskih izvora, fotogrametrijskom obradom podataka daljinsko očitavanje, digitalna registracija. GOST 28441 99 daje sljedeću definiciju: „Digitalni... ... Wikipedia
Wikipedia ima n... Wikipediju
Kompresija slike primjenjuje algoritme kompresije podataka na slike pohranjene u digitalni oblik. Kao rezultat kompresije, veličina slike je smanjena, što smanjuje vrijeme potrebno za prijenos slika preko mreže i štedi prostor za... ... Wikipedia
Digitalna obrada signala (DSP), DSP konverzija signala predstavljenih u digitalnom obliku. Svaki kontinuirani (analogni) signal s(t) može biti podvrgnut vremenskom uzorkovanju i kvantizaciji nivoa... ... Wikipedia
Dithering, dithering (engleski dither od staroengleskog didderen treperiti) tokom obrade digitalni signali je miješanje pseudo-slučajnog šuma sa posebno odabranim spektrom u primarni signal. Koristi se za... ... Wikipediju
DIGITALNA OBRADA SLIKE
1. TEORIJSKI DEO
1. Unos slike i prezentacija
Osnovna pitanja u teoriji obrade slike su pitanja: formiranja, unosa, predstavljanja u kompjuteru i vizualizacije. U radu je opisano dobijanje slika u obliku elektronsko mikroskopskih slika pomoću elektronskog mikroskopa. Područje za unos video informacija je pravokutno polje definirano gornjom, donjom, lijevom i desnom granicom. Oblik površine može se opisati kao funkcija udaljenosti F(x,y) od površine do tačke slike sa koordinatama x I y. Uzimajući u obzir da svjetlina tačke na slici ovisi isključivo o svjetlini odgovarajuće površine, možemo pretpostaviti da vizualna informacija odražava stanje svjetline ili transparentnosti svake tačke sa određenim stepenom tačnosti. Onda slika znači ograničena funkcija dvije prostorne varijable f(x,y), definiran na ograničenoj pravokutnoj ravni Ohoo i imaju određeni skup značenja. Na primjer, crno-bijela fotografija može se predstaviti kao f(x,y) ³ 0 , Gdje 0 £ x £ a, 0 £y£b, Gdje f(x,y) – svjetlina (ponekad se naziva optička gustina ili stepen bjeline) slike u tački ( x,y); a– širina okvira, b– visina okvira.
Zbog činjenice da je digitalna memorija računara sposobna da skladišti samo nizove podataka, slika se prvo pretvara u neki numerički oblik (matricu). Slike se unose u memoriju računara pomoću video senzora. Video senzor pretvara optičku distribuciju svjetline slike u električne signale, a zatim u digitalne kodove. Pošto je slika funkcija dvije prostorne varijable x I y, a električni signal je funkcija jedne varijable t(vrijeme), tada se za konverziju koristi sweep. Na primjer, kada se koristi televizijska kamera, slika se čita red po red, a unutar svake linije svjetlina ovisi o prostornim koordinatama x se pretvara u proporcionalnu amplitudnu zavisnost električni signal od vremena t. Prijelaz s kraja prethodni red do početka sljedećeg se događa gotovo trenutno.
Unošenje slika u kompjuter neizbežno je povezano sa uzorkovanjem slika po prostornim koordinatama x I y i kvantiziranje vrijednosti svjetline u svakoj diskretnoj tački. Diskretizacija se postiže korištenjem koordinatne mreže koju čine linije paralelne osi x I y Dekartov koordinatni sistem. Na svakom čvoru takve rešetke vrši se očitavanje svjetline ili transparentnosti nosioca vizualno percipirane informacije, koja se zatim kvantizira i predstavlja u memoriji računala. Element slike dobijen u procesu uzorkovanja slike naziva se piksel. Za kvalitetan prikaz slike u polutonu dovoljno je 2 8 = 256 nivoa kvantizacije, tj. 1 piksel slike je kodiran sa 1 bajtom informacije.
U digitalnom kompleksu IBAS-2000, informacije sadržane na slici su predstavljene u obliku različitih nivoa sive skale za pojedinačnih poena Slike. Maksimalna količina video informacija ograničena je brojem piksela (512x512 ili 768x512), kao i brojem nivoa sive skale - 256: 0 - crno, 255 - bijelo. Istovremeno, u video memoriji se može formirati od 8 do 56 različitih ćelija, ovisno o veličini slike. Video procesor ima matričnu strukturu, pruža 10 miliona množenja u sekundi, a slika u njemu je predstavljena u vektorskom obliku. Poluton ili slika u boji može se prikazati na monitoru ili odštampati.
2. Poboljšajte kontrast
Loš kontrast je najčešći nedostatak u fotografiranju, skeniranju i televizijske slike, zbog ograničenog raspona reprodukovane svjetline. Kontrast se obično podrazumijeva kao razlika između maksimalne i minimalne vrijednosti svjetline. Kroz digitalnu obradu, kontrast se može povećati promjenom svjetline svakog elementa slike i povećanjem raspona svjetline. Za to je razvijeno nekoliko metoda.
Neka, na primjer, nivoi neke crno-bijele slike zauzimaju interval od 6 do 158 sa prosječnom vrijednošću svjetline od 67 s mogućim najveći raspon vrijednosti od 0 do 255. Slika 1a prikazuje histogram svjetline originalne slike, koji pokazuje koliko N piksela sa sličnom vrijednošću svjetline f spada u raspon od f i to f+∆f i. Ova slika je niskog kontrasta, prevladava tamna nijansa. Moguća metoda kontrast se može poboljšati tzv linearno rastezanje histograma(rastezanje), kada nivoi originalne slike leže u intervalu [ f min, f max ], dodjeljuju se nove vrijednosti kako bi se pokrio cijeli mogući raspon promjena svjetline, u ovom slučaju . U ovom slučaju kontrast se značajno povećava (slika 1b). Konverzija nivoa osvetljenosti vrši se prema formuli:
(1)
Gdje f ja - stara vrijednost svjetline i-ti piksel g i - novo značenje, a, b - koeficijenti. Za sl. 1a f min = 6, f max = 158. Birajmo a I b Na način na koji g min = 0, g max= 255. Iz (1) dobijamo: a = - 10.01; b = 1,67.
Možete dodatno poboljšati kontrast upotrebom normalizacija histograma. U ovom slučaju, ne cijeli histogram, koji leži u rasponu od f min do f max, i njegov najintenzivniji dio ( f min" , f max"), neinformativni „repovi“ su isključeni iz razmatranja. Na slici 2b isključeno je 5% piksela.
Svrha izjednačavanja histograma (također tzv linearizacija I izjednačavanje - ekvilizacija) je transformacija takva da bi, u idealnom slučaju, postali svi nivoi svjetline istu frekvenciju, a histogram svjetline bi odgovarao uniformnom zakonu raspodjele (slika 3).
Neka slika ima format: N piksela horizontalno i M vertikalno, broj nivoa kvantizacije svjetline je J. Ukupan broj pikseli jednaki N· M, jedan nivo svjetline pada, u prosjeku, n o = N · M/ J piksela. Na primjer, N = M= 512, J = 256. U ovom slučaju n o = 1024. Udaljenost ∆ f između diskretnih nivoa osvetljenosti od f i to f i+1 u histogramu originalne slike je isti, ali na svakom nivou postoji drugačiji broj piksela Prilikom izjednačavanja histograma, udaljenost ∆ g i između nivoa g ja i g i+1 je različit, ali je broj piksela na svakom nivou u prosjeku isti i jednak n o . Algoritam ekvilizacije je jednostavan. Neka mali broj piksela ima niske nivoe svetline, kao na sl. 3a. Na primjer, nivo svjetline 0 u originalnoj slici ima 188 piksela, nivo 1- 347
piksela, nivo 2- 544 piksela. Ukupno ovo je 1079 piksela, tj. otprilike br. Dodijelimo svim ovim pikselima nivo 0. Neka broj piksela na originalnoj slici sa nivoima svjetline 3 i 4 ukupno bude približno također jednak n o . Ovim pikselima je dodeljen nivo 1. S druge strane, neka broj piksela sa nivoom 45 na originalnoj slici bude 3012, tj. otprilike 3n o. Svim ovim pikselima je dodijeljen neki identičan nivo g i , nije nužno jednako 45, ali ostaju dva susjedna nivoa prazno. Procedure o kojima se govori se izvode za sve nivoe osvetljenosti. Rezultat izjednačavanja može se vidjeti na sl. 4b. U svakom konkretnom slučaju odaberite proceduru konverzije histograma koja vodi do najboljeg rezultata, sa stanovišta korisnika.
3. Filtriranje slika
Prave slike zajedno sa korisne informacije sadrže razne smetnje. Izvori smetnji su inherentni šum fotodetektora, zrnatost fotografskog materijala i šum komunikacijskih kanala. Konačno, moguća su geometrijska izobličenja i slika može biti van fokusa. Neka f(x,y) – neka slika, X, at– koordinate.Prava rasterska slika ima konačne dimenzije: A ≤ x ≤ B, C ≤ y≤ D i sastoji se od pojedinačnih piksela koji se nalaze sa određenim korakom u čvorovima pravokutne mreže. Linearna transformacija slike može se opisati izrazom
(2)
Izraz (2), gdje se integracija vrši u cijelom domenu definicije x I y, karakterizira transformaciju cijele slike- globalno filtriranje. Kernel konverzije h 1(x,y,x",y") u optici se naziva funkcija širenja tačaka (PSF). Ovo je slika tačkastog izvora na izlazu optičkog sistema, koji više nije tačka, već neka tačka. U skladu sa (2) sve tačke slike f(x",y") se pretvaraju u tačke, dolazi do sumiranja (integracije) svih tačaka. Ne treba misliti da ovaj postupak nužno vodi do defokusiranja slike, naprotiv, možete odabrati PSF koji će vam omogućiti da fokusirate defokusiranu sliku.
Na sl. Slika 5 prikazuje jedan od mogućih PSF-ova. Uopšteno govoreći, PSF je definiran na (- ∞ < x < ∞), (- ∞ < y < ∞). ФРТ не должна изменяться при изменении начала отсчета по x I y, za ovo bi trebalo izgledati ovako: h 1(x,y,x",y")= =h 1(x - x", y- y"). Osim toga, PSF mora imati aksijalnu simetriju. U ovom slučaju, sve tačke slike se „zamućuju“ na isti način, ravnomjerno u svim smjerovima (princip prostorna invarijantnost).
 |
U praksi se retko koristi globalno filtriranje. Lokalno filtriranje se češće koristi kada se integracija i usrednjavanje ne provode na cijelom području definicije x I y, ali u relativno malom susjedstvu svake tačke slike. Funkcija širenja tačke ima ograničene dimenzije. Prednost ovog pristupa je dobre performanse. Linearna transformacija ima oblik:
(3)
Tokom obrade rasterske slike, koji se sastoje od pojedinačnih piksela, integracija je zamijenjena sumiranjem. Najlakši način za implementaciju PSF-a konačnih dimenzija je u obliku pravougaone matrice formatu N ´ N. N može biti jednako 3, 5, 7, itd. Na primjer, kada N= 3
Zbrajanje se vrši preko okoline tačke D ( i, j); a kl- PSF vrijednosti u ovoj blizini. Osvetljenost piksela f u ovoj tački iu njenoj blizini množe se koeficijentima a kl, konvertovana svjetlina ( i,j) - Ti piksel je zbir ovih proizvoda. Prema tome, matrični elementi zadovoljavaju uslov prostorne invarijantnosti a 11 = a 13 =a 31 = a 33 , a 12 = a 21 = a 23 = a 32. Samo tri elementa matrice 3x3 su nezavisna, u ovom slučaju matrica je invarijantna u odnosu na rotacije koje su višestruke od 90˚. Iskustvo u obradi slike pokazuje da nedostatak strože aksijalne simetrije PSF-a ima mali uticaj na rezultate. Ponekad koriste 8- karbonske matrice invarijantne pod rotacijama od 45˚.
Filtriranje prema (3) vrši se pomicanjem maske s lijeva na desno (ili odozgo prema dolje) za jedan piksel. Na svakoj poziciji otvora izvode se gore navedene operacije, odnosno množenje faktora težine a kl s odgovarajućim vrijednostima svjetline originalne slike i zbirom proizvoda. Rezultirajuća vrijednost se dodjeljuje centralnom ( i,j) - mu pixel. Obično se ova vrijednost dijeli sa unaprijed određenim brojem K (normalizacijski faktor). Maska sadrži neparan broj redova i kolona N tako da je centralni element jednoznačno određen.
Pogledajmo neke filtere koji izglađuju buku. Neka maska 3x3 izgleda ovako:
Zatim svjetlina ( i,j) tog piksela nakon filtriranja određuje se kao
Iako su šanse a kl se može odabrati iz srednjeg kvadrata ili drugog uvjeta blizine koji nije izobličen šumom s i,j i transformisana g i,j slike, obično se postavljaju heuristički. Evo još nekih matrica filtera za smanjenje buke:
Kod filtera H 1 - H 4normalizujući faktori K se biraju na način da nema promene u prosečnoj osvetljenosti obrađene slike. Uz maske 3x3 koriste se i maske većih dimenzija, na primjer, 5x5, 7x7 itd. Za razliku od filtera H 2, kod filtera H 1, H 3, H 4 težinski koeficijenti na presjeku glavnih dijagonala matrice su veći od koeficijenata koji se nalaze na periferiji. Filteri H 1, H 3, H 4 daje glatkiju promjenu svjetline na slici nego H 2.
Neka korisne uzorke slika f k,m se malo mijenja unutar maske. Dodatni šum se nanosi na sliku: f k,m + n k,m , uzorci šuma n k,m su slučajni i nezavisni (ili slabo zavisni) sa statističke tačke gledišta. U ovom slučaju, mehanizam za suzbijanje buke korištenjem gornjih filtera je da kada se dodaju, buke se međusobno poništavaju. Ova kompenzacija će biti uspešnija što više veći brojčlanova ukupno, tj. što je veća veličina (otvor blende) maske. Neka, na primjer, koristite masku N ´ N, u svojim granicama korisna slika ima konstantnu svjetlinu f, šum sa nezavisnim vrijednostima uzorka n k,m , prosječna vrijednost μ = 0 i varijansa σ 2 unutar maske (ova buka se zove bijela). Omjer svjetline na kvadrat ( i,j)-ti piksel na varijansu šuma, tj. odnos signal-šum je f 2 /σ 2.
Razmotrite, na primjer, masku poput H 2:
Srednji kvadrat svjetline je f 2, srednji kvadratni intenzitet buke
Udvostručite iznos odgovora k= str, m= q, ovaj zbir je jednak σ 2 / N 2. Četvorostruki zbir je jednak nuli, budući da su uzorci šuma na k ≠
str, m ≠ q nezavisni:
Kod impulsnih smetnji, mehanizam supresije je da se puls „širi“ i postaje jedva primjetan na općoj pozadini.
Međutim, često se unutar otvora blende vrijednosti korisne slike i dalje primjetno mijenjaju. To se posebno događa kada konture padaju unutar maske. WITH fizička tačka pogled, sve H 1 - H 4 su niskopropusni filteri(filtri za usrednjavanje) koji potiskuju visokofrekventne harmonike i šuma i korisne slike. To dovodi ne samo do smanjenja šuma, već i do zamućenja kontura na slici. Na sl. Slika 6a prikazuje originalnu šumnu sliku; rezultat primjene H2 filtera prikazan je na Sl. 6b (maska 5x5).
Filtriranje o kojem je bilo riječi obilježeno je činjenicom da su izlazne vrijednosti filtera g određene su samo kroz ulazne vrijednosti filtera f. Takvi filteri se nazivaju nije rekurzivno. Filteri u kojima su izlazne vrijednosti g određuju se ne samo kroz ulazne vrijednosti f, ali i preko odgovarajućih izlaznih vrijednosti se pozivaju rekurzivno.
Prilikom rekurzivnog filtriranja možete sačuvati iste vrijednosti faktora težine kao one gore; postoje rekurzivni filteri sa posebno odabranim množiteljima. Elementi ulazne slike unutar prozora će se promijeniti i poprimiti oblik:
Faktori težine i normalizacije rekurzivnog filtera zavise od lokacije maske; rekurzivni lokalni filter omogućava vam da uzmete u obzir sve ulazne vrijednosti filtrirane slike, tj. pristupa u svom djelovanju globalnom filteru.
Da biste eliminirali efekt zamućenja kontura pri suzbijanju šuma, trebali biste prijeći na nelinearnu obradu. Primjer nelinearnog filtera za suzbijanje šuma je medijana filter. At srednje filtriranje (i,j)ti piksel je dodijeljen medijana vrijednost svjetline, tj. takva vrijednost čija je frekvencija 0,5. Neka, na primjer, koristimo masku 3´ 3, unutar kojeg se, uz manje-više ujednačenu pozadinu, dogodio i rafal buke, ovaj rafal je pao na središnji element maske:
Gradi se varijantna serija. Varijacijska serija V 1 ,..., V n uzoraka f 1 ,..., f n je nepadajući niz elemenata uzorka, tj. V 1 = min( f 1 ,..., f n), V n = max ( f 1 ,..., f n) itd. U našem slučaju, serija varijacija izgleda ovako: 63, 66, 68, 71, 74 , 79, 83, 89, 212. Ovdje je vrijednost medijana- peti po redu (podvučen), pošto ima ukupno 9 brojeva. Kod filtriranja medijane, vrijednost 212, izobličena šumom, zamjenjuje se sa 74, a izlaz na slici je potpuno potisnut. Rezultat primjene filtera medijane prikazan je na Sl. 6. vek
Funkcija širenja tačke za srednji filter je nula. Sa veličinama prozora (2 k+1)·(2 k+1) postoji potpuno suzbijanje smetnji koje se sastoji od najviše 2( k 2 + k) piksela, kao i onih koji se sijeku ne više od kžice ili k U ovom slučaju, svjetlina na pozadinskim tačkama se ne mijenja. Naravno, uz srednje filtriranje, može doći do izobličenja objekta na slici, ali samo na ili blizu granice, ako je veličina objekta više veličina maske. Filter je veoma efikasan u suzbijanju impulsni šum, međutim, ovaj kvalitet se postiže odabirom veličina maske kada su poznate minimalne veličine objekata i maksimalne veličine lokalnih područja izobličenih smetnjama.
4. Ocrtavanje
Linearni filteri možda nisu dizajnirani da potiskuju šum, već da naglašavaju razlike u svjetlini i rubovima. Izolacija vertikalnih razlika vrši se diferencijacijom duž linija, horizontalno- po kolonama. Diferencijacija se izvodi u digitalnom obliku:
Ovdje ∆ x=1 - prirast duž linije jednak 1 pikselu, ∆ y=1 - inkrement duž kolone, takođe jednak 1 pikselu. Izbor razlika duž dijagonale može se dobiti izračunavanjem razlika u nivoima dijagonalnih parova elemenata.
Da bi se izolovale razlike, za implementaciju dvodimenzionalne diferencijacije koriste se sljedeći skupovi faktora težine:
Sjever sjeveroistok istok jugoistok
Jug jugozapad zapad sjeverozapad
Nazivi geografskih pravaca ukazuju na smjer nagiba nagiba koji uzrokuje maksimalan odziv filtera. Zbir težinskih faktora maski je nula, tako da u područjima slike sa konstantnom svjetlinom ovi filteri daju nulti odziv.
Odabir horizontalne razlike se također može izvršiti izračunavanjem prirasta razlike u svjetlini piksela duž linije, što je ekvivalentno izračunavanju druge derivacije s obzirom na smjer (Lapplace operator):
Ovo odgovara jednodimenzionalnoj maski N= | - 1 2 - 1|, zbir težinskih faktora je nula. Na isti način možete tražiti razlike okomito i dijagonalno. Za identifikaciju razlika bez uzimanja u obzir njihove orijentacije, koriste se dvodimenzionalni Laplaceovi operatori:
Ovdje je zbir težinskih faktora također nula. Na sl. Slika 7 prikazuje originalnu sliku i rezultat primjene Laplaceovog operatora N 13.
Laplaceovi operateri reaguju na promjene u svjetlini u obliku koraka promjene i na promjenu u obliku krova. Takođe ističu izolovane tačke, tanke linije, njihove krajeve i oštre uglove objekata. Linija je naglašena 2 puta svjetlije od razlike koraka, kraj linije je 3 puta, a tačka- 4 puta svetlije. Laplaceov operator nije invarijantan u odnosu na orijentaciju razlika: na primjer,
Mjere, odgovor operatera na nagnutu razliku u dijagonalnom smjeru je gotovo dvostruko veći nego u horizontalnom i vertikalnom.
Sa fizičke tačke gledišta, filteri H 5 - H 15su visokopropusni filteri, ističu visokofrekventne komponente korisne slike, odgovorne za promjene u svjetlini i konturama, i potiskuju „konstantnu komponentu“. Međutim, kada ih koristite, nivo šuma na slici se povećava.
Filteri za isticanje rubova i rubova, baš kao i filteri H 1 - H 4za suzbijanje buke, može biti rekurzivan.
Slika s naglašenim granicama (konturama) subjektivno se percipira bolje od originala. Slika koja je djelimično van fokusa se dovodi u fokus. Kada se Laplaceov operator koristi u ove svrhe, koriste se tri tipična skupa faktora težine:
H 16- H 18razlikuje se od filtera H 13 - H 15činjenicom da se centralnom elementu matrice dodaje 1, tj. Prilikom filtriranja, originalna slika se postavlja na konturu.
Nelinearni filteri se mogu koristiti za isticanje kontura i razlika u svjetlini. Nelinearni algoritmi koriste nelinearne diskretne operatore diferencijacije. IN Roberts filter koristi se maska 2 koja se kreće preko slike´2:
diferencijacija se vrši pomoću jednog od izraza
IN Sobel filter koristi se prozor 3´3:
Central ( i,j) na th piksel umjesto toga f i,j se dodjeljuje vrijednost svjetline 
ili gde
Na sl. Slika 8 prikazuje rezultate primjene Sobel filtera.
IBAS-2000. OPIS I TEHNIKA MJERENJA
U ovom laboratorijski rad Obrada slike se vrši opremom IBAS-2000. Ovo je automatizovani kompleks visokih performansi za obradu digitalnih slika i grafičke informacije proizvodi OPTON (Njemačka) sa softverom CONTRONA (Švicarska).
Digitalni elektronski kompleks IBAS-2000 ima opsežne mogućnosti konverzije i analize slike i dizajniran je da poboljša slike i izračuna geometrijske karakteristike objekata na slici. Blok dijagram kompleksa IBAS-2000 prikazan je na sl. 9.
Sadrži kontrolni računar, matrični video procesor, monitor karaktera, monitor slike u boji, tastaturu, digitalizator, televizijski skener i štampač. Upravljački računar zajedno sa video procesorom čine jednu celinu kompjuterski sistem. Slika se unosi u kompjuterski kompleks putem televizijskog skenera sa različitih medija slike. To mogu biti obične fotografije, elektronske mikroskopske fotografije, crteži, razni objekti (na primjer, fini kristalni prah, površine uzoraka itd.). Pored unosa slika sa skenera, moguć je unos sa videorekordera, sa diskete, ručni unos iz digitalizatora, iz metalografskog mikroskopa. Za razliku od uobičajenih paketa za obradu slika na personalnim računarima (Photoshop, Photostyler, itd.), softver IBAS kompleksa je fokusiran na rješavanje naučnih problema. IBAS-2000 sistem je univerzalni sistem, koji u potpunosti analizira crno-bijele slike. Može raditi u interaktivnom i automatskom načinu rada.
 |
Rice. 9. Blok dijagram automatizovanog kompleksa za obradu
i analiza slike IBAS-2000
IN automatizovani sistem IBAS-2000 postoje brojni savremenim metodama analiza i obrada slike implementirana u paketu aplikativni programi. Tokom interaktivnog načina obrade slike na IBAS-2000, funkcije korisnika i aplikativnog programa distribuiraju se na sljedeći način: aplikacijski program pomoću menija akcije korak po korak, koji se nudi za rad, kontroliše proces obrade slike i povezuje ih u jedno sekvencijalno kolo - mjerni program. Njegov glavni zadatak je da iskoristi sve informacije kojima raspolaže kako bi dobio podatke koji bi mu omogućili bolje razumijevanje i analizu video informacija.
U automatizovanom računarski kompleks IBAS-2000 funkcije obrade i analize grupirane su u grupe koje odgovaraju napretku mjernog programa:
1. Funkcije unosa slike (Input, TVINP): Stvarna originalna slika se unosi pomoću TV kamere.
2. Funkcije za podešavanje sistema (Calibration, CALIBRATE) - koriste se za skaliranje i kalibraciju mjerenja geometrijskih parametara.
3. Funkcije za poboljšanje slike (ENHANCE) – poboljšavaju kontrast snimljene slike normalizacijom (NORMGR) i linearizacijom (izjednačavanjem) histograma; za poboljšanje kvaliteta slike korišćenjem digitalnih filtera, ima ih ukupno 12. Postoje linearni i nelinearni filteri za isticanje i naglašavanje kontura (ENHCON), za suzbijanje šuma na slici (niskopropusni filteri poput H 1–H 4 With različite veličine prozori, Laplace filteri N 13–N 18 sa različitim veličinama prozora, medijana (MEDIAN) sa različitim veličinama prozora, Roberts, Sobel filteri, itd.).
4. Interaktivne funkcije (Image Editing, EDIT) - poboljšati kontrast snimljene slike, poboljšati kvalitet slike pomoću digitalnih filtera, mjeriti veličinu pojedinačnih objekata na slici, izgraditi histograme optičke gustoće.
5. Funkcije za kreiranje binarne ili višefazne slike (Segmentacija, SEGMENT) - odvaja objekte od pozadine binarizacijom ili segmentacijom.
6. Višefazne funkcije za rad sa binarnim ili višefaznim slikama omogućavaju obradu ovih slika.
7. Funkcije za odabir mjernih parametara (Parameters, PARAMETER) - ponuđeno je ukupno 24 geometrijska parametra objekata na slici.
8. Funkcije za mjerenje (Measurement, MEASURE) – identifikacija objekata (IDENT), mjerenje geometrijskih parametara objekata, izlaz rezultata.
9. Funkcije za konverziju geometrijskih i aritmetičkih slika.
10. Opće pomoćne funkcije (Utilities).
11. Funkcije za periferni ulaz/izlaz (Periferija).
U prvoj fazi kreira se opis sastavnih elemenata slike koji uključuje: podatke o nazivima predmeta, izgledu, obliku, materijalu od kojeg je predmet sastavljen, osvjetljenju koje ukazuje na prirodu, broj i lokaciju izvora svjetlosti , uvjeti vidljivosti, svjetlina, itd... Unos svake funkcije mora biti potvrđen razmakom.
LABORATORIJSKI RAD br.3
Digitalna obrada elektronskim mikroskopskim slikama ugljičnih čestica u čađi koja sadrži fuleren (12 sati)
Cilj rada: ovladati metodom digitalne obrade slika elektronskih mikroskopskih snimaka pomoću kompleksa za obradu slike IBAS-2000.
Radni nalog:
1) Podesite veličinu slike EMS slike pomoću funkcije IMSIZE.
2) Podesite funkciju SYNC.
3) Uključite TV kameru (TV skener BOSCH) TVON funkcija.
4) Zapišite originalnu sliku u memorijsku banku (TVINP).
5) Dobijte histogram distribucije nivoa sive skale u modu za uređivanje (EDIT).
6). Izvršite korekciju sjene na slici za ovo:
Uključite TVON kameru i postavite referentnu sliku.
Zapišite referentnu sliku u memorijsku banku 8 (TVINP).
Smanjite standard za 4 puta i zapišite ga u memorijsku banku 7 (SHDEF).
Standard s težinom RG+–10 (SHADE) oduzima se od originalne slike.
7) Nastale promjene na slici se uočavaju na monitoru i na novom histogramu (EDIT)
8) Poboljšati kvalitet koristeći proceduru normalizacije (NORMGR).
9) Dobijte normalizirani histogram (EDIT).
10) Ojačajte obrise čestica (ENHCON).
11) Odredite faktor skale (SCALE).
12) Get binarnu sliku(DISC2L).
13) Odaberite mjerne parametre (npr. CIRCL).
14) Identifikujte objekte slike (IDENT).
15) Mjera geometrijski parametričestice (MERA).
16) Ispisati rezultate mjerenja u obliku klasifikacionog histograma i tabele (OUTCL).
17) Ispis rezultata mjerenja (PLOTIM).
18) Napisati izvještaj o laboratorijskom radu.
Zahtjev za prijavu:
Izveštaj treba da sadrži:
1. Originalna slika
2. Opis slike
3. Rezultati vizuelne analize
4. Grafički materijal koji prikazuje poboljšanje slike slike elektronskog mikroskopa
5. Rezultati mjerenja veličina čestica u tabličnom obliku, u grafičkom obliku
6. Zaključci iz rada.
Kontrolna pitanja:
1. Kako nastaje slika u elektronskom mikroskopu.
2. Šta se podrazumijeva pod slikom.
3. Šta je uključeno u unos slika u računar?
4. Kako je slika uzorkovana.
4. Šta je kvantizacija slike?
5. Kako je slika predstavljena na računaru
7. Kakva vrsta šuma može biti na slici?
8. Kako korekcija senke pomaže u smanjenju smetnji?
9. Koje metode se koriste za poboljšanje kvaliteta slike?
10. Koji se filteri koriste u procesu obrade EMC slika
7.Kako se vrši segmentacija slike
8. Zašto nam je potreban faktor skale?
9.Kako se izračunava
10. Kako funkcionira (IDENT) funkcija.
11.Koji se parametri čestica mogu odrediti pomoću automatiziranog kompleksa.
11.Koje metode se koriste za kontrolu procesa obrade slike?
LITERATURA
1. Agapov I.A., Kashkin V.B. Obrada slike: metod. uputstva, deo 1.2 // Krasnojarsk državni univerzitet, Krasnojarsk, 1994.
2. Kaškin V.B. Digitalna obrada slike. Daljinsko istraživanje Zemlje iz svemira//Metod. uputstva za studente FIVT, KSTU, Krasnojarsk, 1998.
2. Butakov E.A., Ostrovsky V.I., Fadeev I.L. Kompjuterska obrada slika. M., Radio i komunikacija, 1987.
4. Pavlidis T.. Algoritmi za kompjutersku grafiku i obradu slika. M.: Radio i komunikacija, 1986.
5. Pratt W. Digitalna obrada slike. M.: Mir, tom 1,2. 1982.
6. Soifer V.A. Računarska obrada slike, 1. dio // Sorovsky obrazovni časopis, br. 2, 1996, str. 118-124.
7. Soifer V.A. Kompjuterska obrada slika, deo 2 // Sorovsky obrazovni časopis, br. 3, 1996, str. 110-121.
8. Horn B.K.P. Vizija robota. M.: Mir, 1989.
9. Tehnički opis IBAS-2000.
10. Frolov G.I., Bondarenko G.V. Priprema i proučavanje fizičkih svojstava 3d metalnih filmova deponiranih u uvjetima ultrabrze kondenzacije // Metod. uputstva za specijalnu radionicu na kursu „Nauka o fizičkim materijalima“, SAA, Krasnojarsk, 1998.
