Preprocesamiento de imágenes- el proceso de mejora de la calidad de la imagen, que tiene como objetivo obtener, sobre la base del original, la imagen más precisa y adaptada para el análisis automático.
Entre los defectos de una imagen digital, se pueden distinguir los siguientes tipos:
- ruido digital
- Defectos de color (brillo y contraste insuficiente o excesivo, tono de color incorrecto)
- Desenfoque (fuera de foco)
Los métodos de preprocesamiento de imágenes dependen de las tareas de investigación y pueden incluir los siguientes tipos de trabajo:
Filtrado de imágenes ruidosas
Ruido de imagen digital- un defecto de imagen introducido por los fotosensores y la electrónica de los dispositivos que los utilizan. Para suprimirlo, se utilizan los siguientes métodos:
Promedio de puntos lineales por vecinos - el tipo más simple de algoritmos de eliminación de ruido. Su idea principal es tomar la media aritmética de los puntos en alguna vecindad como el nuevo valor del punto.
Físicamente, dicho filtrado se implementa al atravesar los píxeles de la imagen con una matriz de convolución que se ve así:
Ejemplo:
div es el factor de normalización para mantener la intensidad media sin cambios. Es igual a la suma de los coeficientes de la matriz, en el ejemplo div = 6.
desenfoque gaussiano(una especie de convolución lineal) se implementa al atravesar los píxeles de la imagen con una matriz de convolución que se ve así:
La matriz de 5×5 se rellena según la normalidad (ley de Gauss). A continuación se muestra la misma matriz donde los coeficientes ya están normalizados para que el div para esta matriz sea uno.
La fuerza del desenfoque depende del tamaño de la matriz.
El píxel superior izquierdo no tiene "vecinos" a la izquierda y en la parte superior, por lo tanto, ¡no tenemos nada por lo que multiplicar los coeficientes de la matriz!
La solución a este problema requiere la creación de una imagen intermedia. La idea es crear una imagen temporal con dimensiones
ancho + 2 espacio / 2, alto + 2 espacio / 2, donde
ancho y alto son el ancho y alto de la imagen filtrada,
gap es la dimensión de la matriz de convolución.
La imagen de entrada se copia en el centro de la imagen y los bordes se rellenan con los píxeles extremos de la imagen. El desenfoque se aplica al búfer intermedio y luego se extrae el resultado.
filtro mediano es un filtro de ventana que escanea secuencialmente la imagen y en cada paso devuelve uno de los elementos que cayeron en la ventana de filtro.
Los píxeles que "caen" en la ventana se ordenan en orden ascendente y se selecciona el valor que está en el medio de la lista ordenada.
El filtro mediano se utiliza normalmente para reducir el ruido o "suavizar" la imagen.
Para mejorar la claridad La imagen utiliza el siguiente filtro (div=1):
Transformaciones morfológicas
El filtrado morfológico se utiliza para expandir (dilatar) o estrechar (erosionar) elementos de una imagen binaria.
dilatación(expansión morfológica) - convolución de una imagen o un área seleccionada de una imagen con algún patrón. La plantilla puede ser de cualquier forma y tamaño. Al mismo tiempo, solo hay uno. posición de liderazgo(ancla), que se alinea con el píxel actual al calcular la convolución.
Una imagen binaria es un conjunto ordenado (conjunto ordenado) de puntos (píxeles) en blanco y negro. La intensidad máxima de los píxeles de la imagen es igual a uno y la mínima es igual a cero.
La aplicación de la dilatación se reduce al paso de la plantilla sobre toda la imagen y la aplicación del operador de búsqueda de la máxima intensidad local de los píxeles de la imagen que están cubiertos por la plantilla. Si el máximo es 1, entonces el punto donde se encuentra el ancla de la plantilla será blanco. Tal operación provoca el crecimiento de áreas claras en la imagen.En la figura, los píxeles están marcados en gris, que, como resultado de aplicar la dilatación, serán blancos.
Erosión(estrechamiento morfológico) - una operación inversa a la dilatación. La acción de la erosión es similar a la dilatación, la única diferencia es que se utiliza el operador de búsqueda mínimo local. Si el mínimo es 0, entonces el punto donde se encuentra el ancla de la plantilla será negro. En la imagen de la derecha, los píxeles que están atenuados son los que se volverán negros como resultado de la erosión.
Operación " dilatación"- un análogo del lógico "o", la operación " Erosión"- un análogo del lógico "y".
El resultado de las operaciones morfológicas está determinado en gran medida por la plantilla aplicada (elemento estructural). Al elegir un elemento estructural diferente, puede resolver diferentes tareas de procesamiento de imágenes:
- Supresión de ruido.
- Selección de los límites del objeto.
- Selección del esqueleto del objeto.
Corrección de brillo y contraste de imagen
Brillo es una característica que determina en qué medida los colores de los píxeles difieren del negro. Por ejemplo, si una fotografía digitalizada se tomó en un clima soleado, su brillo será significativo. Por otro lado, si la foto fue tomada por la tarde o por la noche, su brillo será bajo.
Contraste es una medida de cuánto se distribuyen los colores de los píxeles en una imagen. Cuanto más dispersos tienen los valores de color de los píxeles, más contraste tiene la imagen.
Existen tres métodos principales para aumentar el contraste de una imagen:
- estiramiento de histograma lineal (contraste lineal),
- normalización de histogramas,
- alineación (linealización o ecualización, ecualización) del histograma.
Estiramiento lineal se reduce a asignar nuevos valores de intensidad a cada píxel de la imagen. Si las intensidades de la imagen original cambiaron en el rango de a , entonces es necesario "estirar" linealmente el rango indicado para que los valores cambien de 0 a 255. Para hacer esto, basta con recalcular la intensidad anterior valores para todos los píxeles de acuerdo con la fórmula , donde los coeficientes simplemente se calculan en función del hecho de que el borde debe ir a 0 y - a 255.
Normalización de histograma a diferencia del método anterior, no estira todo el rango de cambios de intensidad, sino solo su parte más informativa. La parte informativa es un conjunto de picos de histograma, es decir intensidades que ocurren con más frecuencia que otras en la imagen. Los contenedores correspondientes a intensidades raras se descartan durante la normalización, luego se realiza el estiramiento lineal habitual del histograma resultante.
alineación histograma es una de las formas más comunes. El propósito de la ecualización es que todos los niveles de brillo tengan la misma frecuencia y el histograma corresponda a una ley de distribución uniforme. Digamos que nos dan una imagen en escala de grises que tiene una resolución de píxeles. El número de niveles de cuantificación de brillo de píxeles (número de contenedores) es . Entonces, en promedio, para cada nivel de brillo debería caer píxeles La matemática subyacente radica en hacer coincidir las dos distribuciones. Sean las variables aleatorias que describen el cambio en la intensidad de los píxeles en las imágenes, la densidad de distribución de intensidad en la imagen original y la densidad de distribución deseada. Es necesario encontrar una transformación de densidades de distribución, que permita obtener la densidad deseada:
Denote por y leyes integrales de distribución de variables aleatorias y . De la condición de equivalencia probabilística se sigue que . Escribimos la ley de distribución integral por definición:
Por lo tanto obtenemos que
Queda por saber cómo estimar la ley de distribución integral. Para hacer esto, primero debe construir un histograma de la imagen original, luego normalizar el histograma resultante dividiendo el valor de cada contenedor por el número total de píxeles. Los valores bin se pueden considerar como una aproximación de la función de densidad de distribución. Así, el valor de la función de distribución integral se puede representar como una suma de la siguiente forma:
La estimación construida se puede utilizar para calcular nuevos valores de intensidad. Tenga en cuenta que las transformaciones de histograma anteriores se pueden aplicar no solo a la imagen completa, sino también a sus partes individuales.
La biblioteca OpenCV implementa la función equalizeHist, que proporciona una mejora del contraste de la imagen a través de la ecualización del histograma [ , ]. El prototipo de la función se muestra a continuación.
void equalizeHist(const Mat& src, Mat& dst)
La función funciona en cuatro pasos:
El siguiente es un ejemplo de un programa que proporciona ecualización de histogramas. La aplicación toma el nombre de la imagen de origen como argumento de la línea de comandos. Después de realizar la operación de ecualización del histograma, muestre la imagen original 1 La imagen utilizada es parte de la base PASACL VOC 2007., convertida a escala de grises (Fig. 7.11, izquierda), y una imagen con un histograma ecualizado (Fig. 7.11, derecha).
#incluir
Arroz. 7.11.
Realizar procesamiento, visualización y análisis de imágenes.
Image Processing Toolbox™ proporciona un conjunto integral de algoritmos estándar de referencia y aplicaciones de flujo de trabajo para el procesamiento, análisis, visualización y desarrollo de algoritmos de imágenes. Puede realizar la segmentación de imágenes, la mejora de imágenes, la eliminación de ruido, las transformaciones geométricas y el registro de imágenes mediante el aprendizaje profundo y las técnicas tradicionales de procesamiento de imágenes. La caja de herramientas de procesamiento admite imágenes 2D, 3D y arbitrariamente grandes.
Las aplicaciones de Image Processing Toolbox le permiten automatizar flujos de trabajo comunes de procesamiento de imágenes. Puede segmentar datos de imágenes de forma interactiva, comparar métodos de registro de imágenes y procesar por lotes grandes conjuntos de datos. Las funciones y aplicaciones de visualización le permiten explorar imágenes, volúmenes 3D y videos; ajustar el contraste; crear histogramas; y controlar áreas visibles (REYES).
Puede acelerar los algoritmos ejecutándolos en procesadores multinúcleo y GPU. Muchas funciones de la caja de herramientas admiten la generación de código C/C++ para la implementación de visión artificial y el análisis de prototipos.
Comienzo del trabajo
Aprenda los conceptos básicos de la caja de herramientas de procesamiento de imágenes
Importar, exportar y convertir
Importación y exportación de datos de imágenes, conversión de tipos y clases de imágenes
Visualización y exploración
Herramientas interactivas de imágenes y exploración.
Transformación geométrica y registro de imágenes
Escale, rote, realice otras transformaciones N-D y alinee imágenes con correlación de intensidad, coincidencia de características o visualización de puntos de control
Filtrado y mejora de imágenes
Ajuste de contraste, filtrado morfológico, desenfoque, procesamiento basado en ROI
Segmentación y análisis de imágenes
Análisis de área, análisis de estructura, estadísticas de píxeles e imágenes
Aprendizaje profundo para el procesamiento de imágenes
Realice tareas de procesamiento de imágenes, como eliminar el ruido de la imagen y generar imágenes de alta resolución a partir de imágenes de baja resolución, utilizando redes neuronales convolucionales (requiere Deep Learning Toolbox™)
COMPARACIÓN DE ALGORITMOS DE ECUALIZACIÓN
HISTOGRAMAS DE IMÁGENES GRISES GRISES
1 "2 Alexandrovskaya A.A., Mavrin E.M.
1 Alexandrovskaya Anna Andreevna - Estudiante de maestría; Mavrin Evgeny Mikhailovich - Estudiante de maestría, Departamento de Sistemas de Información y Telecomunicaciones,
Facultad de Informática y Sistemas de Control, Universidad Técnica Estatal de Moscú. NORDESTE. Bauman, Moscú
Resumen: este artículo compara los algoritmos de procesamiento de imágenes digitales, a saber, los algoritmos de ecualización de histogramas. Se consideran tres algoritmos: ecualización de histograma global (NOT), ecualización de histograma adaptable (AHE), ecualización de histograma adaptable limitada por contraste (CHANE). El resultado del trabajo descrito en el artículo es una comparación visual de los algoritmos en imágenes idénticas.
Palabras clave: histograma de imagen, ecualización de imagen de histograma, COI, visión artificial, ANE, CHane.
Para mejorar la calidad de la imagen, es necesario aumentar el rango de brillo, el contraste, la nitidez y la claridad. Juntos, estos parámetros se pueden mejorar al igualar el histograma de una imagen. Al determinar los contornos de los objetos, en la mayoría de los casos, los datos contenidos en la imagen de medios tonos son suficientes. Una imagen en escala de grises es una imagen que solo contiene información sobre el brillo, pero no sobre el color de los píxeles. En consecuencia, es recomendable construir un histograma para una imagen en escala de grises.
Deje que la imagen bajo consideración consista en n píxeles con una intensidad (brillo) r en el rango de 0 a 2bpp, donde bpp es el número de bits asignados para codificar el brillo de un píxel. En la mayoría de los modelos de color para la codificación
el brillo de un color de un píxel requiere 1 byte. En consecuencia, la intensidad del píxel se define en el conjunto de 0 a 255. Un gráfico de la dependencia del número de píxeles en una imagen con intensidad r en la intensidad misma se llama histograma de la imagen. En la fig. 1 muestra un ejemplo de imágenes de prueba e histogramas construidos a partir de estas imágenes:
Arroz. 1. Imágenes de prueba y sus histogramas
Obviamente, habiendo estudiado el histograma correspondiente, se pueden sacar conclusiones sobre la imagen original. Por ejemplo, los histogramas de imágenes muy oscuras se caracterizan por una concentración de valores distintos de cero del histograma alrededor de niveles de brillo cero, mientras que para imágenes claras, por el contrario, todos los valores distintos de cero se recogen en el lado derecho. del histograma.
Los algoritmos de ecualización de histogramas son algoritmos populares para mejorar una imagen en escala de grises procesada. En general, los algoritmos HE (ecualización de histogramas) tienen un costo computacional relativamente bajo y al mismo tiempo muestran una alta eficiencia. La esencia del trabajo de este tipo de algoritmos es regular los niveles de una imagen de medios tonos de acuerdo con la función de distribución de probabilidad de esta imagen (1) y, como resultado, aumenta el rango dinámico de la distribución de brillo. Esto conduce a efectos visuales mejorados,
tales como: contraste de brillo, nitidez, claridad.
p(i) = -, i = 0. .255, p
donde p(i) es la probabilidad de aparición de un píxel con brillo i, la función normalizada del histograma de la imagen original, k son las coordenadas de píxel de la imagen procesada, g(k) es la imagen ecualizada.
Los algoritmos de ecualización de histogramas se dividen en dos tipos: ecualización de histogramas local (adaptativa) y ecualización de histogramas global. En el método global, se construye un gráfico y se iguala el histograma de toda la imagen (Fig. 3a). En el método local (Fig. 3b), se construye una gran cantidad de histogramas, donde cada histograma corresponde a solo una parte de la imagen procesada. Este método mejora el contraste local.
imágenes, lo que resulta en mejores resultados de procesamiento en general.
Los algoritmos de procesamiento local se pueden dividir en los siguientes tipos: bloques de procesamiento local superpuestos, bloques de procesamiento local no superpuestos y bloques de procesamiento local parcialmente superpuestos (Fig. 2).
Arroz. 2. Ilustración del funcionamiento de varios tipos de algoritmos de procesamiento local de imágenes: a) bloques de procesamiento local superpuestos, b) bloques de procesamiento local no superpuestos, c) bloques de procesamiento local parcialmente superpuestos
El algoritmo de bloques superpuestos ofrece el mejor resultado de procesamiento, pero es el más lento de los enumerados. El algoritmo de bloques que no se superponen, por el contrario, requiere menos tiempo de procesamiento, en igualdad de condiciones, pero dado que los bloques que se procesan no se superponen, son posibles cambios bruscos en el brillo de la imagen final. Una solución de compromiso es el algoritmo de bloques parcialmente superpuestos. Las desventajas de los algoritmos de ecualización de histograma adaptativo incluyen la sobreamplificación de los parámetros de la imagen y el posible aumento de ruido en la imagen final debido a esto.
Una versión mejorada del algoritmo anterior es el algoritmo de ecualización de histograma adaptativo limitado por contraste (CLAHE) (Fig. 4c). La característica principal de este algoritmo es la limitación
el rango del histograma basado en el análisis de los valores de brillo de los píxeles en el bloque procesado (2), por lo que la imagen resultante se ve más natural y menos ruidosa.
donde add es el factor de incremento del valor de la función de histograma, ps es el número de píxeles que superan el valor umbral. En la Figura 3 se muestra una ilustración del cambio en el histograma.
Arroz. 3. Limitación del rango del histograma en el algoritmo CLAHE
Cabe señalar que el algoritmo SLIB clásico utiliza la interpolación bilineal para eliminar los límites entre los bloques procesados.
Arroz. Fig. 4. Resultados de los algoritmos de ecualización de histogramas: a) ecualización de histograma global (NOT), b) ecualización de histograma adaptativo (AHE), c) ecualización de histograma adaptativo limitado por contraste (CHANE)
Al comparar visualmente los resultados del procesamiento, el mejor método es CLAHE (Fig. 3c). La imagen procesada por este método tiene menos ruido que la imagen procesada por el método AHE y el contraste de brillo es más natural. En comparación con la imagen procesada por el método de ecualización global, el método CLAHE mejora la claridad de los detalles pequeños y borrosos de la imagen procesada, y también aumenta el contraste, pero no tan exagerado como en el caso del método AHE. También a continuación se muestra una tabla para estimar el tiempo de ejecución de los métodos considerados en el entorno de programación MATLAB 2016.
tabla 1
Tiempo de espera
Nombre del programa con tiempo de ejecución
método por el método en consideración, c del método, c
CLAHE 0.609 0.519
Bibliografía
1. Chichvarin N.V. Detección y reconocimiento de señales // Biblioteca Nacional. NORDESTE. Bauman [Recurso electrónico] 2016, Modo de acceso: https://ru.bmstu.wiki/Correction_of_brightness_and_contrast_images (fecha de acceso: 03/05/2019).
2. González R. K. , Woods R. E. . Procesamiento de imágenes digitales, 3.ª edición, Nueva Jersey: Pearson Education, 2008. 950 págs.
3. Gupta S., Kaur Y.. Revisión de diferentes técnicas de mejora de contraste locales y globales para una imagen digital // International Journal of Computer Applications [Recurso electrónico] 2014, URL: https://pdfs.semanticscholar.org/7fb1/bf8775a1a1eaad9b3d1f4 5bc85adc5c3212f.pdf (Fecha de acceso: 3.05 . 2019).
4. Ma J., Fan X. , Young S. X. , Zang X. , Ztsu Ks. . Fusión basada en la ecualización de histograma adaptativa limitada de contraste para la mejora de imágenes submarinas // Preprints [Recurso electrónico] 2017, URL: https: //www. preimpresiones org/manuscript/201703.0086/v 1 (Consultado el 3 de mayo de 2019).
Con todas las transformaciones elemento por elemento, la ley de distribución de probabilidad que describe los cambios de imagen. Consideremos el mecanismo de este cambio usando el ejemplo de una transformación arbitraria con una característica monótona descrita por una función (Fig. 2.8) que tiene una función inversa de un solo valor. Suponga que la variable aleatoria obedece a la densidad de probabilidad. Sea un pequeño intervalo arbitrario de valores de la variable aleatoria, y sea el intervalo correspondiente de la variable aleatoria transformada.
Si un valor cae en el intervalo, entonces el valor cae en el intervalo, lo que significa la equivalencia probabilística de estos dos eventos. Por tanto, teniendo en cuenta la pequeñez de ambos intervalos, podemos escribir una igualdad aproximada:
,
donde los módulos toman en cuenta la dependencia de las probabilidades de las longitudes absolutas de los intervalos (y la independencia de los signos de los incrementos y ). Calculando a partir de aquí la densidad de probabilidad de la cantidad transformada, sustituyendo en lugar de su expresión por la función inversa y realizando el paso al límite en (y, por tanto, ), obtenemos:
. (2.4)
Esta expresión permite calcular la densidad de probabilidad del producto de transformación que, como se puede ver, no coincide con la densidad de distribución de la variable aleatoria original. Es claro que la transformación realizada tiene un efecto significativo sobre la densidad, ya que (2.4) incluye su función inversa y su derivada.
Las relaciones se vuelven algo más complicadas si la transformación no se describe mediante una función uno a uno. Un ejemplo de una característica más compleja con una función inversa ambigua es la característica de diente de sierra en la Fig. 2.4, k. Sin embargo, en general, el significado de las transformaciones probabilísticas no cambia en este caso.
Todas las transformaciones elemento por elemento de imágenes consideradas en este capítulo pueden considerarse desde el punto de vista del cambio en la densidad de probabilidad descrito por la expresión (2.4). Obviamente, bajo ninguno de ellos, la densidad de probabilidad del producto de salida coincidirá con la densidad de probabilidad de la imagen original (con la excepción, por supuesto, de una transformación trivial). Es fácil ver que con el contraste lineal, la forma de la densidad de probabilidad se conserva, sin embargo, en el caso general, es decir, para valores arbitrarios de los parámetros de transformación lineal, los parámetros de la densidad de probabilidad de la imagen transformada cambian. .
Determinar las características probabilísticas de imágenes que han sufrido procesamiento no lineal es una tarea directa de análisis. Al resolver problemas prácticos de procesamiento de imágenes, se puede plantear un problema inverso: por la forma conocida de la densidad de probabilidad y la forma deseada, determine la transformación requerida, que debe someterse a la imagen original. En la práctica del procesamiento de imágenes digitales, transformar una imagen en una distribución equiprobable a menudo conduce a un resultado útil. En este caso
donde y son los valores de brillo mínimo y máximo de la imagen convertida. Determinemos las características del convertidor que resuelve este problema. Sean y relacionadas por la función (2.2), y y sean las leyes de distribución integral de las cantidades de entrada y salida. Teniendo en cuenta (2.5), encontramos:
.
Sustituyendo esta expresión en la condición de equivalencia probabilística
después de transformaciones simples, obtenemos la relación
que es característica (2.2) en el problema que se está resolviendo. De acuerdo con (2.6), la imagen original sufre una transformación no lineal, cuya característica está determinada por la ley de distribución integral de la propia imagen original. Después de eso, el resultado se reduce al rango dinámico especificado utilizando la operación de contraste lineal.
Asimismo, se pueden obtener soluciones a otros problemas similares, en los que se requiere llevar las leyes de distribución de la imagen a una forma dada. Se da una tabla de tales transformaciones. Una de ellas, la denominada hiperbolización de la distribución, consiste en reducir la densidad de probabilidad de la imagen transformada a una forma hiperbólica:
(2.7)
Si tenemos en cuenta que cuando la luz atraviesa el ojo, el brillo de entrada es logaritmizado por su retina, entonces la densidad de probabilidad resultante resulta ser uniforme. Así, la diferencia con el ejemplo anterior radica en tener en cuenta las propiedades fisiológicas de la visión. Se puede demostrar que se obtiene una imagen con densidad de probabilidad (2.7) a la salida de un elemento no lineal con característica
también determinado por la ley de distribución integral de la imagen original.
Por lo tanto, la transformación de densidad de probabilidad asume el conocimiento de la distribución integral de la imagen original. Como regla general, no hay información confiable sobre él. El uso de aproximaciones analíticas para los fines en consideración también es de poca utilidad, ya que sus pequeñas desviaciones de las distribuciones verdaderas pueden conducir a una diferencia significativa en los resultados de los requeridos. Por lo tanto, en la práctica del procesamiento de imágenes, la transformación de las distribuciones se realiza en dos etapas.
En la primera etapa, se mide el histograma de la imagen original. Para una imagen digital, cuya escala de grises, por ejemplo, pertenece al rango de números enteros 0...255, el histograma es una tabla de 256 números. Cada uno de ellos muestra el número de puntos del cuadro que tienen un brillo determinado. Al dividir todos los números de esta tabla por el tamaño total de la muestra igual al número de píxeles de la imagen utilizados, se obtiene una estimación de la distribución de probabilidad del brillo de la imagen. Denotamos esta estimación . Entonces la estimación de la distribución integral se obtiene mediante la fórmula:
.
En la segunda etapa, se realiza la transformación no lineal (2.2), que proporciona las propiedades necesarias de la imagen de salida. En este caso, en lugar de la distribución integral verdadera desconocida, se utiliza su estimación basada en el histograma. Con esto en mente, todos los métodos de transformación de imágenes elemento por elemento, cuyo propósito es modificar las leyes de distribución, se denominan métodos de histograma. En particular, la transformación en la que la imagen de salida tiene una distribución uniforme se denomina ecualización (alineación) de los histogramas.
Tenga en cuenta que los procedimientos de transformación de histogramas se pueden aplicar tanto a la imagen como un todo como a sus fragmentos individuales. Este último puede ser útil en el procesamiento de imágenes no estacionarias, cuyo contenido difiere significativamente en sus características en diferentes áreas. En este caso, el mejor efecto se puede lograr aplicando el procesamiento de histogramas a áreas individuales.
El uso de las relaciones (2.4)-(2.8), que son válidas para imágenes con una distribución continua de brillo, no es del todo correcto para imágenes digitales. Hay que tener en cuenta que como resultado del procesamiento no es posible obtener una distribución de probabilidad ideal de la imagen de salida, por lo que es útil controlar su histograma.
|
|
a) imagen original |
b) resultado del procesamiento |
Arroz. 2.9. Ejemplo de ecualización de imagen |
La Figura 2.9 muestra un ejemplo de ecualización realizada de acuerdo con la metodología descrita. Un rasgo característico de muchas imágenes obtenidas en sistemas de imágenes reales es una proporción significativa de áreas oscuras y un número relativamente pequeño de áreas con alto brillo. La ecualización está diseñada para corregir la imagen alineando las áreas integrales de áreas con diferentes brillos. La comparación de las imágenes originales (Fig. 2.9.a) y procesadas (Fig. 2.9.b) muestra que la redistribución del brillo que ocurre durante el procesamiento conduce a una mejora en la percepción visual.