Preprocesarea imaginii- procesul de imbunatatire a calitatii imaginii, care are ca scop obtinerea, pe baza originalului, a celei mai precise si adaptate imagini pentru analiza automata.
Printre defectele unei imagini digitale se pot distinge următoarele tipuri:
- zgomot digital
- Defecte de culoare (luminozitate și contrast insuficiente sau excesive, ton de culoare greșit)
- Încețoșare (înfocalizat)
Metodele de preprocesare a imaginii depind de sarcinile de cercetare și pot include următoarele tipuri de muncă:
Filtrarea imaginilor zgomotoase
Zgomot de imagine digitală- un defect de imagine introdus de fotosenzorii și electronica dispozitivelor care le folosesc. Pentru a o suprima, se folosesc următoarele metode:
Media punctuală liniară de vecini - cel mai simplu tip de algoritmi de eliminare a zgomotului. Ideea lor principală este să ia media aritmetică a punctelor dintr-o anumită vecinătate ca nouă valoare a punctului.
Din punct de vedere fizic, o astfel de filtrare este implementată prin parcurgerea pixelilor imaginii cu o matrice de convoluție care arată astfel:
Exemplu:
div este factorul de normalizare pentru a menține intensitatea medie neschimbată. Este egal cu suma coeficienților matricei, în exemplul div = 6.
estompare gaussiană(un fel de convoluție liniară) este implementată prin parcurgerea pixelilor imaginii cu o matrice de convoluție care arată astfel:
Matricea 5×5 este completată conform normalului (legea Gauss). Mai jos este aceeași matrice în care coeficienții sunt deja normalizați, astfel încât div pentru această matrice să fie unul.
Puterea neclarității depinde de dimensiunea matricei.
Pixelul din stânga sus nu are „vecini” în stânga și în partea de sus, prin urmare, nu avem cu ce să înmulțim coeficienții matricei!
Rezolvarea acestei probleme necesită crearea unei imagini intermediare. Ideea este de a crea o imagine temporară cu dimensiuni
lățime + 2 gol / 2, înălțime + 2 gol / 2, unde
lățimea și înălțimea sunt lățimea și înălțimea imaginii filtrate,
decalajul este dimensiunea matricei de convoluție.
Imaginea de intrare este copiată în centrul imaginii, iar marginile sunt umplute cu pixelii extremi ai imaginii. Încețoșarea este aplicată tamponului intermediar și apoi rezultatul este extras din acesta.
filtru median este un filtru de fereastră care scanează secvențial imaginea, iar la fiecare pas returnează unul dintre elementele care au căzut în fereastra filtrului.
Pixelii care „cad” în fereastră sunt sortați în ordine crescătoare și este selectată valoarea care se află în mijlocul listei sortate.
Filtrul median este folosit de obicei pentru a reduce zgomotul sau a „netezi” imaginea.
Pentru a îmbunătăți claritatea Imaginea folosește următorul filtru (div=1):
Transformări morfologice
Filtrarea morfologică este utilizată pentru a extinde (dilacta) sau îngustă (eroda) elementele unei imagini binare.
dilatare(extindere morfologică) - convoluția unei imagini sau a unei zone selectate a unei imagini cu un anumit model. Șablonul poate fi de orice formă și dimensiune. În același timp, există doar unul poziția de lider(ancoră), care este aliniată cu pixelul curent atunci când se calculează convoluția.
O imagine binară este un set ordonat (set ordonat) de puncte alb-negru (pixeli). Intensitatea maximă a pixelilor imaginii este egală cu unu, iar cea minimă este egală cu zero.
Aplicarea dilatației se reduce la trecerea șablonului pe întreaga imagine și la aplicarea operatorului de căutare pentru intensitatea maximă locală a pixelilor imaginii care sunt acoperiți de șablon. Dacă maximul este 1, atunci punctul în care se află ancora șablonului va fi alb. O astfel de operație provoacă creșterea zonelor luminoase din imagine.În figură, pixelii sunt marcați cu gri, care, ca urmare a aplicării dilatății, vor fi albi.
Eroziune(îngustarea morfologică) - o operație inversă dilatației. Acțiunea de eroziune este similară cu dilatarea, singura diferență este că se folosește operatorul de căutare minim local. Dacă minimul este 0, atunci punctul în care se află ancora șablonului va fi negru. În imaginea din dreapta, pixelii care sunt gri sunt cei care vor deveni negri ca urmare a eroziunii.
Operațiune " dilatare"- un analog al "sau" logic al operației " Eroziune„- un analog al „și” logic.
Rezultatul operațiilor morfologice este determinat în mare măsură de șablonul aplicat (elementul structural). Alegând un alt element structural, puteți rezolva diferite sarcini de procesare a imaginii:
- Antifonare.
- Selectarea limitelor obiectului.
- Selectarea scheletului obiectului.
Corectarea luminozității și contrastului imaginii
Luminozitate este o caracteristică care determină cât de puternic diferă culorile pixelilor de negru. De exemplu, dacă o fotografie digitalizată a fost făcută pe vreme însorită, atunci luminozitatea acesteia va fi semnificativă. Pe de altă parte, dacă fotografia a fost făcută seara sau noaptea, atunci luminozitatea acesteia va fi scăzută.
Contrast este o măsură a cât de mult sunt răspândite culorile pixelilor dintr-o imagine. Cu cât valorile culorii pixelilor sunt mai răspândite, cu atât imaginea are mai mult contrast.
Există trei metode principale de creștere a contrastului unei imagini:
- întindere liniară a histogramei (contrast liniar),
- normalizarea histogramei,
- alinierea (liniarizarea sau egalizarea, egalizarea) histogramei.
Întindere liniară se reduce la alocarea de noi valori de intensitate fiecărui pixel din imagine. Dacă intensitățile imaginii originale s-au modificat în intervalul de la la , atunci este necesar să „întindeți” intervalul specificat liniar, astfel încât valorile să se schimbe de la 0 la 255. Pentru a face acest lucru, este suficient să recalculați vechea intensitate valori pentru toți pixelii conform formulei, în care coeficienții sunt pur și simplu calculati pe baza faptului că granița ar trebui să meargă la 0 și - la 255.
Normalizarea histogramei spre deosebire de metoda anterioară, nu întinde întreaga gamă de modificări de intensitate, ci doar partea sa cea mai informativă. Partea informativă este un set de vârfuri de histogramă, adică. intensități care apar mai des decât altele din imagine. Binele corespunzătoare intensităților rare sunt aruncate în timpul normalizării, apoi se realizează întinderea liniară obișnuită a histogramei rezultate.
aliniere histograma este una dintre cele mai comune metode. Scopul egalizării este ca toate nivelurile de luminozitate să aibă aceeași frecvență, iar histograma să corespundă unei legi uniforme de distribuție. Să presupunem că ni se oferă o imagine în tonuri de gri care are rezoluție în pixeli. Numărul de niveluri de cuantizare a luminozității pixelilor (număr de bins) este . Apoi, în medie, pentru fiecare nivel de luminozitate ar trebui să scadă pixeli. Matematica de bază constă în potrivirea celor două distribuții. Fie variabile aleatorii care descriu modificarea intensității pixelilor din imagini, fie densitatea de distribuție a intensității pe imaginea originală și densitatea de distribuție dorită. Este necesar să se găsească o transformare a densităților de distribuție, care să permită obținerea densității dorite:
Notați prin și legile integrale de distribuție a variabilelor aleatoare și . Din condiţia echivalenţei probabilistice rezultă că . Scriem legea distribuției integrale prin definiție:
Prin urmare, obținem asta
Rămâne de aflat cum se estimează legea distribuției integrale . Pentru a face acest lucru, trebuie mai întâi să construiți o histogramă a imaginii originale, apoi să normalizați histograma rezultată prin împărțirea valorii fiecărui bin la numărul total de pixeli . Valorile bin pot fi gândite ca o aproximare a funcției densității distribuției. Astfel, valoarea funcției de distribuție integrală poate fi reprezentată ca o sumă de următoarea formă:
Estimarea construită poate fi utilizată pentru a calcula noi valori de intensitate. Rețineți că transformările histogramei de mai sus pot fi aplicate nu numai întregii imagini, ci și părților sale individuale.
Biblioteca OpenCV implementează funcția equalizeHist, care oferă îmbunătățirea contrastului imaginii prin egalizarea histogramei [ , ]. Prototipul funcției este prezentat mai jos.
void equalizeHist (const Mat& src, Mat& dst)
Funcția funcționează în patru pași:
Următorul este un exemplu de program care oferă egalizare histogramă. Aplicația preia numele imaginii sursă ca argument în linia de comandă. După efectuarea operației de egalizare a histogramei, afișați imaginea originală 1 Imaginea folosită face parte din baza PASACL VOC 2007., convertit în tonuri de gri (Fig. 7.11, stânga) și o imagine cu o histogramă egalizată (Fig. 7.11, dreapta).
#include
Orez. 7.11.
Efectuează procesare, vizualizare și analiză a imaginilor
Image Processing Toolbox™ oferă un set cuprinzător de algoritmi standard de referință și aplicații de flux de lucru pentru procesarea imaginilor, analiză, vizualizare și dezvoltare de algoritm. Puteți efectua segmentarea imaginii, îmbunătățirea imaginii, eliminarea zgomotului, transformări geometrice și înregistrarea imaginii utilizând tehnici tradiționale de procesare a imaginii și de învățare profundă. Setul de instrumente de procesare acceptă imagini 2D, 3D și arbitrar mari.
Aplicațiile Image Processing Toolbox vă permit să automatizați fluxurile de lucru comune de procesare a imaginilor. Puteți segmenta în mod interactiv datele de imagine, puteți compara metodele de înregistrare a imaginilor și puteți procesa în serie seturi mari de date. Caracteristicile și aplicațiile de vizualizare vă permit să explorați imagini, volume 3D și videoclipuri; reglați contrastul; creați histograme; și controlează zonele vizibile (REGI).
Puteți accelera algoritmii executându-i pe procesoare multi-core și GPU. Multe funcții ale casetei de instrumente acceptă generarea de cod C/C++ pentru implementarea viziunii computerizate și analiza prototipului.
Începutul lucrărilor
Aflați elementele de bază ale casetei de instrumente pentru procesarea imaginilor
Importați, exportați și convertiți
Importul și exportul datelor de imagine, conversia tipurilor și claselor de imagini
Afișare și explorare
Instrumente interactive de imagistică și explorare
Transformare geometrică și înregistrare a imaginii
Scalați, rotiți, efectuați alte transformări N-D și aliniați imaginile cu corelarea intensității, potrivirea caracteristicilor sau afișarea punctului de control
Filtrarea și îmbunătățirea imaginilor
Ajustare contrast, filtrare morfologică, deblurring, procesare bazată pe ROI
Segmentarea și analiza imaginilor
Analiza zonei, analiza structurii, statistica pixelilor si imaginilor
Învățare profundă pentru procesarea imaginilor
Efectuați sarcini de procesare a imaginilor, cum ar fi eliminarea zgomotului imaginii și generarea de imagini de înaltă rezoluție din imagini cu rezoluție joasă, folosind rețele neuronale convoluționale (necesită Deep Learning Toolbox™)
COMPARAȚIA ALGORITMILOR DE EGALIZARE
HISTOGRAMELE IMAGINILOR GRI GRI
1 „2 Alexandrovskaya A.A., Mavrin E.M.
1 Alexandrovskaya Anna Andreevna - masterand; Mavrin Evgeny Mikhailovich - student la masterat, Departamentul de Sisteme Informaționale și Telecomunicații,
Facultatea de Informatică și Sisteme de Control, Universitatea Tehnică de Stat din Moscova. N.E. Bauman, Moscova
Rezumat: acest articol compară algoritmi de procesare a imaginilor digitale, și anume algoritmi de egalizare a histogramelor. Sunt luați în considerare trei algoritmi: egalizarea histogramei globale (NOT), egalizarea histogramei adaptive (AHE), egalizarea histogramei adaptive cu contrast limitat (CHANE). Rezultatul muncii descrise în articol este o comparație vizuală a algoritmilor pe imagini identice.
Cuvinte cheie: histogramă imagine, egalizare imagine histogramă, COI, computer vision, ANE, CHANE.
Pentru a îmbunătăți calitatea imaginii, este necesar să creșteți intervalul de luminozitate, contrastul, claritatea, claritatea. Împreună, acești parametri pot fi îmbunătățiți prin egalizarea histogramei unei imagini. La determinarea contururilor obiectelor, în majoritatea cazurilor, datele conținute în imaginea semiton sunt suficiente. O imagine în tonuri de gri este o imagine care conține doar informații despre luminozitate, dar nu și despre culoarea pixelilor. În consecință, este recomandabil să construiți o histogramă pentru o imagine în tonuri de gri.
Fie ca imaginea luată în considerare să fie formată din n pixeli cu intensitatea (luminozitatea) r în intervalul de la 0 la 2 bpp, unde bpp este numărul de biți alocați pentru codificarea luminozității unui pixel. În majoritatea modelelor de culoare pentru codare
luminozitatea unei culori a unui pixel necesită 1 octet. În consecință, intensitatea pixelului este definită pe setul de la 0 la 255 . Un grafic al dependenței numărului de pixeli dintr-o imagine cu intensitatea r de intensitatea însăși se numește histograma imaginii. Pe fig. 1 prezintă un exemplu de imagini de testare și histograme construite pe baza acestor imagini:
Orez. 1. Testați imaginile și histogramele acestora
Evident, după ce a studiat histograma corespunzătoare, se pot trage concluzii despre imaginea originală. De exemplu, histogramele imaginilor foarte întunecate se caracterizează printr-o concentrație de valori diferite de zero ale histogramei în jurul nivelurilor de luminozitate zero, în timp ce pentru imaginile luminoase, dimpotrivă, toate valorile diferite de zero sunt colectate în partea dreaptă. partea histogramei.
Algoritmii de egalizare a histogramelor sunt algoritmi populari pentru îmbunătățirea unei imagini procesate în tonuri de gri. În general, algoritmii HE (Histogram Equalization) au un cost de calcul relativ scăzut și, în același timp, prezintă o eficiență ridicată. Esența acestui tip de algoritmi este de a ajusta nivelurile unei imagini semitonuri în conformitate cu funcția de distribuție a probabilității imaginii date (1) și, ca urmare, intervalul dinamic al distribuției de luminozitate crește. Acest lucru duce la efecte vizuale îmbunătățite,
precum: contrast de luminozitate, claritate, claritate.
p(i) = -, i = 0. .255, p
unde p(i) este probabilitatea apariției unui pixel cu luminozitatea i, funcția normalizată a histogramei imaginii originale, k este coordonatele pixelilor imaginii procesate, g(k) este imaginea egalizată.
Algoritmii de egalizare a histogramelor sunt împărțiți în două tipuri: egalizarea histogramelor locale (adaptative) și egalizarea histogramei globale. În metoda globală, se construiește o diagramă și se egalizează histograma întregii imagini (Fig. 3a). În metoda locală (Fig. 3b), se construiește un număr mare de histograme, în care fiecare histogramă corespunde doar unei părți din imaginea procesată. Această metodă îmbunătățește contrastul local.
imagini, rezultând în general rezultate de procesare mai bune.
Algoritmii de procesare locală pot fi împărțiți în următoarele tipuri: blocuri de procesare locale suprapuse, blocuri de procesare locală care nu se suprapun și blocuri de procesare locală parțial suprapuse (Fig. 2).
Orez. Fig. 2. Ilustrarea funcționării diferitelor tipuri de algoritmi de procesare locală a imaginii: a) blocuri de procesare locală suprapuse, b) blocuri de procesare locală care nu se suprapun, c) blocuri de procesare locală suprapuse parțial
Algoritmul de blocuri suprapuse oferă cel mai bun rezultat de procesare, dar este cel mai lent dintre cele enumerate. Algoritmul blocurilor care nu se suprapun, dimpotrivă, necesită mai puțin timp pentru procesare, celelalte lucruri fiind egale, dar din moment ce blocurile procesate nu se suprapun, sunt posibile schimbări bruște de luminozitate în imaginea finală. O soluție de compromis este algoritmul blocurilor parțial suprapuse. Dezavantajele algoritmilor de egalizare adaptivă a histogramei includ supraamplificarea parametrilor imaginii și posibila creștere a zgomotului în imaginea finală din această cauză.
O versiune îmbunătățită a algoritmului de mai sus este algoritmul de egalizare adaptivă a histogramei cu contrast (CLAHE) (Fig. 4c). Caracteristica principală a acestui algoritm este restricția
intervalul histogramei bazat pe analiza valorilor de luminozitate ale pixelilor din blocul procesat (2), astfel imaginea rezultată pare mai naturală și mai puțin zgomotoasă.
unde add este factorul de creștere al valorii funcției histogramei, ps este numărul de pixeli care depășesc valoarea de prag. O ilustrare a modificării histogramei este prezentată în Figura 3.
Orez. 3. Limitarea intervalului histogramei în algoritmul CLAHE
Trebuie remarcat faptul că algoritmul clasic SLIB utilizează interpolarea biliniară pentru a elimina granițele dintre blocurile procesate.
Orez. Fig. 4. Rezultatele algoritmilor de egalizare a histogramei: a) egalizare globală a histogramei (NU), b) egalizare adaptivă a histogramei (AHE), c) egalizare adaptivă a histogramei cu contrast limitat (CHANE)
Când se compară vizual rezultatele procesării, cea mai bună metodă este CLAHE (Fig. 3c). Imaginea procesată prin această metodă are mai puțin zgomot decât imaginea procesată prin metoda AHE, iar contrastul de luminozitate este mai natural. În comparație cu imaginea procesată prin metoda de egalizare globală, metoda CLAHE îmbunătățește claritatea detaliilor mici și neclare ale imaginii procesate și mărește și contrastul, dar nu la fel de exagerat ca în cazul metodei AHE. De asemenea, mai jos este un tabel pentru estimarea timpului de execuție a metodelor luate în considerare în mediul de programare MATLAB 2016.
tabelul 1
Perioada de graţie
Numele programului cu timpul de execuție
metoda prin metoda în cauză, c a metodei, c
CLAHE 0,609 0,519
Bibliografie
1. Chichvarin N.V. Detectarea și recunoașterea semnalelor // Biblioteca Națională. N.E. Bauman [Resursa electronica] 2016, Mod de acces: https://ru.bmstu.wiki/Correction_of_brightness_and_contrast_images (data acces: 05/03/2019).
2. Gonzalez R.K. , Woods R.E. . Digital Image Processing, ediția a 3-a, New Jersey: Pearson Education, 2008. 950 pp.
3. Gupta S. , Kaur Y. . Review of Different Local and Global Contrast Enhancement Techniques for a Digital Image // International Journal of Computer Applications [Resursă electronică] 2014, URL: https://pdfs.semanticscholar.org/7fb1/bf8775a1a1eaad9b3d1f4 5bc85adc5c3212f:5.pdf 2019).
4. Ma J., Fan X. , Young S. X. , Zang X. , Ztsu Ks. . Contrast Limited Adaptive Histogram Equalization Based Fusion for Underwater Image Enhancement // Preprints [Resursă electronică] 2017, URL: https: //www. pretipărituri. org/manuscript/201703.0086/v 1 (Accesat 3 mai 2019).
Cu toate transformările element cu element, legea distribuției probabilității care descrie imaginea se modifică. Să luăm în considerare mecanismul acestei modificări folosind exemplul unei transformări arbitrare cu o caracteristică monotonă descrisă de o funcție (Fig. 2.8) care are o funcție inversă cu o singură valoare. Să presupunem că variabila aleatoare respectă densitatea de probabilitate. Fie un interval mic arbitrar de valori ale variabilei aleatoare și intervalul corespunzător al variabilei aleatoare transformate.
Dacă o valoare se încadrează în interval, atunci valoarea se încadrează în intervalul , ceea ce înseamnă echivalența probabilistică a acestor două evenimente. Prin urmare, ținând cont de micimea ambelor intervale, putem scrie o egalitate aproximativă:
,
unde modulele iau în considerare dependența probabilităților de lungimile absolute ale intervalelor (și independența semnelor incrementelor și ). Calculând de aici densitatea de probabilitate a mărimii transformate, înlocuind în locul expresiei acesteia prin funcția inversă și efectuând trecerea la limita de la (și, deci, ), obținem:
. (2.4)
Această expresie permite să se calculeze densitatea de probabilitate a produsului de transformare, care, după cum se poate observa din aceasta, nu coincide cu densitatea de distribuție a variabilei aleatoare inițiale. Este clar că transformarea efectuată are un efect semnificativ asupra densității, deoarece (2.4) include funcția sa inversă și derivata ei.
Relațiile devin ceva mai complicate dacă transformarea nu este descrisă de o funcție unu-la-unu. Un exemplu de astfel de caracteristică mai complexă cu o funcție inversă ambiguă este caracteristica dinților de ferăstrău din Fig. 2.4, k. Cu toate acestea, în general, sensul transformărilor probabilistice nu se schimbă în acest caz.
Toate transformările element cu element ale imaginilor luate în considerare în acest capitol pot fi considerate din punctul de vedere al modificării densității de probabilitate descrisă de expresia (2.4). Evident, sub niciuna dintre ele, densitatea de probabilitate a produsului de ieșire va coincide cu densitatea de probabilitate a imaginii originale (cu excepția, desigur, a unei transformări banale). Este ușor de observat că contrastul liniar păstrează forma densității de probabilitate, dar în cazul general, și anume, pentru valori arbitrare ale parametrilor transformării liniare, parametrii densității de probabilitate a imaginii transformate se modifică.
Determinarea caracteristicilor probabilistice ale imaginilor care au fost supuse procesării neliniare este o sarcină directă de analiză. La rezolvarea problemelor practice de prelucrare a imaginii, se poate pune problema inversă: prin forma cunoscută a densității de probabilitate și forma dorită, se determină transformarea necesară, care trebuie supusă imaginii originale. În practica procesării digitale a imaginilor, transformarea unei imagini într-o distribuție equiprobabilă duce adesea la un rezultat util. În acest caz
unde și sunt valorile minime și maxime ale luminozității imaginii convertite. Să determinăm caracteristicile convertorului care rezolvă această problemă. Fie și să fie înrudite prin funcția (2.2), și și să fie legile de distribuție integrală a mărimilor de intrare și de ieșire. Ținând cont de (2.5), găsim:
.
Substituind această expresie în condiția de echivalență probabilistică
după transformări simple, obținem relația
care este caracteristic (2.2) în problema care se rezolvă. Conform (2.6), imaginea originală suferă o transformare neliniară, a cărei caracteristică este determinată de legea de distribuție integrală a imaginii originale în sine. După aceea, rezultatul este redus la intervalul dinamic specificat utilizând operația de contrast liniar.
În mod similar, pot fi obținute soluții la alte probleme similare, în care se cere aducerea legile de distribuție a imaginii într-o formă dată. Un tabel cu astfel de transformări este dat în. Una dintre ele, așa-numita hiperbolizare a distribuției, implică reducerea densității de probabilitate a imaginii transformate la o formă hiperbolică:
(2.7)
Dacă luăm în considerare că atunci când lumina trece prin ochi, luminozitatea de intrare este logaritmizată de retina sa, atunci densitatea de probabilitate rezultată se dovedește a fi uniformă. Astfel, diferența față de exemplul anterior constă în luarea în considerare a proprietăților fiziologice ale vederii. Se poate arăta că o imagine cu densitatea de probabilitate (2.7) se obține la ieșirea unui element neliniar cu caracteristică
determinată și de legea distribuției integrale a imaginii originale.
Astfel, transformarea densității de probabilitate presupune cunoașterea distribuției integrale pentru imaginea originală. De regulă, nu există informații de încredere despre el. Utilizarea aproximărilor analitice în scopurile luate în considerare este, de asemenea, de puțin folos, deoarece micile lor abateri de la distribuţiile adevărate pot duce la o diferenţă semnificativă a rezultatelor faţă de cele cerute. Prin urmare, în practica procesării imaginilor, transformarea distribuțiilor se realizează în două etape.
În prima etapă, se măsoară histograma imaginii originale. Pentru o imagine digitală, a cărei tonuri de gri, de exemplu, aparține intervalului întreg 0...255, histograma este un tabel de 256 de numere. Fiecare dintre ele arată numărul de puncte din cadru care au o anumită luminozitate. Prin împărțirea tuturor numerelor din acest tabel la dimensiunea totală a eșantionului egală cu numărul de pixeli ai imaginii utilizați, se obține o estimare a distribuției probabilității luminozității imaginii. Notăm această estimare . Apoi estimarea distribuției integrale se obține prin formula:
.
În a doua etapă, se realizează însăși transformarea neliniară (2.2), care oferă proprietățile necesare imaginii de ieșire. În acest caz, în loc de distribuția integrală adevărată necunoscută, se folosește estimarea acesteia bazată pe histogramă. Având în vedere acest lucru, toate metodele de transformare element cu element a imaginilor, al căror scop este modificarea legile distribuției, se numesc metode histograme. În special, transformarea în care imaginea de ieșire are o distribuție uniformă se numește egalizarea (alinierea) histogramelor.
Rețineți că procedurile de transformare a histogramei pot fi aplicate atât imaginii în ansamblu, cât și fragmentelor sale individuale. Acesta din urmă poate fi util în procesarea imaginilor non-staționare, al căror conținut diferă semnificativ în caracteristicile sale în diferite zone. În acest caz, cel mai bun efect poate fi obținut prin aplicarea procesării histogramei pe zone individuale.
Utilizarea relațiilor (2.4)-(2.8) , care sunt valabile pentru imagini cu o distribuție continuă a luminozității, nu este tocmai corectă pentru imaginile digitale. Trebuie avut în vedere că, în urma prelucrării, nu este posibilă obținerea unei distribuții de probabilitate ideală a imaginii de ieșire, deci este utilă controlul histogramei acesteia.
|
|
a) imaginea originală |
b) rezultatul procesării |
Orez. 2.9. Exemplu de egalizare a imaginii |
Figura 2.9 prezintă un exemplu de egalizare efectuată în conformitate cu metodologia descrisă. O trăsătură caracteristică a multor imagini obținute în sisteme de imagini reale este o proporție semnificativă de zone întunecate și un număr relativ mic de zone cu luminozitate ridicată. Egalizarea este concepută pentru a corecta imaginea prin alinierea zonelor integrale ale zonelor cu luminozitate diferită. Comparația imaginilor originale (Fig. 2.9.a) și prelucrate (Fig. 2.9.b) arată că redistribuirea luminozității care are loc în timpul procesării duce la o îmbunătățire a percepției vizuale.