DIP_04 Βελτιστοποίηση εικόνας. ΤΕΙ Κρήτης

Σχετικά έγγραφα
DIP_04 Σημειακή επεξεργασία. ΤΕΙ Κρήτης

Advances in Digital Imaging and Computer Vision

ΤΕΧΝΙΚΕΣ ΦΙΛΤΡΑΡΙΣΜΑΤΟΣ

Παρουσίαση Νο. 5 Βελτίωση εικόνας

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 4 η : Βελτίωση Εικόνας. Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Digital Image Processing

Digital Image Processing

Ενότητα 3: Μετασχηµατισµοί Έντασης & Χωρικό Φιλτράρισµα

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

ΑΣΚΗΣΗ 3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕΛΕΤΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ. ( ) 1, αν Ι(i,j)=k hk ( ), διαφορετικά

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ

ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ

Ακαδηµαϊκό Έτος , Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας. Παρουσίαση 12 η. Θεωρία Χρώματος και Επεξεργασία Έγχρωμων Εικόνων

Ραδιομετρική Ενίσχυση - Χωρική Επεξεργασία Δορυφορικών Εικόνων

Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής

Digital Image Processing

A2. ΠΑΡΑΓΩΓΟΣ-ΚΛΙΣΗ-ΜΟΝΟΤΟΝΙΑ

Ασκήσεις Επεξεργασίας Εικόνας

Τηλεπισκόπηση - Φωτοερμηνεία

Ψηφιακή Επεξεργασία Εικόνας

οµή δικτύου ΣΧΗΜΑ 8.1

Ψηφιακή Επεξεργασία Εικόνας

Εργαστήριο ADICV3. Image filtering, Point Processing and Histogram Equalisation. Κώστας Μαριάς 20/3/2017

Ψηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ

Βιοϊατρική τεχνολογία

αx αx αx αx 2 αx = α e } 2 x x x dx καλείται η παραβολική συνάρτηση η οποία στο x

Ψηφιοποίηση και Ψηφιακή Επεξεργασία Εικόνας

Παρεµβολή και Προσέγγιση Συναρτήσεων

Advances in Digital Imaging and Computer Vision

Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης

Ανάλυση και επεξεργασία εικόνων DICOM με τη χρήση Matlab

Παρουσίαση του μαθήματος

Πανεπιστήμιο Θεσσαλίας. Πολυτεχνική Σχολή ΘΕΜΑΤΙΚΗ : ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ

Κεφάλαιο Η2. Ο νόµος του Gauss

ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης

Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής

Εργαστήριο ADICV2. Image filtering. Κώστας Μαριάς

Παρουσίαση Νο. 6 Αποκατάσταση εικόνας

Ενότητα 2: Οι Θεµελιώδεις Αρχές των Ψηφιακών Εικόνων

Γ ΤΑΞΗ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β )

ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 5 η : Αποκατάσταση Εικόνας

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές

1. ** α) Αν η f είναι δυο φορές παραγωγίσιµη συνάρτηση, να αποδείξετε ότι. β α. = [f (x) ηµx] - [f (x) συνx] β α. ( )

Βελτίωση Ποιότητας Εικόνας: Επεξεργασία στο πεδίο της Συχνότητας

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΓΙΑ ΤΗΝ ΑΠΟΤΙΜΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Digital Image Processing

IV.11 ΕΛΑΣΤΙΚΟΤΗΤΑ-ΡΥΘΜΟΣ ΑΝΑΠΤΥΞΗΣ

A6. ΕΛΑΣΤΙΚΟΤΗΤΑ-ΡΥΘΜΟΣ ΑΝΑΠΤΥΞΗΣ

dy df(x) y= f(x) y = f (x), = dx dx θ x m= 1

DIP_05 Τμηματοποίηση εικόνας. ΤΕΙ Κρήτης

Μέθοδοι Αναπαράστασης Περιοχών

Advances in Digital Imaging and Computer Vision

Κριτήριο Παρεμβολής. και. άρα από το παραπάνω κριτήριο παρεµβολής το l im f ( x) (x 1) 2 f (x) 2x (x 1) 2 2x (x 1) 2 f (x) 2x + (x 1) 2

Ειδικά Θέµατα Υπολογιστικής Όρασης & Γραφικής. Εµµανουήλ Ζ. Ψαράκης & Αθανάσιος Τσακαλίδης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής

ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ

ΗΛΕΚΤΡΟΝΙΚΗ Ι ΔΙΑΓΡΑΜΜΑΤΑ BODE ΣΥΜΠΛΗΡΩΜΑΤΙΚΟ ΤΕΥΧΟΣ ΣΗΜΕΙΩΣΕΩΝ

4.1 Το αόριστο ολοκλήρωµα - Βασικά ολοκληρώ-

10ο Φροντιστηριο ΗΥ217 - Επαναληπτικό

Κατανοµές. Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται από το σχήµα του ιστογράµµατος (histogram).

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2012 ΕΚΦΩΝΗΣΕΙΣ

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 3

ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΥΝΤΟΜΕΣ ΛΥΣΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ

4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER

ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ (ΦΙΛΤΡΑΡΙΣΜΑ)

ΜΙΓΑ ΙΚΟΣ ΛΟΓΙΣΜΟΣ ΚΑΙ ΟΛΟΚΛ. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΓΡΑΠΤΕΣ ΕΞΕΤΑΣΕΙΣ ΙΑΝΟΥΑΡΙΟΥ 2010 ΛΥΣΕΙΣ ΤΩΝ ΘΕΜΑΤΩΝ. =. Οι πρώτες µερικές u x y

ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΑΣΚΗΣΕΙΣ ΗΛΕΚΤΡΟΑΚΟΥΣΤΙΚΗΣ

11 Το ολοκλήρωµα Riemann

ΚΕΦΑΛΑΙΟ 14 ΚΑΤΩ ΙΑΒΑΤΑ ΦΙΛΤΡΑ BESSEL-THOMSON

ΕΥΑΙΣΘΗΣΙΑ ΗΛΕΚΤΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ

I.3 ΔΕΥΤΕΡΗ ΠΑΡΑΓΩΓΟΣ-ΚΥΡΤΟΤΗΤΑ

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 11 η : θεωρία Χρώματος & Επεξεργασία Έγχρωμων Εικόνων

Παράρτηµα Α. Στοιχεία θεωρίας µέτρου και ολοκλήρωσης.

Τεχνητή Νοημοσύνη ΙΙ. Ενότητα 2: Αντίληψη. Μουστάκας Κωνσταντίνος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών

ΠΑΡΟΥΣΙΑΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ

ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ

14 Εφαρµογές των ολοκληρωµάτων

Τοποθέτηση προβλήματος

ΥΠΟΛΟΓΙΣΜΟΣ ΑΝΑΠΤΥΓΜΑΤΟΣ FOURIER ΜΕ ΑΡΙΘΜΗΤΙΚΟ ΤΡΟΠΟ

1. ** Αν F είναι µια παράγουσα της f στο R, τότε να αποδείξετε ότι και η

Βασική Εφικτή Λύση. Βασική Εφικτή Λύση

27-Ιαν-2009 ΗΜΥ (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό

ΚΕΦΑΛΑΙΟ 4 ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟ ΟΙ ΕΥΡΕΣΗΣ ΠΡΑΓΜΑΤΙΚΩΝ Ι ΙΟΤΙΜΩΝ. 4.1 Γραµµικοί µετασχηµατισµοί-ιδιοτιµές-ιδιοδιανύσµατα

ΛΥΣΕΙΣ ΔΙΑΓΩΝΙΣΜΑΤΟΣ ΦΕΒΡΟΥΑΡΙΟΥ mu 1 2m. + u2. = u 1 + u 2. = mu 1. u 2, u 2. = u2 u 1 + V2 = V1

Στις εξισώσεις σχεδιασμού υπεισέρχεται ο ρυθμός της αντίδρασης. Επομένως, είναι βασικό να γνωρίζουμε την έκφραση που περιγράφει το ρυθμό.

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ]

Υπολογισµός διπλών ολοκληρωµάτων µε διαδοχική ολοκλήρωση

Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων»

6-Aνίχνευση. Ακμών - Περιγράμματος

EΦΑΡΜΟΓΕΣ ΤΗΣ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ Γραµµική Εκτίµηση Τυχαίων Σηµάτων Φίλτρο Kalman

ρ. Ευστρατία Μούρτου

Μηχανική ΙI. Μετασχηµατισµοί Legendre. της : (η γραφική της παράσταση δίνεται στο ακόλουθο σχήµα). Εάν

Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)

I.3 ΔΕΥΤΕΡΗ ΠΑΡΑΓΩΓΟΣ-ΚΥΡΤΟΤΗΤΑ

Transcript:

DIP_04 Βελτιστοποίηση εικόνας ΤΕΙ Κρήτης

ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Σκοπός µιας τέτοιας τεχνικής µπορεί να είναι: η βελτιστοποίηση της οπτικής εµφάνισης µιας εικόνας όπως την αντιλαµβάνεται ο άνθρωπος, η τροποποίηση των εικόνων µε τέτοιο τρόπο ώστε να είναι αποτελεσµατικότερη η παραπέρα ανάλυση ή χρησιµοποίησή τους. 2

ΤΕΧΝΙΚΕΣ ΦΙΛΤΡΑΡΙΣΜΑΤΟΣ Οι Τεχνικές Φιλτραρίσµατος χωρίζονται σε Τεχνικές : στο Πεδίο του Χώρου (Spatial Domain) και σε Τεχνικές στο Πεδίο της Συχνότητας (Frequency Domain). ιακρίνονται επίσης και ως Γραµµικές ή µη Γραµµικές Τεχνικές Φιλτραρίσµατος. 3

ΕΙ Η ΦΙΛΤΡΩΝ ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) ΦΙΛΤΡΟ max-min min ΦΙΛΤΡΟ max/median median ΦΙΛΤΡΑ GAUSS 4

ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) Η λειτουργία του φίλτρου µέσης τιµής συνίσταται µε την αντικατάσταση της φωτεινότητας σε κάθε εικονοστοιχείο µε τη µέση φωτεινότητα σε µια γειτονιά του. Αν Ν είναι η γειτονιά του εικονοστοιχείου (i,j) µιας εικόνας I, τότε η τιµή του εικονοστοιχείου (i,j) αντικαθίσταται µε τη βοήθεια της σχέσης: 1 I '( i, j) = I( x, y) M ( x, y) N όπου Μ το πλήθος των εικονοστοιχείων της γειτονιάς Ν. 5

ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) Η γειτονιά Ν είναι συνήθως καθορισµένη για κάθε επεξεργασία και συνήθως αντιστοιχεί σε τετράγωνες µάσκες. Έτσι για ακτίνα ίση µε ένα έχουµε ουσιαστικά µια γειτονιά διαστάσεων 3 3. 3. Ένα 3 3 φίλτρο µέσης τιµής µπορεί πρακτικά να υλοποιηθεί µε µια µάσκα της µορφής: 1 1 1 1 1 1 1 9 1 1 1 6

ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) Το φίλτρο µέσης τιµής µπορεί να θεωρηθεί ως ένα κατωδιαβατό φίλτρο. Αν θέλουµε να τονίσουµε περισσότερο τη συνεισ- φορά των εικονοστοιχείων ανάλογα µε την από- στασή τους, τότε µπορούµε να χρησιµοποιήσουµε µάσκες εξοµάλυνσης όπως η παρακάτω 1 2 1 1 2 4 2 1 6 1 2 1 7

ΦΙΛΤΡΟ ΜΕΣΗΣ ΤΙΜΗΣ (mean FILTER) Μια παραλλαγή του φίλτρου µέσης τιµής είναι τα φίλτρα µέσης τιµής υπό συνθήκες (conditional local averaging filters), όπου ανήκει η µέθοδος των Lev, Zucker σύµφωνα µε την οποία η τιµή του εικονο- στοιχείου (i,j) αντικαθίσταται µε τη µέση τιµή των εικονοστοιχείων της γειτονιάς του: όπου 1 I '( i, j) = I( x, y) n ( x, y) S { (, ) : (, ) (, ) } S= I x y N I i j I x y < T και n το πλήθος των στοιχείων του S. 8

ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) Το φιλτράρισµα µε ένα φίλτρο µεσαίας τιµής είναι µια µη γραµµική τεχνική. Η τιµή median ενός συνόλουα είναι ίση µε τη µεσαία τιµή του συνόλου. Συγκεκριµένα, έστω A= { a, a,..., a 1 2 n το σύνολο µε στοιχεία α 1 α 2 α n R. } Το φίλτρο µεσαίας τιµής χρησιµοποιείται για την εξοµάλυνση (smoothing) των ακµών και τη µείωση του θορύβου µιας εικόνας. 9

ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) Το median τουα ισούται µε median( A)= a n+1 2 2 1 2 a + a n n n,περιττος Για παράδειγµα median{4,3,5,8,2}=4, median{4,3 {4,3 5 8 2,6}=4.5 Από τον ορισµό του median προκύπτει: median(k+α) ) = k+median(α) median(kα) ) = kmedian(α) median(α+β) median( median(α)+ median(β) 2 +1 n,αρτιος 10

ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) Εφαρμογή του φίλτρου median σε μονοδιάστατα σήματα. η ακτίνα του παράθυρο είναι ίση µε ένα, δηλαδή έχει τη µορφή 11

ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) Τα φίλτρα median µπορούν να θεωρηθούν ως ειδική περίπτωση των φίλτρων rank (κατάταξης). Εφαρμογή φίλτρου median (α) αρχική εικόνα με κρουστικό θόρυβο,(β) αποτέ-λεσμα της εφαρμογής ενός φίλτρου median ακτίνας ίσης με ένα. 12

ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) Σχήμα 5: Εφαρμογή φίλτρου median: (α) αρχική εικόνα με θόρυβο και λεπτές γραμμές (β) αποτέλεσμα της εφαρ-μογής ενός φίλτρου median ακτίνας ίσης με ένα. 13

ΦΙΛΤΡΟ ΜΕΣΑΙΑΣ ΤΙΜΗΣ (median FILTER) Εναλλακτική μορφή μάσκας. Εφαρμογή φίλτρου median με γειτονιά αυτή του προηγούµενου σχήµατος 14

ΦΙΛΤΡΟ min/max Τα φίλτρα min/max max (ελαχίστου / µεγίστου) είναι µη γραµµικά φίλτρα τάξης. Το φίλτρο ελαχίστου έχει ως αποτέλεσµα να απλώνει µαύρες περιοχές και να συρρικνώνει λευκές. Το φίλτρο µεγίστου απλώνει λευκές περιοχές και συρρικνώνει µαύρες. 15

ΦΙΛΤΡΟ max/median median Τα υβριδικά φίλτρα max/median median ανήκουν και αυτά στην κατηγορία των φίλτρων τάξης (ranked order filters). η απόκριση ενός max/ranked φίλτρου στο Ν-δισδιάστατο χώρο ορίζεται ως y = max( z, z,..., z ) m, m,..., m 1 2 k 1 2 N όπου τα z i είναι το χαρακτηριστικό τάξης του υποσυ- νόλου i µιας γειτονιάς. ηλαδή z i [ ] = rank S i µε k το πλήθος των υποσυνόλων και S i, το υποσύνο- λο i. 16

ΦΙΛΤΡΟ max/median median Οι τέσσερις ευθείες των. υποσυνόλων. Αν ορίσουµε µε α m,n και y m,n την είσοδο και την έξοδο αντίστοιχα ενός 2Ν+1 max/median φίλτρου στη θέση (m,n) τότε y = max z, z, z, z όπου z = median( a,..., a,..., a ) 1 m, n N m, n m, n+ N [ ] m, n 1 2 3 4 z = median( a,..., a,..., a ) 2 m N, n m, n m N, n z = median ( a,..., a,..., a ) 3 m+ N, n N m, n m N, n+ N z = median ( a,..., a,..., a ) 4 m N, n N m, n m+ N, n+ N Άρα για ένα παράθυρο, διαστάσεων (2Ν +1) (2Ν+1), το φίλτρο max/median median χρησιµοποιεί 8Ν + Ι τιµές. 17

ΦΙΛΤΡΑ GAUSS Τα φίλτρα Gauss είναι κατωδιαβατά (low-pass) φίλτρα και συνεπώς εκτός της ικανότητας φιλτρα- ρίσµατος θορύβου επιφέρουν θάµπωση στην εικόνα. Για τον προσεγγιστικό σχεδιασµό των φίλτρων Gauss µπορούµε να χρησιµοποιήσουµε τους συντε- λεστές του διωνυµικού αναπτύγµατος: n n n n + x = + x+ x + + x 0 1 2 n n 2 (1 )... n 18

ΦΙΛΤΡΑ GAUSS Μια άλλη προσέγγιση στο σχεδιασµό φίλτρων Gauss είναι να υπολογίσουµε τα βάρη της µάσκας απευθείας από την ασυνεχή κατανοµή Gauss: 2 2 ( i + j ) 2 2σ g[ i, j] = ce Όπου το c είναι σταθερά κανονικοποίησης. Έτσι: g[ i, j] = c e 2 2 ( i + j ) 2σ και επιλέγοντας µια τιµή για το σ 2, µπορούµε να το υπολογίσουµε σε ένα n n παράθυρο για να πάρου- µε µια µάσκα για την οποία η τιµή στο [0,0] είναι 1. 2 19

ΦΙΛΤΡΑ GAUSS Για σ 2 = 2 και n=7. 20

ΕΠΕΞΕΡΓΑΣΙΑ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Το ιστόγραµµα µιας εικόνας αποχρώσεων του γκρι περιέχει σηµαντικές πληροφορίες για την ει- κόνα και για το λόγο αυτό είναι ένα από τα σηµα- ντικότερα εργαλεία στην επεξεργασία ψηφιακών εικόνων. Μπορεί να χρησιµοποιηθεί για τη βελτιστοποίηση της εικόνας, την τροποποίηση των χαρακτηριστι- κών της, την µετατροπή της σε εικόνα µε λιγότερες αποχρώσεις, την εξαγωγή χαρακτηριστικών της εικόνας κ.α. 21

ΤΟ ΙΣΤΟΓΡΑΜΜΑ ΜΙΑΣ ΕΙΚΟΝΑΣ Το ιστόγραµµα µιας εικόνας είναι εύκολο να προσδι- ορισθεί. Εκφράζει τη κατανοµή των απoχρώσεων του γκρι στην εικόνα και στις περισσότερες περι- πτώσεις απόλυτα καθορίζει την εικόνα. Ένα ιστόγραµµα είναι ένα γράφηµα που στον ορι- ζόντιο άξονα έχει τις φωτεινότητες από 0-255 και στον κατακόρυφο άξονα το πλήθος των εικονοστοι- χείων που έχουν κάθε φωτεινότητα. Ανάλογα µε την εφαρµογή, ο κατακόρυφος άξονας µπορεί να κανο- νικοποιηθεί µε βάση τη µέγιστη τιµή του ιστογράµ- µατος. 22

ΤΟ ΙΣΤΟΓΡΑΜΜΑ ΜΙΑΣ ΕΙΚΟΝΑΣ (α) Η εικόνα, (β) το ιστόγραμμά της. 23

ΤΟ ΙΣΤΟΓΡΑΜΜΑ ΜΙΑΣ ΕΙΚΟΝΑΣ Αρχική εικόνα και το ιστόγραμμα της εικόνας. 24

ΕΞΙΣΟΡΡΟΠΗΣΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Η τεχνική της εξισορρόπησης ιστογράµµατος (histogram equalization) µετασχηµατίζει τις γκρι φωτεινότητες µιας εικόνας έτσι ώστε αυτές να κατα- νέµονται οµοιόµορφα σ όλη την κλίµακα φωτεινοτή- των. Η εικόνα που προκύπτει µε τον τρόπο αυτό είναι αυξηµένης αντίθεσης σε σχέση µε την αρχική. 25

ΕΞΙΣΟΡΡΟΠΗΣΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Για την ανάπτυξη της µεθόδου έστω ότι έχουµε µια γκρι εικόνα Α(k,m), διαστάσεων Ν Μ έτσι ώστε Α(k,m) ) {0,...,L-1}. 1}.Έστω, h(g), g = 0,...,L-1, το ιστόγραµµα της εικόνας Ι. Υπολογίζουµε: Η συνάρτηση g 1 P( g) = h( i), g = 0,..., L 1 N M i = 0 T( g) = int[ L P( g)] είναι η συνάρτηση µετα- Κάθε φωτεινότητα σχηµατισµού των φωτεινοτήτων φωτεινοτήτων. Κάθε Α(k, m) της αρχικής εικόνας Α µετασχηµατίζεται στη φωτεινότητα Β(k, m) της νέας εικόνας µε B( k, m) = T ( A( k, m)), k = 0,..., N 1 / m = 0,..., M 1 26

ΕΞΙΣΟΡΡΟΠΗΣΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Ως παράδειγµα, εφαρµόζουµε την εξισορρόπηση ιστογράµµατος στην προηγούµενη εικόνα. Η συνάρτηση µετασχηµατισµού Τ(g) έχει τη µορφή: Η συνάρτηση μετασχηματισμού Τ(g). Η τελική εικόνα μετά την εξισορρόπηση ιστογράμματος 27

ΕΞΙΣΟΡΡΟΠΗΣΗ ΙΣΤΟΓΡΑΜΜΑΤΟΣ Η διαδικασία εξισορρόπησης ιστογράµµατος που περιγράψαµε αναφέρεται ως ολική εξισορρόπηση ιστογράµµατος (global histogram equalization) σε αντίθεση µε τεχνικές τοπικής εξισορρόπησης ιστο- γράµµατος (local histogram equalization). Το ιστόγραμμα της τελικής εικόνας σε σύγκριση με το αρχικό. 28

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΦΩΤΕΙΝΟΤΗΤΑΣ Ως φωτεινότητα (brightness) μιας εικόνας μπορεί να ορισθεί η μέση φωτεινότητα των εικονοστοιχείων της. Δηλαδή, για μια εικόνα διαστάσεων Ν Μ η φωτεινότητά της ισούται με: N M 1 B = I ( n, m ) N M n = m = 1 1 Οι τεχνικές μετασχηματισμού φωτεινότητας βασίζονται σε συναρτήσεις μετασχηματισμού Τ(g) σύμφωνα με τη διαδικασία της σχέσης: h (k)= (k)=t(h(k)), k=0,,l,l-1 29

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΦΩΤΕΙΝΟΤΗΤΑΣ Επειδή η επεξεργασία κάθε εικονοστοιχείου µιας εικόνας εξαρτάται από τη φωτεινότητα του ίδιου του εικονοστοιχείου, οι τεχνικές αυτής της κατηγορίας αναφέρονται και ως τεχνικές σηµειακής επεξεργασίας (point processing). 30

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΦΩΤΕΙΝΟΤΗΤΑΣ

ΑΡΝΗΤΙΚΗ ΕΙΚΟΝΑ T( g) = 255 g Το αρνητικό µιας εικόνας παράγεται χρησιµοποιώ- ντας τη συνάρτηση µετασχηµατισµού η οποία είναι ίση µε: Η βασική ιδέα είναι η αντιστροφή των φωτεινο- τήτων. 32

ΑΡΝΗΤΙΚΗ ΕΙΚΟΝΑ Η συνάρτηση μετασχηματισμού για το αρνητικό της εικόνας,(β) μια αρχική εικόνα, (γ) το αρνητικό της. 33

ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Εικόνες χαµηλής αντίθεσης µπορούν να προκύ- ψουν είτε από ανεπαρκή φωτισµό, είτε λόγω της µικρής δυναµικής περιοχής του οπτικού αισθητήρα είτε και λόγω λανθασµένης ρύθµισης των παραµέ- τρων λήψης των εικόνων. 34

ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Για μια εικόνα αποχρώσεων του γκρι διαστάσεων Ν Μ και φωτεινότητας Β, η αντίθεση της εικόνας ισούται με: N M 1 C = I ( n, m ) B N M = = 1 m 1 [ ] 2 Σύμφωνα με έναν δεύτερο ορισμό, η αντίθεση σε μια εικόνα μπορεί να εκφρασθεί ως max{ I} min{ I} C = max{ I} + min{ I} Ο ορισμός αυτός δίνει μια τιμή μεταξύ μηδέν και ένα. Όταν C = Ο η εικόνα έχει μηδενική αντίθεση, ενώ όταν C = Ι έχουμε εικόνα μέγιστης αντίθεσης. n 35

ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Σε πολλές περιπτώσεις µας ενδιαφέρει η αντίθεση τοπικά του κάθε εικονοστοιχείου. Για τον ορισµό της τοπικής αντίθεσης έχουν προταθεί επίσης διάφοροι ορισµοί. Σύµφωνα µε έναν ορισµό, η αντίθεση σε ένα εικονοστοιχείο (n, m) εκφράζεται από τη σχέση: I ( n, m) I I ( n, m) B C( n, m) = = Im ax 0 255 36

ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Ένας δεύτερος ορισμός, για την τοπική αντίθεση σε μια εικόνα αποχρώσεων του γκρι ή γενικά για την αντίθεση μεταξύ δύο περιοχών Α και Β, δίδεται από τη σχέση: I A I B C A B = I A + I B όπου I A και IB οι μέσες φωτεινότητες των περιοχών. Η σχέση αυτή στην περίπτωση υπολογισμού της τοπικής αντίθεσης σε μια εικόνα Ι παίρνει τη μορφή: C( n, m) = I ( n, m) I I ( n, m) + I N όπου το Ι Ν αναφέρεται σε μια προκαθορισμένη γειτονιά του εικονοστοιχείου (n, m). N 37

ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Άλλος ορισµός της τοπικής αντίθεσης βασίζεται στις µέγιστες και ελάχιστες τιµές σε µια περιοχή. Συγκεκριµένα, C( n, m) = max I min I ή σε κανονικοποιηµένη µορφή: max I N min I C( n, m) = max I + min I N N N N N 38

ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Αύξηση της αντίθεσης: (α) Η αρχική εικόνα, (β) η συνάρτηση μετασχηματισμού, (γ) η εικόνα μετά την αύξηση της αντίθεσης, και (δ) με αντίθεση κατωφλίου (Τ=150). 39

ΤΕΧΝΙΚΗ ΓΙΑ ΠΡΟΣΑΡΜΟΣΤΙΚΗ ΚΑΙ ΤΟΠΙΚΗ ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Με τον τρόπο αυτό θα γίνει αύξηση της αντίθεσης µόνον στις περιοχές που χρειάζεται και όχι σε ολό- κληρη την εικόνα. Για παράδειγµα µπορούµε να επιβάλουµε την µη αλλαγή των φωτεινοτήτων σε περιοχές οµοιογενείς από πλευράς φωτεινότητας καθώς επίσης και σε περιοχές υψηλής αντίθεσης. Σ όλα τα υπόλοιπα εικονοστοιχεία της εικόνας, η αντίθεση αυξάνεται σύµφωνα µε έναν προκαθορι- σµένο µετασχηµατισµό. 40

ΤΕΧΝΙΚΗ ΓΙΑ ΠΡΟΣΑΡΜΟΣΤΙΚΗ ΚΑΙ ΤΟΠΙΚΗ ΑΥΞΗΣΗ ΤΗΣ ΑΝΤΙΘΕΣΗΣ Για την κατανόηση της µεθοδολογίας, ας δώσουµε ένα παράδειγµα εφαρµογής. Στην αρχική εικόνα εφαρµόζουµε τοπική και προσαρµοστική αύξηση της αντίθεσης ως εξής: I ( n, m) A. Υπολογίζουµε, µε βάση τη σχέση C( n, m) = την αντίθεση κάθε εικονοστοιχείου σε σχέση I ( n, m) + µε τα οκτώ γειτονικά του. B. Θεωρούµε δύο κατώφλια Τ 1 και Τ 2 µε τιµές στην περιοχή [0,1]. Η αντίθεση και κατά συνέπεια και η φωτεινότητα, του εικονοστοιχείου (m,n) αλλάζει µόνον όταν T C ( m, n ) T. Οπότε: 1 2 T ( I ( m, n)), T C ( m, n) T I ( m, n) = I ( m, n), διαφορετικά 1 2 I I N N 41

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΥΝΑΜΗΣ Η πρώτη κατηγορία τέτοιων συναρτήσεων βασίζεται στη οικογένεια των συναρτήσεων δύναµης: T ( g) = 255 g όπου 0 g 1 και το p ο εκθέτης. Συνεπώς, για µία εικόναι(i,j i,j) ) [0,255] έχουµε: p p I( i, j) = int((255 g( i, j) ), g( i, j) = I( i, j) 255 42

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΔΥΝΑΜΗΣ Μορφές της Τ(g) για διάφορες τιμές του εκθέτη p. Εφαρμογή των μετασχηματισμών δύναμης για διάφορες τιμές του p. 43

ΛΟΓΑΡΙΘΜΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ Χρησιμοποιούνται για να βελτιστοποιούν σκοτεινές και φωτεινές εικόνες αντίστοιχα. Ο λογαριθμικός γενική μορφή: μετασχηματισμός έχει T ( g) = b ln(1 + a g) τη ακόλουθη και αν θεωρήσουμε ως προϋπόθεση ότι Τ(0) ) = 0 και Τ(255) = 255, τότε 255 b= ln(1+ 255 a) 44

ΛΟΓΑΡΙΘΜΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ Καμπύλες λογαριθμικού μετασχηματισμού για b=45.986 Καμπύλες λογαριθμικού μετασχηματισμού για 255 b = ln(1+ 255 a) 45

ΛΟΓΑΡΙΘΜΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ Παράδειγμα εφαρμογής του λογαριθμικού μετασχηματισμού: (α) Αρχική εικόνα. (β) Τελική εικόνα για α=1. 46

Σε αντιστοίχηση µε τον λογαριθµικό µετασχηµατισµό, ο εκθετικός µετασχηµατισµός έχει την ακόλουθη έκφραση: ΕΚΘΕΤΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ g 1 b T ( g ) = ( e 1) a Αν θέσουµε ως περιορισµό ότι Τ(0) = 0 και Τ(255) = 255, τότε το b µπορεί να υπολογισθεί πάλι από τη σχέση 255 b= ln(1+ 255 a) 47

ΕΚΘΕΤΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ Καμπύλες εκθετικού μετασχηματισμού για b = 255 ln(1+ 255 a) 48

ΕΚΘΕΤΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ Παράδειγμα εφαρμογής του εκθετικού μετασχηματισμού: (α) Αρχική εικόνα. (β) Τελική εικόνα για α=1. 49

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΜΕ ΒΑΣΗ ΤΗ GAUSSIAN ΣΥΝΑΡΤΗΣΗ ΣΦΑΛΜΑΤΟΣ Η συνάρτηση µετασχηµατισµού δίνεται από τις σχέσεις: g ( ) 0.5 255 0.5 erf ( ) + erf ( ) T( g) = 255 2 a 2 a 0.5 2 erf ( ) 2 a όπου erf x x 2 2 ( ) exp( ) = y dy π 0 50

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΜΕ ΒΑΣΗ ΤΗ GAUSSIAN ΣΥΝΑΡΤΗΣΗ ΣΦΑΛΜΑΤΟΣ Μορφή της συνάρτησης για διάφορες τιμές του α. 51

ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΜΕ ΒΑΣΗ ΤΗ GAUSSIAN ΣΥΝΑΡΤΗΣΗ ΣΦΑΛΜΑΤΟΣ Παράδειγμα εφαρμογής: (α) Αρχική εικόνα. (β) Τελική εικόνα για α=0.02. 52