Ћекции.ќрг


ѕоиск:




 атегории:

јстрономи€
Ѕиологи€
√еографи€
ƒругие €зыки
»нтернет
»нформатика
»стори€
 ультура
Ћитература
Ћогика
ћатематика
ћедицина
ћеханика
ќхрана труда
ѕедагогика
ѕолитика
ѕраво
ѕсихологи€
–елиги€
–иторика
—оциологи€
—порт
—троительство
“ехнологи€
“ранспорт
‘изика
‘илософи€
‘инансы
’ими€
Ёкологи€
Ёкономика
Ёлектроника

 

 

 

 


ќсновные методы преобразовани€ изображений дл€ повышени€ их контрастности




«начительна€ часть задач обработки информации и анализа данных св€зана с изображени€ми. ѕримерами могут служить обработка и анализ данных дистанционного зондировани€ «емли со спутников, объемные изображени€ объектов, полученные с помощью голографических устройств, результаты применени€ методов неразрушающих исследований и контрол€ в промышленности, разработка Уорганов зрени€Ф роботов и современных медицинских систем диагностики (рентгенографи€, машинна€ томографи€, эндоскопи€ и т.д.). ƒл€ успешного решени€ задач поиска и идентификации объектов, определени€ различного рода их количественных характеристик необходимо, чтобы первичные изображени€ характеризовались высоким визуальным качеством, которое тер€етс€ из-за неудовлетворительных условий получени€ изображений, несовершенства систем передачи видеоинформации и ее отображени€, вли€ни€ помех и т.п.

ѕоэтому актуальной €вл€етс€ задача преобразовани€ изображений с целью улучшени€ их визуального качества и повышени€ информативности. ¬се основное множество методов, которые решают эту задачу, делитс€ на методы обработки в частотной и пространственной област€х. ƒл€ обработки изображений в пространственной области наибольшее распространение получили методы п€ти классов:

1) методы раст€жени€;
2) гистограммные методы;
3) ранговые методы;
4) разностные методы;
5) методы преобразовани€ локальных контрастов.

  преимуществам методов обработки изображений в пространственной области относитс€ возможность быстрой обработки в масштабе реального времени телевизионного видеосигнала, а к недостаткам - ограниченность функциональных возможностей и недостаточна€ эффективность.

ѕри рассмотрении методов обработки изображений всегда остро стоит вопрос выбора критериев оценки качества их преобразовани€. Ётот вопрос всегда был актуальным, однако ставилс€ и решалс€ он разными способами. ¬ дальнейшем материале рассмотрим известные современные подходы к решению этой задачи [12].

–азделение на классы условно, поскольку все методы имеют в своей основе локальный контраст элементов изображени€.

’от€ способы обработки изображений в частотной области и достаточно развиты, но требуют значительных вычислительных затрат и дл€ решени€ практических задач примен€ютс€ реже. ѕоэтому в дальнейшем рассмотрим основные методы обработки изображений в пространственной области, а именно методы раст€жени€, гистограммные, ранговые, разностные и методы преобразовани€ локальных контрастов.

—писок литературы

1. јбакумов ¬.√.,  рылов ¬.Ќ., јнтощук —.√. ќбнаружение и распознавание признаков объектов с помощью сферической модели зрительного анализатора // Ёлектроника и св€зь. Ц 2000. Ц є8. Ц т. 2.Ц—. 211 Ц 212.

2. Ёргономика зрительной де€тельности человека / ¬.¬. ¬олков, ј.¬. Ћуизов, Ѕ.¬. ќвчинников, Ќ.ѕ. “равникова. Ц Ћ.: ћашиностроение. Ћенингр. ќтдЦние, 1989. Ц 112 с.

3. Bouguer P. Traite dТOptique surla Gradation de la Lumiere. IТAbbe de Lacaille. Ц Paris, 1760.

4. Fechner G.T. Elemente der Psychophysik. Ц Leipzig. Ц 1860.

5. Fechner G.T. Vebereinige Verhaltnisse des binocularen Sehens // Abhandl. Sachsische Gesellschaft d. Wissensch. Ц 1870. Цє 7.

6. Ўашлов Ѕ.ј. “еори€ фотографических процессов. Цћ.:  нига, 1981. Ц 319 с.

7. Ќестерук ¬.‘., ѕорфирьева Ќ.Ќ.  онтрастный закон воспри€ти€ света // ќптика и спектроскопи€. Ц 1970. Ц “. ’’≤’, вып. 6. Ц —. 1138 Ц 1143.

8. Nesteruk V.F., Porfirieva N.N. Vision Research. Ц 1974. Ц v. 14, є 9. Ц p. 899 Ц 904.

9. √ранрат ƒ.ƒж. –оль моделей зрени€ человека в обработке изображений // “»»Ё–. Ц “. 69. Ц є 5. Ц 1981. Ц —. 65 Ц 77.

10. ћирошников ћ.ћ. “еоретические основы оптикоЦэлектронных приборов. Ц Ћ.: ћашиностроение, 1983. Ц 696 с.

11. Ќестерук ¬.‘., ѕорфирьева Ќ.Ќ. »нформационна€ оценка процесса зрительного воспри€ти€ // ќптика и спектроскопи€. Ц 1978. Ц “. 44, вып. 4. Ц —. 801 Ц 803.

12. ∆уравель ».ћ. Ћокально-адаптивные методы повышени€ контрастности изображений: ƒисЕ канд. техн. наук: 05.13.06. Ц Ћьвов, 2001. Ц 154 с.

ќценка визуального качества цифровых изображений

–ассмотрим наиболее известные методы оценки качества изображений.

 ачество изображени€ определ€етс€ большим количеством технических характеристик системы: соотношением сигнал/шум и статистическими характеристиками шума, градационными характеристиками, спектральными (цветовыми) характеристиками, интервалами дискретизации и т.д.

ќдним из параметров, которые определ€ют качество изображений, €вл€етс€ контраст. ѕоскольку изображение имеет сложный сюжетный характер, то это порождает необходимость при определении его контрастности выходить из контраста отдельных комбинаций элементов изображени€. ѕри этом все элементы считаютс€ равнозначными, и контраст каждой их пары вычисл€етс€ по формуле

, (1)

где , - €ркости элементов сюжетного изображени€.

—южетность изображени€ предполагает возможность его использовани€ человеком. ѕоэтому при оценке контраста, как одного из параметров качества изображени€, необходимо учитывать р€д особенностей зрительного воспри€ти€ человека.

ƒалее, примен€€ правило суммировани€ контрастов, вычисл€ют набор величин, которые определ€ют воспри€тие каждой пары элементов изображени€. ѕровод€ усреднение матрицы локальных контрастов, получают суммарный контраст. ѕолученный результат может быть использован как один из параметров оценки визуального качества изображени€ [1].

—уществует еще один метод оценки качества изображени€. ≈го суть состоит в следующем. Ёкспериментально было установлено, что оптимальное, с точки зрени€ субъективного воспри€ти€, изображение имеет нормальное распределение €ркостей его элементов. ƒл€ удобства дальнейших расчетов был применен критерий нормального распределени€. ѕо степени отклонени€ реального распределени€ €ркостей от нормального проводилась оценка качества изображени€.  роме количественной оценки качества изображени€, данный метод позвол€ет получить информацию о наличии и весовом соотношении €ркостных градаций изображени€. –езультаты оценки качества изображени€, полученные по данному методу, хорошо коррелируют с субъективной оценкой визуального качества изображени€ [2].

–ассмотрим еще один известный эмпирический подход к оценке визуального качества изображени€ [5]. ƒл€ формировани€ этой оценки рассматриваютс€ такие параметры изображени€ как среднеарифметическое значение €ркостей, полнота использовани€ градаций €ркостей, резкость изображени€ и его обобщенный контраст.

¬еличина отображает уровень адаптации по €ркости зрительной системы человека, оптимальным значением которой €вл€етс€ половина максимально возможного диапазона €ркостей . ѕоэтому величину отклонени€ от можно использовать как оценку уровн€ адаптации зрительной системы:

. (2)

¬торым важным параметром оценки визуального качества изображени€ €вл€етс€ полнота использовани€ его элементами градаций €ркостей. јналитическое выражение этого параметра такое:

, (3)

где - количество уровней €ркостей, дл€ каждого из которых на данном изображении присутствуют большее чем количество элементов с данной €ркостью ( и - размеры изображени€, - некотора€ константа).

“ретьим параметром оценки визуального качества изображени€ в данном методе €вл€етс€ его резкость, котора€ измер€етс€ скоростью нарастани€ €ркости, разделенной на общую величину перепада [3]:

, (4)

где - это видеосигнал; и - точки, которые расположены на противоположных кра€х перепада. ѕоэтому оценку резкости наход€т следующим образом

. (5)

„етвертый параметр дает оценку контраста изображени€.  огда оцениваетс€ визуальное качество изображени€ независимо от его сюжетного наполнени€, тогда за принимают обобщенный контраст изображени€ [5].

¬ целом выражение дл€ количественной оценки визуального качества полутоновых монохромных изображений записывают так [5]:

, (6)

где - нормирующий коэффициент.

—уществуют также иные комплексные критерии качества изображений. »х суть состоит в следующем. ѕодразумеваетс€, что человек-оператор может сам оценить важность отдельных параметров качества изображени€ ,..., дл€ различных классов искажений. ѕосле этого строитс€ некотора€ комплексна€ оценка . ѕримером могут быть комплексные оценки вида [4]:

, (7)

. (8)

¬есовые коэффициенты или учитывают относительную важность частичных оценок в комплексной оценке качества.

–ассмотрим еще один метод определени€ комплексной оценки качества изображени€ [5]. ≈го особенность состоит в том, что все частичные оценки комплексного критери€ качества будут рассматриватьс€ с точки зрени€ единой веро€тностной модели изображени€ и определ€тьс€ на основе моментов гистограммы.

Ёкспериментальные исследовани€ данного метода дают результаты, которые хорошо согласуютс€ с субъективной визуальной оценкой.

ѕредложенный метод целесообразно примен€ть дл€ оценки визуального качества незашумленных изображений. Ѕольшинство известных подходов использует лишь один параметр качества изображени€. ѕреимущество этого метода состоит в том, что в нем используетс€ интегральный критерий вычислени€ визуального качества. ќн объедин€ет самые важные показатели качества, определение которых исходит из единой веро€тностной модели изображени€. „ем большее количество параметров качества изображени€ будет учтено, тем точнее будет оценка. “ем не менее, дл€ этого метода следует иметь в виду, что при увеличении количества параметров, возрастает его вычислительна€ сложность.

ѕусть одно и то же изображение улучшаетс€ двум€ различными методами. ¬ результате обработки получим два изображени€. ѕрименив к ним предложенный метод, получим две количественные оценки качества. ѕоскольку эти изображени€ были получены из одного и того же исходного изображени€, то, анализиру€ эти оценки, можно сравнивать эффективность методов их обработки. “аким образом, предложенный метод €вл€етс€ инструментом оценки качества преобразованных изображений и эффективности методов, которые реализуют эти преобразовани€.

ƒл€ тестировани€ метода поступаем так. ќдно и то же изображение обрабатываем методом усилени€ локальных контрастов и методом низкочастотной фильтрации. ѕолученна€ сери€ изображений - ухудшенное, входное и улучшенное - имеет соответственно самые низкие, средние и самые высокие количественные оценки качества. ѕриведем результаты экспериментальных исследований и соответствующие им количественные оценки качества дл€ трех различных по своей природе изображений.

1- , 2- , 3- ,
4- , 5- , 6- ,
7- , 8- , 9- ,

–ис. 1. »ллюстраци€ применени€ метода количественной оценки качества изображений.

»з рисунка 1 видно, что дл€ серий изображений минимальную оценку качества имеют изображени€, которые были размыты (перва€ колонка), а максимальную - обработанные методом улучшени€ (треть€ колонка). ѕолученна€ количественна€ оценка хорошо коррелирует с визуальным воспри€тием. ѕроведенные исследовани€ известных методов оценки качества изображений показали, что они €вл€ютс€ менее эффективные по сравнению с предложенным методом. Ќедостатком же предложенного метода €вл€етс€ некорректна€ оценка качества зашумленных изображений. Ётот недостаток присущ всем методам, которые при оценке качества изображени€ используют ту или иную меру контраста. Ёто св€зано с тем, что метод оценки качества не обеспечивает идентификации резких перепадов €ркостей - по шуму или высококонтрастному участку.

 роме уже упом€нутых в работе, к наиболее употребл€емым объективным оценкам качества изображени€ относ€тс€ [8]:

средн€€ разность -

; (9)

нормированна€ коррел€ци€ (normalized cross-correlation) -

; (10)

качество коррел€ции (correlation quality) -

; (11)

максимальна€ разность (maximum difference) -

; (12)

верность изображени€ (image fidelity) -

; (13)

среднеквадратична€ лапласианова погрешность (laplasian mean square error) -

(14)

где ;

среднеквадратична€ погрешность (mean square error) -

; (15)

максимальна€ среднеквадратична€ погрешность (peak mean square error) -

; (16)

нормированна€ абсолютна€ погрешность (normalized absolute error) -

; (17)

нормированна€ среднеквадратична€ погрешность -

; (18)

норма (ћинковского) -

, ; (19)

отношение сигнал/шум -

; (20)

максимум отношени€ сигнал/шум -

. (21)

ќценки качества, представленные выражени€ми (9) - (21) удобные в пользовании, тем не менее, они не всегда позвол€ют объективно оценить качество изображени€, в особенности с точки зрени€ его визуального воспри€ти€.

¬опрос количественной оценки качества изображений до конца не решен. ќн €вл€етс€ важным шагом на пути к решению задач оптимальных преобразований изображений с точки зрени€ визуального воспри€ти€.

—писок литературы

  1. √уров ј.ј., ѕорфирьева Ќ.Ќ. ¬опросы оценки контрастности сюжетных изображений // “руды √ќ» им. —.».¬авилова. Ц т. 44, вып. 178. Ц Ћ. Ц 1979. Ц C. 31 Ц 34.
  2. —мирнов ј.я.  ритерии качества дискретизированных изображений // “руды √ќ» им. —.».¬авилова. Ц т. 57. Ц вып. 191. Ц Ћ. Ц 1984.
  3. –озенфельд ј. –аспознавание и обработка изображений. Ц ћ.: ћир, 1972. Ц 230 с.
  4. ћирошников ћ.ћ., Ќестерук ¬.‘. ƒальнейшее развитие методологических основ иконики // “руды √ќ» им. —.».¬авилова. Ц т.64, вып. 198. Ц Ћ. Ц 1987. Ц C. 5 Ц 11.
  5. ¬оробель –.ј., ∆уравель ≤.ћ., ќпыр Ќ.¬., ѕопов Ѕ.ќ., ƒереча ¬.я., –авлик я.ћ. ћетод количественной оценки качества рентгенографических изображений // “руды “ретьей ”краинской научноЦтехнической конференции УЌеразрушающий контроль и техническа€ диагностика Ц 2000Ф. Ц ƒнепропетровск. Ц —. 233 Ц 236.
  6. Ўлихт √.ё. ÷ифрова€ обработка цветных изображений. Ц ћ., »здательство Ё ќћ, 1997. Ц 336 с.

ѕриложение. ѕрограмма, реализующа€ оценивани€ визуального качества изображений по одному из изложенных выше методов (формулы (2)-(6))

clear;
% «десь производитс€ считывание изображени€ в формате img, дл€ стандартных форматов используют функцию imread.
fid=fopen('D:\len.img','r');
[A,count]=fread(fid,'char');
fclose(fid);
M=input('¬ысота изображени€ M=');
N=input('Ўирина изображени€ N=');
K=255; A=A(9:length(A));
LQ=1-(abs(sum(A)/(M*N)-K/2))/(K/2); % оценка уровн€ адаптации зрительной системы
A=A+1; Amin=min(min(A)); Amax=max(max(A));
H=hist(A,Amax-Amin+1);
S=0;
for i=Amin:Amax;
if H(i-Amin+1)>.001*M*N;
S=S+1;
else S=S;
end;
end;
KQ=S/K; % оценка степени использовани€ возможных градаций €ркостей
A=A-1;
m=15;n=15;n1=fix(n/2);m1=fix(m/2);
L=reshape(A,N,M); % преобразование матрицы изображени€ с целью устранени€ краевого эффекта
a=L(1,1); b=L(1,M);c=L(N,1);d=L(N,M);
for i=1:n1;
for j=1:m1;
L1(i,j)=a;L3(i,j)=b;L6(i,j)=c;L8(i,j)=d;
end;
end;
L2=L(1,1:M);
L02=L2;
for i=1:n1-1;
L2=[L2;L02];
end;
L7=L(N,1:M);
L07=L7;
for i=1:n1-1;
L7=[L7;L07];
end;
L4=L(1:N,1);
L4=L4';
L04=L4;
for i=1:m1-1;
L4=[L4;L04];
end;
L4=L4';
L5=L(1:N,M);
L5=L5';
L05=L5;
for i=1:m1-1;
L5=[L5;L05];
end;
L5=L5';
L1=[L1;L4];
L1=[L1;L6];
L1=L1';
L2=[L2;L];
L2=[L2;L7];
L2=L2';
L3=[L3;L5];
L3=[L3;L8];
L3=L3';
L1=[L1;L2];
L1=[L1;L3];
L1=L1';
clear L2;clear L3;clear L4;clear L5;clear L6;clear L7;clear L8;clear L02;clear L04;clear L05;clear L07;
F=ones(n,m);
Lser=filter2(F,L1,'same')/(n*m);
L0=Lser(n1+1:N+n1,m1+1:M+m1);LA=L1(n1+1:N+n1,m1+1:M+m1);
LB=L1(n1+1:N+n1,m1+2:M+m1+1);LC=L1(n1+2:N+n1+1,m1+1:M+m1);
Delta=abs(LA-LB)+abs(LA-LC);
RQ=sum(sum(Delta.^2))/((M*N)*(K/2));% резкость изображени€
L=L1(n1+1:N+n1,m1+1:M+m1);
Lgl=sum(sum(L))/(M*N);Lmin=min(min(L));Lmax=max(max(L));
LH=L+1;LH=LH(:);
H=hist(LH,Lmax-Lmin+1);
H=H./(M*N);
for l=Lmin:Lmax;
disp(l);
C(l+1)=(1/510)*abs(2*(l-Lgl)+255-abs(2*(l-Lgl)-255))*H(l-Lmin+1);
end;
KC=sum(sum(C));% контрастность изображени€
Q=100*KC*LQ*KQ*RQ;
disp('»нтегральный критерий');
disp(Q);

ќбзор методов цифровой обработки изображений

ќбработка изображений €вл€етс€ многоплановой задачей. —юда включают решение задач фильтрации шумов, геометрической коррекции, градационной коррекции, усилени€ локальных контрастов, резкости, восстановлени€ изображений и др.

ћетоды обработки изображений раздел€ют на два класса. ѕервый - методы обработки в частотной области, второй - методы обработки в пространственной области.

ћетоды обработки изображений в частотной области базируютс€ на соответствующих модел€х зрени€ человека, например, модели —токхема [1], „.’олла и Ё.’олла [2]. Ёти модели показывают, что эффективное изменение визуального качества изображени€ можно проводить через изменение двух основных составных частей изображени€ - низкочастотной (фоновой) и высокочастотной (детальной). јлгоритмы обработки в частотной области имеют большую вычислительную сложность, котора€ ограничивает их использование дл€ обработки изображений в масштабе реального времени. ќднако, линейна€ фильтраци€ широко используетс€ в когерентных оптических системах обработки информации, где как и в цифровой обработке, сигналов она базируетс€ на использовании быстрых алгоритмов свертки и спектрального анализа [3]. ѕараметры необходимых фильтров преимущественно определ€ют, пользу€сь принципами оптимальной (винеровской) фильтрации [4], разработанной дл€ среднеквадратического критери€ качества фильтрации [5]. ƒостижени€ теории фильтрации широко используют при обработке изображений [6]. “ак, согласующа€ фильтраци€ примен€етс€ в обработке изображений с позиций не просто повышени€ качества, а дл€ вы€влени€ объектов на изображени€х. –еальные системы формировани€ изображений не €вл€ютс€ идеальными из-за аберрации, смазывани€ изображени€ во врем€ экспозиции, низкого контраста, наличи€ атмосферных неоднородностей и т.п. ѕоэтому дл€ этих систем в предположении их линейности и стационарности можно значительно улучшить качество изображений, примен€€ технику инверсной фильтрации [7].

ћетод инверсной фильтрации никак не учитывает шумовых эффектов, поэтому не удивительно, что он дает плохие результаты при наличии шума. ћетоды винеровской фильтрации учитывают априорное значение статистических свойств шума и потому позвол€ют повысить качество возобновл€емых изображений. ѕри использовании метода пространственной реставрации изображений на основе регрессии шумовое поле моделируют некоторой реализацией двумерного случайного процесса с неизвестными средним и ковариационной функцией. “огда примен€ют винеровское оценивание в предположении, что идеальное изображение также €вл€етс€ реализацией двумерного случайного процесса с известными первым и вторым моментами [8]. ѕредставл€€ результирующее изображение как свертку входного изображени€ с импульсной передаточной характеристикой или функцией размывани€ точки оптической системы, котора€ вносит искажение, дл€ восстановлени€ изображени€ используют также итерационный алгоритм Ѕугера-¬ан-÷иттера [9].

ќбобща€ сжатый обзор некоторых алгебраических методов восстановлени€ изображений, отметим, что он €вл€етс€ составной частью более широкой проблемы решени€ некорректных задач восстановлени€ изображений [10], включа€ реконструкцию изображений по проекци€м (реконструктивную томографию) [11]. –€дом с этими методами широко используютс€ методы линейной фильтрации дл€ улучшени€ изображений.

ќсновой большинства методов линейной фильтрации в пространственной области €вл€ютс€ ортогональные преобразовани€. —уществует три основных области применени€ двумерных ортогональных преобразований дл€ обработки изображений [12]. ¬о-первых, преобразовани€ используют дл€ выделени€ характеристик признаков изображени€. ¬торой областью применени€ €вл€етс€ кодирование изображений, когда ширина спектра уменьшаетс€ за счет отбрасывани€ или грубого квантовани€ малых по величине коэффициентов преобразовани€. “реть€ область применени€ - это сокращени€ размерности при выполнении вычислений.   таким преобразовани€м принадлежат преобразовани€ ‘урье, синусные, косинусные, волновые преобразовани€, а также преобразовани€  арунена-Ћоева, ”олша, ’аара и јдамара. ќднако и эти преобразовани€ не обеспечивают обработки изображений в масштабе реального времени из-за своей вычислительной сложности.

ƒругой подход к обработке изображений с целью улучшени€ их визуального качества состоит в непосредственном использовании разных фильтров. ќбласть их функционировани€ - в основном частотна€ и реже - пространственна€. ƒл€ этого используют разные методы синтеза фильтров, как одномерных, так и двумерных, чем обеспечивают реализацию заданных частотных характеристик.

ѕроведенный анализ показывает, что использование фильтрации изображений с целью повышени€ их визуального качества с обеспечением высокого быстродействи€ €вл€етс€ наиболее рациональным при реализации в пространственной области. ќднако арсенал алгоритмических средств обработки при этом €вл€етс€ недостаточным. »спользование же обработки в частотной области хот€ и достаточно развито, но требует значительных вычислительных затрат.

  • –анговые методы

—писок литературы

  1. —токхэм мл. ќбработка изображений в контексте модели зрени€ // “»»Ё–. - 1972. - T.60, N 7. - —.93-108.
  2. Hall Ch.F., Hall E.L. A nonlinear model for the spatial characte-ristics of the human visual systems. - IEEE Trans. Syst. Man and Cybern. - 1977. - V.SMC-7, - P. 161-170.
  3. ¬ласенко ¬.ј., Ћаппа ё.ћ., ярославский Ћ.ѕ. ћетоды синтеза быстрых алгоритмов свертки и спектрального анализа. - ћ.: Ќаука, 1990. - 180 с.
  4. Ѕоде √., Ўеннон  . ”прощенное изложение линейной минимально-квадратичной теории сглаживани€ и предсказани€ // “еори€ информации и ее применение. - ћ.: ‘изматиз, 1959. - —.113-137.
  5. ¬иткус –.ё., ярославский Ћ.ѕ. јдаптивные линейные фильтры дл€ обработки изображений // јдаптивные методы обработки изображений / ѕод ред. ¬.».—ифорова и Ћ.ѕ.ярославского.- ћ.: Ќаука, 1988. - —.6-35.
  6. Andrews H. C. Monochrome digital image enhancement. Applied Optics, 1976. - Vol.15, N 2. - P. 495-503.
  7. —токхэм “. мл.,  эннон “.ћ., »нгебретсен Ѕ.Ѕ. ÷ифровое восстановление сигналов посредством неопределенной инверсной свертки // “»»Ё–.-1975.-T.63, N 4. - —. 160-177.
  8. Pratt W.K. Generalized Wiener Filter Computation Techniques. IEEE Trans. Computers. - 1972. - V.C-21, N 7. - P. 636-641.
  9. Ѕьемон ∆., Ћагендейк –.Ћ., ћарсеро –.ћ. »терационные методы улучшени€ изображений // “»»Ё–. - 1990. - T.78, є 5. - —. 58-84.
  10. Ѕертеро ћ., ѕоджо “.ј., “орре ¬. Ќекорректные задачи в предварительной обработке визуальной информации // “»»Ё–. - 1988. - T.76, є 8. - —. 17-40.
  11. Ѕейтс –., ћак-ƒонелл ћ. ¬осстановление и реконструкци€ изображений. - ћ.: ћир, 1989. - 333 с.
  12. Pratt W.K. Digital Image Processing.- New York: J. Wiley, 1978. - 750 p.

ќбзор методов цифровой обработки изображений: –анговые методы

—уществующие методы цифровой обработки изображений с позиций использовани€ вычислительных средств можно разделить на две категории - структурированные и неструктурированные методы.

—труктурированные методы Ц такие, которые построены на использовании крупных вычислительных (программных) блоков, оперирующих векторами отсчетов, а не отдельными отсчетами изображений. Cреда MATLAB позвол€ет реализовывать методы обработки изображений, оперирующие не только с векторами, но и с массивами отсчетов.

Ќеструктурированные методы Ц те, которые нельз€ представить более крупными стандартными блоками, чем обычные дл€ существующих цифровых вычислительных машин арифметико-логические операции над отдельными отсчетами сигналов. Ќеструктурированные методы, как правило, возникают на начальной стадии поиска решени€ содержательных задач обработки изображений и по мере нахождени€ решени€ перерастают в структурированные.

—труктурирование методов обработки изображений Ц основа повышени€ их вычислительной эффективности, построени€ вычислительных машин обработки изображений и специального математического обеспечени€ таких машин.

–ассмотрим класс структурированных нелинейных алгоритмов, которые осуществл€ют преобразование вида

,

где Ц нелинейна€ функци€, котора€ определ€етс€ некоторым подмножеством рангов и (или) пор€дковых статистик выборки, образованной отсчетами сигнала из некоторой окрестности данного элемента, в последовательности упор€доченных отсчетов сигнала. ѕоэтому класс алгоритмов называетс€ ранговыми алгоритмами [1, 2, 3].

ќбозначим через окрестность элемента изображени€, (k,l) - заданное определенным образом множество, окружающее центральный элемент. ћ -окрестность - подмножество элементов -окрестности. ¬арианты M -окрестностей могут быть самыми разнообразными. ѕриведем некоторые примеры:

  • KSN - окрестность из   элементов, ближайших на растре к данному элементу;
  • KNV - окрестность из   ближайших соседей к данному элементу по значению сигнала:
    .
  • EV Ц окрестность:
    .

ћедиана элементов ћ -окрестности:

.

ѕриведенные статистики удобно искать по локальной гистограмме. —уществующие рекурсивные алгоритмы позвол€ют быстро обрабатывать окрестности любых размеров.

ѕреимуществом ранговых алгоритмов €вл€етс€ их отличие от методов линейной фильтрации, они лишены такого характерного недостатка как пространственна€ инерционность, котора€ заключаетс€ в том, что при использовании линейных фильтров вли€ние отдельных деталей изображени€ про€вл€етс€ на результирующем изображении на рассто€нии пор€дка размеров апертуры фильтра. Ёто заметно в частности в размывании границ деталей при сглаживании изображений, в искажении формы деталей при их выделении из фона и т.п.

Ќа первый взгл€д может показатьс€, что вследствие переупор€дочивани€ данных в вариационный р€д ранговые алгоритмы не используют пространственных св€зей между элементами изображений, и это €вл€етс€ принципиальным недостатком. ƒействительно, ранговые алгоритмы инвариантны к пространственным св€з€м и даже к размерности сигнала. ќднако, как ни удивительно, это свойство €вл€етс€ не недостатком, а преимуществом ранговых алгоритмов, еще одной стороной их адаптивного характера.

ѕространственные св€зи между элементами изображени€, определ€емые, например, принадлежностью их к одной детали, про€вл€ют себ€ в вариационном р€ду через параметры условной гистограммы распределени€ значений сигнала в окрестности данного элемента.

¬ последнее врем€ по€вилось много публикаций, в которых рассматриваютс€ алгоритмы, основанные на вычислении линейной комбинации пор€дковых статистик, вз€тых с заранее подобранными из тех или иных соображений весами. –анговые алгоритмы могут использоватьс€ во всех процедурах обработки изображений Ц стандартизации, сглаживани€, усилени€ детальности, выделени€ объектов из фоновой части, выделени€ границ, определени€ статистических характеристик и т.д. [6].

–анговые алгоритмы локально-адаптивны по своей сути, поскольку их параметры €вл€ютс€ функци€ми локальной характеристики изображений - локальной гистограммы.

“ермин "ранговые алгоритмы" в обработке изображений по€вилс€ относительно недавно, когда множество алгоритмов, которые фактически относ€тс€ к классу ранговых, были уже достаточно известны. ≈ще в работе [4] было введено пон€тие адаптивных амплитудных преобразований. ƒл€ фильтрации импульсных помех и сглаживани€ изображений давно используетс€ предложенный “ьюки [5] алгоритм медианной фильтрации. »звестны также алгоритмы экстремальной фильтрации, которые используют значени€ минимума и максимума в окрестности. ¬се эти алгоритмы можно рассматривать как частные случаи широкого класса ранговых алгоритмов.

ћетоды ранговых преобразований позвол€ют осуществить нелинейное усиление высокочастотной составл€ющей изображени€. Ёто приводит к повышению детальности изображений, однако сопровождаетс€ уменьшением контрастности тонкоструктурных объектов [1, 7]. ¬озможным вариантом устранени€ этого недостатка €вл€етс€ использование взвешенных ранговых преобразований [2, 3].

 роме применений дл€ сглаживани€, усилени€ детальности, выделени€ деталей изображений и границ деталей, ранговые алгоритмы можно употребл€ть дл€ решени€ многих других задач обработки изображений, в частности, дл€ диагностики статистических характеристик искажений видеосигнала, стандартизации изображений, определени€ статистических характеристик видеосигнала и измерени€ текстурных признаков.

ѕрименимость ранговых алгоритмов дл€ кодировани€ св€зана с возможност€ми адаптивного квантировани€ мод при пофрагментной (не скольз€щей) обработке.

¬ пакете IPT предложены некоторые функции ранговой обработки изображений. ‘ункци€ D=ordfilt2(S, order, domain) позвол€ет пикселю изображени€ D, соответствующему центральному элементу маски, присвоить значение с номером order в отсортированном (по возрастанию) множестве. ‘ункци€ D=ordfilt2(S, order, domain, ј) работает аналогично функции D=ordfilt2(S, order, domain), за исключением того, что перед сортировкой к значени€м пикселей, соответствующих ненулевым элементам маски фильтра domain, прибавл€ютс€ значени€ из матрицы ј. „астным случаем ранговой фильтрации €вл€етс€ медианна€ фильтраци€.

јнализ и сравнение приведенных выше теоретических основ ранговых методов и функций пакета обработки изображений в системе MATLAB приводит к выводу о необходимости создани€ программных средств, реализующих методы ранговой обработки изображений. “акие работы провод€тс€. ќни позвол€ют не только исследовать существующие алгоритмы, но и, вы€вив их недостатки, создавать новые высокоэффективные методы ранговой обработки изображений. ѕриведем пример программы ранговой обработки изображений.





ѕоделитьс€ с друзь€ми:


ƒата добавлени€: 2015-10-01; ћы поможем в написании ваших работ!; просмотров: 2477 | Ќарушение авторских прав


ѕоиск на сайте:

Ћучшие изречени€:

—вобода ничего не стоит, если она не включает в себ€ свободу ошибатьс€. © ћахатма √анди
==> читать все изречени€...

1433 - | 1318 -


© 2015-2024 lektsii.org -  онтакты - ѕоследнее добавление

√ен: 0.065 с.