Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Przetwarzanie obrazów zima 2015 Wykład 3 Poprawa jakości obrazów dr inż. Wojciech Bieniecki Instytut Nauk Ekonomicznych i Informatyki

Podobne prezentacje


Prezentacja na temat: "Przetwarzanie obrazów zima 2015 Wykład 3 Poprawa jakości obrazów dr inż. Wojciech Bieniecki Instytut Nauk Ekonomicznych i Informatyki"— Zapis prezentacji:

1 Przetwarzanie obrazów zima 2015 Wykład 3 Poprawa jakości obrazów dr inż. Wojciech Bieniecki Instytut Nauk Ekonomicznych i Informatyki 1 Agenda: Operacje na obrazach Operacje na histogramie Prosta filtracja

2 Poprawa jakości obrazu Poprawa jakości – przetwarzanie wstępne - Pierwszy etap automatycznej analizy obrazu - W celu ułatwienia oglądania i analizy ręcznej obrazu (łatwiej oglądać i analizować obraz) Poprawa jakości - operacje punktowe (jasność i kontrast) - operacje obszarowe - filtracja - resampling i korekcja geometrii

3 Operacje na obrazie 3 II’ f Operacje punktowe

4 4 Operacje na obrazie II’ f Operacje lokalnego sąsiedztwa

5 5 Operacje na obrazie Operacje globalne I I’ f

6 6 Operacje na obrazie I f Operacje na obiektach A

7 Jasnośći i kontrast Zadaniem operacji punktowych jest dopasowanie jasności i kontrastu obrazu. Kontrastem obrazu nazywamy odchylenie względne funkcji obrazu

8 8 Operacje punktowe - histogram Histogrm oblicza częstość wystąpienia każdej wartości funkcji obrazu char [][]image = new char[M][N]; int []h = new int[256]; for(int i=0;i<256; h[i++] = 0); for(int i=0;i

9 9 Operacje punktowe - histogram Zastosowanie – kontrola ustawień matrycy światłoczułej Zbyt ciemnaZbyt jasno Za mały kontrastwłaściwa

10 Analiza hisogramu Wniosek: Złe warunki ekspozycji Prawie połowa obszaru jes jasna (niebo) Dużo wartości z prawej strony Prawie połowa obszaru jest ciemna (zieleń) Dużo wartości z lewej strony

11 Analiza histrogramu Obraz zawiera jednolite obszary: Bardzo jasny: chmura. jasny: niebo ciemny: zieleń Warunki oświetleniowe są prawidłowe

12 Analiza histogramu Histogram przypomina rozkłąd normalny. Brak większych jednolitych obszarów, dobre warunki oświetlenia

13 Analiza histogramu Histogram ma 5 maksimów „pików”. Obraz jest zbyt ciemny

14 Lookup table LUT jest strukturą danych (najczęściej tablicą haszowaną) używaną do szybkiego przetwarzania punktowego obrazów (tablicowa reprezentacja funkcji transformującej). char LUT[]=new char[256]; for(int j=0;j<256; j++) LUT[j]=fun(j); Zastosowanie przyspiesza znacząco obliczenia w porównaniu do zastosowania funkcji w postaci analitycznej. LUT może być realizowana sprzętowo

15 15 Manipulacja histogramem Obraz wejściowyliniowanieliniowa wyrównanie

16 16 Rozciąganie histogramu

17 Obcięcie histogramu lminlmax

18 Wyrównanie histogramu Wyrównanie histogramu jest monotoniczną operacją nieliniową, która zmienia jasności punktów obrazu tak, aby histogram prezentował rozkład równomierny (histogram będzie płaski). Technika ta jest użyteczna w procesie porównywania obrazów, ponieważ jest bardzo efektywna przy szczegółowej poprawie jakości oraz korekcji nieliniowych efektów systemu akwizycji obrazu lub wyświetlacza.

19 Histogram skumulowany

20 Algorytm wyrównywania histogramu

21 Wyrównanie histogramu Pomimo tego, że wyrównanie histogramu działa perfekcyjnie dla obrazu analogowego, w przypadku obrazu cyfrowego (funkcja jest dyskretna) nie jest możliwe uzyskanie zupełnie płaskiego histogramu

22 Korekcja Gamma 22  jest liczbą rzeczywistą  =0.5 (kreskowana),  = 2 (linia) and  =6 (kropkowana).

23 Operacje lokalnego sąsiedztwa 23 SPLOT: Zamień wartość centralnego piksela poprzez sumę ważoną wartości pikseli sąsiednich wewnątrz maski n  n.

24 SPLOT - wygładzanie 24 Jeżeli wszystkie współczynniki filtru są nieujemne, filtr będzie filtrem wygładzającym Rozmiar maski filtru wpływa na poziom wygładzenia Mały filtra Gaussa (sigma = 1, maska 5x5) Duży filtr Gaussa (sigma = 4, maska 17x17) * Suma współczynników maski musi by równa 1oefficients is 1

25 25 The derivatives – continuous domain

26 Splot - gradient 26 grad x: f x grad y: f y Moduł z gradientu jest inwariantny względem obrotu

27 27 Splot - laplacian f xx f yy Laplacian Jest inwariantny względem obrotu

28 Wyostrzenie obrazu 28

29 29 Wyostrzenie obrazu sharpen(f ) = f – laplace(f )

30 Wykrywanie krawędzi - szkic metody 30 A B=Gauss(A ) D= (B == 0) AND PROGOWANIE

31 Operacje nieliniowe – filtry rangowe 31 Filtry rangowe: sortują wartości odcieni szarości w sąsiedztwie określonym maską n  n i zamieniają jasność centralnego piksela poprzez: Medianę – wartość środkową Wartość minimalną Wartość maksymalną

32 Filtr medianowy Obraz wejściowyFiltr medianowy 3x3 Gauss filter (5x5) Gauss filter (13 x 13) Filtr medianowy ma zastosowanie tylko dla szumu impulsowego. Zastępuje uszkodzone piksele najbardziej prawdopodobną wartością. Nie uszkadza dobrych pikseli

33 Filtry max i min 33 Filtry max/min zamieniają centralny piksel poprzez maksymalną lub minimalną wartość z sąsiednich pikseli

34 Jak wyznaczyć tło?

35 Korekcja nierównomiernego oświetlenia

36 Arytmetyka obrazów Operacja Bitshift – punktowe mnożenie/dzielenie przez 2 wartości jasności Dodawanie punktowe: image1 + image2 (lub stała) Odejmowanie punktowe: image1 – image2 (lub stała) Mnożenie punktowe: image1 * image2 (lub stała) Dzielenie punktowe: image1 / image2 (lub stała) Przenikwanie – punktowa kombinacja liniowa dwóch obrazów Logiczne AND/NAND - punktowe AND/NAND dwóch obrazów binarnych Logiczne OR/NOR - punktowe OR/NOR dwóch obrazów binarnych Logiczne XOR/XNOR - pounktowe XOR/XNOR dwóch obrazów binarnych Inwersja logiczne NOT

37 Dodawanie punktowe =+ Co poszło nie tak? Wykrywanie krawędzi

38 Dodawanie punktowe I I 2 = Canny(I)I 3 = Binary(I 2 ) I 4 = NOT(I 3 ) I 5 = I 4 AND I I 6 = I 2 + I 5

39 ODEJMOWANIE OBRAZÓW 39 I(x,y) Jak wydobyć kombinerki z obrazu? background(x,y) object(x,y) Object(x,y) = I(x,y) – background(x,y) Co może być problemem? Jak go rozwiązać?

40 ODEJMOWANIE OBRAZÓW 40 Obraz - pytanieObraz wzorcowy Mistake = query image – test image

41 DZIELENIE OBRAZÓW 41 I 1 = I - red(I )I 2 = I - green(I ) I 3 = I 1 / I 2

42 Przenikanie obrazów

43 OPERACJE BINARNE 43 Dla obrazów binarnych lub na poziomie bitów I1I1 I2I2 I I1I1 I2I2 I I1I1 I2I2 I I1I1 I2I2 I I1I1 I2I2 I I1I1 I2I2 I ANDOR NAND NOR XOR NXOR

44 Filtracja alfa 44 A – pierwszy plan B – tło M – cień C – wynik Blue box (czasami jest zielony)

45 Operacje geometryczne - odbicie 45 pionowe poziome

46 Operacje geometryczne - obrót o 180 o

47 Implementacja na tablicy 1D 47 Co roi ten program?

48 Zmiana rozmiaru 48 x3

49 Transformacja prosta i odwrotna 49 Co może pójść nie tak?

50 Transformacja prosta i odwrotna 50

51 Operacje wymagające resamplingu 51 House (256 x 256) Zmiana rozmiaru 512 x 256 Zmiana rozmiaru z zachowaniem proporcji

52 Operacje wymagające resamplingu 52 House (256 x 256) 30  rotacja

53 Operacje wymagające resamplingu 53 House Ścinanie pionowe Ścinanie poziome Korekcja perspektywy

54 Określenie koloru – najbliższy sąsiad 54 Interpolacja zerowego rzędu Jak to zaimplementujesz?

55 Obliczenie koloru – najbliższy sąsiad 55 Zero order inteerpolation Magnified part of original Magnified part of resized

56 Obliczenie koloru - interpolacja 56 Interpolacja pierwszego rzędu - dwuliniowa

57 Implementacja interpolacji dwuliniowej 57

58 Interpolacja dwuliniowa - wyniki OriginalbilinearNearest neighbor

59 Interpolacja funkcjami sklejanymi (splot) 59

60 Interpolacja dwusześcienna – splot 60 gdzie a jest zwykle z przedziału -0.5 do -0.75

61 Interpolacja dwusześcienna 61 Spline cubic formula for 6x6 pixel kernel sinc function windowed to 8 pixels (Lanczos)

62 Spline interpolation results 62 Which method is best? Originalbilinearsinc splines

63 KONIEC WYKŁADU 63


Pobierz ppt "Przetwarzanie obrazów zima 2015 Wykład 3 Poprawa jakości obrazów dr inż. Wojciech Bieniecki Instytut Nauk Ekonomicznych i Informatyki"

Podobne prezentacje


Reklamy Google