75602

ОБРАБОТКА ИЗОБРАЖЕНИЙ

Лекция

Информатика, кибернетика и программирование

Целью обработки может являться также улучшение качества изображения для лучшего визуального восприятия геометрические преобразования масштабирование поворот в общем нормализация изображений по яркости контрастности резкости выделение границ изображений автоматическая классификация и подсчет однотипных объектов на изображении сжатие информации об изображении. К основным видам искажений изображений затрудняющих идентификацию можно отнести: Недостаточную контрастность и яркость связанную с недостаточной освещенностью объекта;...

Русский

2015-01-15

345.5 KB

27 чел.

ОИ.Лекция 15.

ОБРАБОТКА  ИЗОБРАЖЕНИЙ. ВВЕДЕНИЕ.

Главной целью обработки изображений, является обнаружение объектов и идентификация этих объектов.

Целью обработки может являться также улучшение качества изображения для лучшего визуального восприятия, геометрические преобразования (масштабирование, поворот, в общем), нормализация изображений по яркости, контрастности, резкости, выделение границ изображений, автоматическая классификация и подсчет однотипных объектов на изображении, сжатие информации об изображении.

К основным видам искажений изображений, затрудняющих идентификацию, можно отнести:

  •  Недостаточную контрастность и яркость, связанную с недостаточной освещенностью объекта;
  •  Наличие шумов на изображении, вызванных  различными факторами;
  •  Искажения, вызванные «зернистостью» из-за квантования изображения;

Искажения, связанные с перемещением видеорегистратора или объекта во время экспозиции и связанную с этим «смазанность» изображения;

Математические основы и методы обработки изображений применительно как к объектам живой, так и неживой природы, разработаны и описаны в [1-57].

           Элементарные операции с изображениями

К элементарным операциям, используемых при обработке изображений, можно отнести:

  1.  Чтение и запись файлов с изображениями;
  2.  Преобразование графических форматов;
  3.  Улучшение качества изображений (путем выравнивания гистограммы, изменения яркости палитры, корректировки яркости и контрастности)
  4.  Масштабирование изображений;
  5.  Выполнение геометрических операций с изображениями (кадрирование, изменение размеров, поворот);
  6.  Функциональные преобразования (двумерное прямое и обратное дискретное косинусное преобразование, двумерное быстрое преобразование Фурье, прямое и обратное преобразование Радона);
  7.  Корреляционное сравнение изображений;
  8.  Фильтрация шумов на изображениях (медианная, ранговая, адаптивная и др.);
  9.  Выполнение операций с пикселами (построение контурных графиков объектов, вычисление признаков объектов, построение гистограммы изображения, построение профиля изображения);

Для обработки изображений может быть использована программная среда MATLAB, в которой имеется большое количество библиотечных функций для работы с изображениями и Visual C++ совместно с библиотекой обработки изображений Open CV (Computer Vision).

                      Чтение и запись файлов с изображениями

В пакете расширения Image Processing программы MATLAB используются различные форматы изображений: BMP, JPEG, PCX, PNG, TIFF, CUR, HDF, ICO, XWD и представляющих их файлов. Соответствующие типы файлов могут быть прочитаны с помощью функции imread. Функция A=imread(filename, fmt) читает из файла с именем filename  полутоновое или полноцветное изображение и создает двумерный массив A если изображение полутоновое или трехмерный массив размера m x n x 3 – если изображение полноцветное. Параметр fmt задает формат изображения и может принимать значения bmp’, ‘jpg’, ‘jpeg’, ‘pcx’, ‘png’, ‘tif’,’cur’,’hdf’, ‘ico’, ‘xwd’.  

Функция imwrite(A,filename,fmt) записывает изображение A в файл с именем filename c расширением fmt.

Функции imread и imwrite имеют и другие формы, с которыми можно познакомиться в [1-3].

                              Вывод изображения на экран

   J=imread ('moon.tif');

  figure;

  imshow (J);

 

Базовые средства фильтрации шумов на изображениях

Алгоритмов улучшения качества изображений  известно достаточно много. Ряд из них ориентированы на уменьшения уровня шумов с целью обнаружения объектов на изображениях или идентификации объектов. Основные методы: фильтрация,  прямое и обратное вейвлет-преобразование, деблюринг (устранение смазанности), накопление.

Применение фильтров

Для уменьшения шумов на изображениях предусмотрены несколько различных фильтров: усредняющий (average), медианный (medfilt2), Гаусса (gaussian).

Функции медианной фильтрации (medfilt2), ранговой фильтрации (ordfilt2) и адаптивной фильтрации (wiener2) наиболее эффективны для борьбы с  зашумленностью изображения имеющего вид «снега».

Усредняющий и медианный фильтры относится к классу фильтров низких частот. Они могут использоваться для уменьшения влияния шума на изображение, однако их применение приводит к размытию изображения и уменьшению его четкости.

Медианная фильтрация представляет собой нелинейную операцию, более эффективную, чем конволюция, когда целью является одновременно уменьшение шума и сохранение границ объектов на изображении.

Функция медианной фильтрации J= medfilt2(I,[m n])фильтрует матрицу исходного изображения, используя маску фильтра размером m x n. По умолчанию – маска имеет размер 3 х 3 пиксела. Центральный пиксел маски  заменяют медианой всех ее пикселов. Маска применяется нерекурсивно ко всему изображению. На краях изображение дополняется нулевыми элементами при классе Iunit8 или единицами при классе Idouble, поэтому в результате фильтрации крайние элементы изображения могут быть искажены.

Эффект улучшения  изображения при использовании медианного фильтра показан на рис. 2.1.

      А                                             Б                                                В                           

Рис. 2.1. Исходное изображение хорошего качества(А), зашумленное (Б) и полученное в результате фильтрации (В).

В данном случае применение фильтра решает задачу обнаружения объекта на изображении. На рис. 2.2 показан пример улучшения качества изображения, выполняемого с целью достижения максимальной идентичности, оцениваемой по коэффициенту кросскорреляции, отфильтрованного изображения с исходным незашумленным изображением.

Усредняющий фильтр (average) функционирует таким же образом, как и медианный, но отличается тем, что центральный пиксел маски вычисляется как среднеарифметическое значение всех ее пикселов. Если медианный фильтр эффективнее при шуме типа «соль и перец», то усредняющий фильтр имеет преимущество при гауссовом белом шуме.

                      А                                      Б                                        В  

                                               

    

           Рис. 2.2.   Исходное (А), зашумленное (Б) и полученное в результате фильтрации (В) изображения. Вид шума – гауссовый белый, variance=0.005.

С точки зрения визуального восприятия зашумленное изображение выглядит лучше, чем отфильтрованное, однако отфильтрованное более близко к исходному при корреляционном сравнении. Коэффициент корреляции зашумленного изображения с исходным – 0.80, отфильтрованного с исходным – 0.92. Ниже приведен пример программ усредняющего и медианного фильтров.

%Усредняющий фильтр 'Average'

 hsize=[3 3 ]; %маска фильтра

 h= fspecial('average',hsize);

 J=imfilter(I,h,'replicate');

 figure;

 imshow (J);   

title('После усредняющего фильтра');

 %Медианный фильтр 'medfilt2'

 hsize=[3 3 ]; %маска фильтра

 J= medfilt2(I,hsize);

 figure;

 imshow(J);

 title('После медианного фильтра');

Фильтр Гаусса (gaussian) также относится к классу фильтров низких частот, но, по сравнению с усредняющим фильтром при гауссовом белом шуме, он меньше размывает изображение. Отфильтрованное изображение получается также близко к исходному при корреляционном сравнении. Коэффициент корреляции зашумленного изображения рис. 2Б при гауссовом белом шуме с variance = 0.005 с исходным – 0.80, отфильтрованного с исходным при использовании как усредняющего фильтра, так и фильтра Гаусса – 0.97. Ниже приведен пример программы фильтра Гаусса.

 %Фильтр Гаусса 'gaussian'

 hsize=[9 9];

 sigma=0.99;

 h= fspecial('gaussian',hsize,sigma);

 J=imfilter(I,h,'replicate');

 figure;

imshow(J);title('После фильтра Гаусса');

Однозначный выбор вида фильтра при обработке изображения может быть сделан с учетом решаемой задачи и только в случае, если точно известен характер шума. Если же характер шума неизвестен, нужно пробовать применить для обработки изображения последовательно все вышеупомянутые фильтры.

Улучшение отношения сигнал/шум путем накопления

Еще один возможный вид обработки изображений с целью улучшения отношения сигнал/шум – накопление, т.е. усреднение нескольких изображений. Благодаря тому, что изображение объекта остается неизменным, а шумовая составляющая изменяется, в результате накопления происходит улучшение отношения сигнал/шум. На рис. 2.3 приведен пример эффекта улучшения отношения сигнал/шум в результате 10 накоплений.

                                    А                                                  Б

             

Рис.2.3. Зашумленное изображение (А) и результат 10-ти накоплений (Б).

Эффект улучшения отношения сигнал/шум может быть достигнут при условии, если положение объекта в кадре остается неизменным. Поэтому  необходимо устранение эффектов смещения объекта в кадре, связанного с качкой и перемещением корабля, на котором установлена система.

Таким образом, средства работы с фотоизображениями, представленные в   MATLAB, являются достаточно полными и эффективными при решении задачи улучшения качества изображений. Кроме того, MATLAB является открытой системой, т.е. дает возможность модифицировать имеющиеся программы обработки и создавать другие.

Время выполнения базовых функций MATLAB для работы с изображениями на  компьютере IBM PC класса Pentium-4 приведено в табл. 2.1.

              Табл. 2.1. Время выполнения функций для работы с изображениями, мсек

Выполняемая

функция

Формат изображения

640х480

800х600

1

Чтение файла изображения

32

36

2

Отображение изображения

420

420

6

Ранговая фильтрация (Улучшение фокусировки)

130

220

7

Медианная фильтрация

100

140

Наложение шумов на изображение

Для выбора наилучшего метода фильтрации шумов и его параметров необходимо знать статистические свойства шума и параметры изображения, такие как яркость, контрастность, резкость, наличие или отсутствие смазанности. При этом возможно проведение модельного эксперимента, который позволит изучить эффективность того или иного метода фильтрации шумов при вариациях параметров изображения и параметров шума.

Для добавления шума к изображению MATLAB предоставляет функцию J=imnoise(I, type), где I – исходное изображение, type – класс шума:

  •  ‘gaussian’ – гауссовый белый шум;
  •  salt & pepper –«соль и перец», шум в виде включенных или выключенных пикселов;
  •  ‘speckle’мультипликативный шум.

Функция J=imnoise(I, type, parameters) позволяет дополнительно задать параметры шума, например:

  •  J=imnoise(I, ‘gaussian’, m, v) добавляет гауссовый белый шум со средним значением m и отклонением v (по умолчанию m=0, v=0.01);
  •  J=imnoise(I, ‘salt & pepper’, d) параметр d задает плотность шума, по умолчанию d=0.05;
  •  J=imnoise(I, ‘speckle, v) добавляет мультипликативную компоненту шума, так что J=I + n*I, где n – равномерно распределенный шум со средним значением 0 и среднеквадратичным отклонением v (по умолчанию v=0.04). Этот шум не виден на темных участках изображения, но проявляется на его светлых участках.

               

Рис. 2.4. Пример исходного  и  зашумленных изображений.

  

  %Программа производит зашумление изображения m00200011.tif

  %тремя различными способами

  

  img1=imread ('m00200011.tif'); subplot(2,2,1);

  imshow (img1);

  title('Исходное изображение');

  img2=imnoise(img1,'gaussian',0.03);subplot(2,2,2);

  imshow (img2);    

  title('С гауссовым шумом');

  img3=imnoise(img1,'salt & pepper',0.02);subplot(2,2,3);

  imshow (img3);    

  title('С шумом "соль и перец"');

  img4=imnoise(img1,'speckle',0.03);subplot(2,2,4);

  imshow (img4);    

  title('С мультипликативным шумом');

Входное изображение должно быть представлено матрицей классов unit8, unit16 или double. Выходной сигнал имеет тот же класс, что и входной. Файл входного черно-белого или цветного изображения может быть представлен в формате .bmp, .jpg, .tif, .gif и т.д.

PAGE  7


 

А также другие работы, которые могут Вас заинтересовать

19642. Комплексные методы маркетинговых исследований. Отчет о выполненных маркетинговых исследованиях 81 KB
  Занятие 14. Комплексные методы маркетинговых исследований. Отчет о выполненных маркетинговых исследованиях. Комплексные смешанные методы которые сочетают возможности качественных и количественных исследований за счет проектирования процессов измерения. К так
19643. Период первобытности 13.21 KB
  Период первобытности в наиболее развитых регионах земли закончился на рубеже 34 тысячелетиий до нашей эры .На смену ему приходит период который называется цивилизация. Строительство городов является одним из первых признаков рождения цивилизации. Окончательно циви
19644. Характеристика цивилизации Древнего Востока 10.39 KB
  Характеристика цивилизации Древнего Востока На рубеже 43 тысячелетия заканчивается период первобытности и мир переходит в эпоху цивилизации. Признаки цивилизации: Государство появление городов письменность ирригация искусственные каналы для орошения полей со...
19645. Характеристика античной цивилизации 11.41 KB
  Характеристика античной цивилизации. Море это главное богатство греков оно давало возможность заниматься ремеслом торговлей мореплаванием. Занимались скотоводством выращиванием оливок и винограда. ВЕЛИКАЯ ГРЕЧЕСКАЯ ЦИВИЛИЗАЦИЯ Причины колонизации: 1. быстры...
19646. Становление Древнерусского государства. Норманская теория 11.2 KB
  Становление Древнерусского государства. Норманская теория В IX веке у восточных славян возникает госво. Согласно норманнской теории сформулированной немецкими учеными Г. Ф. Миллером и Г.З. Байером в XVIII веке создание русского госва приписывалось скандинавским викинга
19647. Первые Киевские князья 14.56 KB
  Первые Киевские князья В 879 г. Рюрика на новгородском престоле сменил Олег Вещий.В 882г. Олег совершил поход на Киев и убил правящих там князей Дира и Аскольда а затем провозгласил себя правителем единого киевсконовгородского государства. Позднее в XIX веке оно получит н
19648. Причины феодальной раздробленности на Руси 14.66 KB
  Причины феодальной раздробленности на Руси: Господство натурального хозяйства и как следствие слабые экономические связи между районами государства. Усиление отдельных княжеств правители которых уже не желают подчиняться киевскому князю. Постоянные усобиц...
19649. Значение Батыева нашествия и установления монгольского ига 15.09 KB
  31 мая 1223 г. на реке Калке монголы разгромили лишенное единства русское войско. Это поражение имело большое моральное значение для будущего завоевания Руси – возник миф о непобедимости монголов. В 1237 г. началось нашествие монголов на Русь. Были разорены Рязань Москва Сузд...
19650. Причины образования единого Российского государства 16.25 KB
  В XIII-XIV веках сложились предпосылки образования русского централизованного государства экономические и политические. Причины образования единого Российского государства: Потребность в сплочении сил Руси для освобождения от ордынского ига Необходимость по