Методи обробки зображень
(image processing) мають надзвичайно важливе значення в сучасній науці, вони є
одними з таких які безперервно розвиваються та вдосконалюються. При цьому під
обробкою зображень розуміють не лише поліпшення зорового сприйняття зображень,
але й класифікацію об'єктів, що виконується при аналізі зображень.
Області застосування методів
цифрової обробки в наш час значно розширюються, витісняючи аналогові методи
обробки сигналів зображень. Методи цифрової обробки широко застосовуються в
промисловості, мистецтві, медицині, космосі. Вони застосовуються при керуванні
процесами, автоматизації виявлення об'єктів, розпізнаванні образів і в багатьох
інших. Цифрова передача зображень із космічних апаратів, цифрові канали
передачі сигналів зображень вимагають забезпечення передачі все більших потоків
інформації. Формування зображень, поліпшення якості та автоматизація обробки
медичних зображень, включаючи зображення, що створюються електронними мікроскопами,
рентгенівськими апаратами, томографами тощо, є предметом сучасних досліджень та
розробок.
Автоматичний аналіз у
системах дистанційного спостереження широко застосовується при аналізі
місцевості, у лісовому господарстві, наприклад, для автоматичного підрахунку
площі вирубок, у сільському господарстві для спостереження за дозріванням
урожаю, у розвідці, у системах протипожежної безпеки. Контроль якості
виробленої продукції виконується завдяки автоматичним методам аналізу сцен.
Сьогодні важко представити
область діяльності, у якій можна обійтися без комп'ютерної обробки зображень.
При комп'ютерній обробці зображень вирішується широке коло завдань, таких як
поліпшення якості зображень; вимірювання параметрів зображення; спектральний
аналіз багатомірних сигналів; розпізнавання зображень; стиск зображень.
Існуючі підходи щодо розв’язання завдань
поліпшення цифрового зображення та
відновлення його структури поділяють
на дві категорії:
1) методи обробки в просторовій області
(просторові методи), які ґрунтуються на прямому
маніпулюванні пікселями зображення;
2) методи обробки в частотній області
(частотні методи), які ґрунтуються на модифікації
(фільтрації) сигналу, що формується шляхом
застосування до зображення перетворення
Фур'є.
Просторова обробка застосовується, коли
єдиним джерелом викривлень є адитивний шум.
Частотна фільтрація може використовуватися
для нечітких зображень з дефектами освітлення, також вона враховує й шум. Тому частотна
обробка є найбільш універсальним і поширеним методом поліпшення якості цифрового
зображення.
Огляд методів цифрової обробки зображень
Попередній аналіз зображень
дозволяє зробити висновок про те, що:
– по-перше, більшість
зображень, в процесі їх формування (фотографування сканування і т.д.),
підпадають під вплив ряду негативних чинників (вібрація фотокамери,
нерівномірність руху скануючого елементу і т.д.), що приводять до смазанності,
появі малоконтрастних і зашумленних ділянок і т.д.;
– по-друге, переважна
більшість методів заснована на виділенні об'єктів на зображенні і подальшому їх
аналізі.
Таким чином, перш ніж
піддатися аналізу, зображення повинне пройти етап препарування, який полягає у
виконанні операцій поліпшення візуальної якості (підвищення контрасту, усунення
розмитості, підкреслення меж, фільтрація) і операцій формування графічного
препарату (сегментація, виділення контурів) зображення.
Зміна контрасту. Слабкий контраст зазвичай
викликаний малим динамічним діапазоном зміни яскравості, або сильною
нелінійністю в передачі рівнів яскравості. Простим методом контрастування є
функціональне відображення градації яскравості fij в gij, тобто gij = R(fij).
На практиці дуже часто використовують лінійні функціональні відображення. Якщо
в результаті нерівномірності освітлення при фотографуванні або виготовленні
фотографій, виникає ситуація, коли різні ділянки зображення володіють різним
контрастом. У такому разі для зміни контрасту використовують адаптивні
алгоритми контрастування. Прикладом може служити алгоритм локального посилення
контрасту. Експериментальні дослідження підтвердили високу ефективність роботи
алгоритму в тому випадку, якщо на знімку присутні області з явно завищеним або
заниженим контрастами.
Суть алгоритму полягає в
тому, що знімок розглядається як набір деякого числа локальних областей, і ці
області обробляються з урахуванням їх характеристик. Обробка ведеться в
наступній послідовності: обчислюється коефіцієнт посилення зрізів щільності р
окремо для кожної локальної ділянки зображення. І здійснюється обробка кожного
пікселя зображення. Якщо р рівне одиниці, то над локальною ділянкою зображення
ніякої дії не проводиться (якщо р відмінно від одиниці, то здійснюється
підвищення контрасту локальної області). Спочатку обчислюється контраст в
аналізованій крапці щодо найближчої околиці. Потім значення відносного
контрасту складається з одиницею, і набутого значення приймається в алгоритмі
як коефіцієнт посилення p, а далі проводиться обчислення за формулою
Li` = p*Li -
int(p*Li/L`max)*L`max
де L`i - нове значення
яскравості, Li - поточна яскравість оброблюваного зображення, L`max - необхідне
максимальне значення яскравості обробленого зображення.
Згладжування шумів. Зображення на етапі
оцифрування піддаються дії аддитивного і імпульсного шуму. Аддитивний шум є
деякий випадковий сигнал, який додається до корисного на виході системи, в
даному випадку аддитивний шум виникає унаслідок зернистості плівки. Імпульсний
шум, на відміну від аддитивного, характеризується дією на корисний сигнал лише
в окремих випадкових крапках (значення результуючого сигналу в цих крапках
приймає випадкове значення). Імпульсний шум характерний для цифрових систем
передачі і зберігання зображень. Таким чином, в процесі препарування зображення
виникає завдання придушення шуму. Простим методом, що згладжує шум, на
зображенні є згладжування, тобто заміна значення яскравості кожного елементу
середнім значенням, знайденим по його околиці:
fij = (1/p)*Sk,l(fkl)
де fkl I S8(fij) - безліч
крапок, що належать околиці точки fij (включаючи і саму точку fij); p - число
крапок в околиці.
Розглянутий метод ефективно
усуває аддитивний і імпульсний шум в кожному елементі зображення.
Підкреслення меж. Методи згладжування
зображень можуть усувати шум дуже ефективно. Істотним недоліком алгоритмів
згладжування є змазування зображення ( зниження чіткості контурних елементів),
при цьому величина змазування пропорційна розміру маски, використовуваної для
згладжування. Для однозначного аналізу зображень, особливо при обчисленні
геометричних характеристик структурних елементів, дуже важливо прибрати змаз з
контурів об'єктів в зображенні, тобто підсилити різницю між градаціями
яскравості контурних елементів об'єкту і сусідніх елементів фону. В цьому
випадку при обробці зображень використовуються методи підкреслення контурів.
Звичайне підкреслення меж
здійснюється методом високочастотної просторової фільтрації. Характеристики
фільтрів задаються у вигляді маски, в якій середнє значення повинне бути рівне
нулю.
Ще одним методом
підкреслення меж є так зване статичне диференціювання. У цьому методі значення
яскравості кожного елементу ділиться на статистичну оцінку
середньоквадратичного відхилення sF, тобто gij = fij/sF (середньоквадратичне
відхилення обчислюється в деякій околиці елементу fij).
Медіанна фільтрація. Медіанна фільтрація
відноситься до нелінійних методів обробки зображень і має наступні переваги
перед лінійною фільтрацією (класичної процедури згладжування): зберігає різкі
перепади (межі); ефективно згладжує імпульсний шум; не змінює яскравість фону.
Медіанна фільтрація
здійснюється шляхом руху деякої апертури (маски) уздовж дискретного зображення
і заміни значення центрального елементу маски медіанним значенням (середнє
значення впорядкованої послідовності) початкових елементів усередині апертури.
У загальному випадку, апертура може мати найрізноманітнішу форму, але на
практиці найчастіше застосовується квадратна апертура розміром (2k+1)*(2k+1)де
до = 1,2 ...
Комментариев нет:
Отправить комментарий