Улучшение визуального восприятия снимков

Эффект от улучшения преобразований заключается чтобы упростить дешифрирование и анализ изображения. Эта возможность появляется, так как изображение в цифровом виде. Не смотря на это дешифрирование снимков, может быть затруднен (вариации спектральной яркости) – не возможно выбрать оптимального диапазона яркости всех объектов.

Категории улучшения методов

- Пространственные методы

- Частотные методы

Пространственные методы оперируют над понятием – пространственная область (относят к плоскости изображения). Напрямую базируют над пикселями.

Частотные методы оперируют в частотной области

Функция градиентного преобразования.

Значения пикселей до и после обработки: r, s.

T – Преобразование какое-то

Введение в преобразование

1 линейное

-1 тождественное

2 негатив

3 n-степень

4 логарифмическое

-1 не используется

Преобразование изображения в негатив [0, L-1]. S=L-1-r. создает эквивалент фотографического негатива – для усиления белых или серых деталей.

Логарифмический. S=c*log(1+r) при r≥0

Указывает данное преобразование. Отображает узкий диапазон малых значений яркости на исходном изображении более широкий диапазон яркости в выходном изображении. Используя случай, когда необходимо использовать с проведение растяжения с современным сжатием.

Степенные преобразования

Отличие от логарифмического преобразования. Возникает семейство возможных преобразований:

Гамма-коррекция – степенное преобразование

1=1 1

2=0,62 1,5

3=0,4 2,5

4=0,2 5

5=0,1 10

6=0,04 25

Часто используемые линейные преобразования в программах обработки изображения

Повышение качества

- Метод минимаксного растяжения. Левый и правый край гистограммы сдвигается к соответствующим границам.

- Исключение хвостов – потенциальное преобразование

Пространственные преобразования

Пространственные преобразования позволяют извлекать информацию из данных ДЗЗ и обрабатывать нужным образом. Некоторые преобразования используют локальные данные (окрестность одного пикселя) а в других используется информация со всего изображения. Первая группа преобразований – это преобразования из группы свертки, вторая – преобразования Фурье. Между двумя преобразованиями находятся внекатегорийные фильтры преобразования (разномасштабные), например, Гаусовые пирамиды, пирамиды Лапласа, wavelet преобразования.

Обработка данных с помощью этих методов позволяет получить доступ к пространственной информации в широком диапазоне: от локального, до глобального.

Модель изображения при пространственной фильтрации

Чтобы понять, что такое пространственная фильтрация, изображение полезно представить в виде совокупности элементов различных масштабов. Предположим, что значения пикселей исходного изображения преобразуются таким образом, что новое значение каждого пикселя получается в результате усреднения значений пикселей в некоторой окрестности. Новое сглаженное изображение вычитаем из исходного, в результате получится разностное изображение. Сглаженное изображение будем называть низкочастотным (LP), а разностное – высокочастотное (HP).

P(x,y)=LP(x,y)+HP(x,y) – формула справедлива для любых масштабов

С увеличением размера окрестности на LP выделяются крупные структуры, но при этом мелкие структуры сохраняются на HP изображении.

Разложение изображения на компоненты различных масштабов – основа пространственной фильтрации, обратный процесс (сложение) называется суперпозиция. Аналогичный вид будет иметь разложение изображения на несколько составляющих при многомасштабной фильтрации.