Методы обработки изображения. Порядок выполнения работы
Обработка изображений активно применяется в фотографии, модельном бизнесе, печатном деле и при размещении статей в интернете. Вариантов, способов, инструментов и методов выполнения этого процесса присутствует масса. О некоторых из них и пойдёт речь в этой статье.
Цифровая обработка изображений: для чего нужна и где применяется
В задачи обработки изображений входит придание им вида, в котором они будут наиболее ярко и понятно отражать действительность или же, наоборот, искажать её. Например, подготовка фотографий со свадьбы позволяет убрать лишние элементы, скрасить вид гостей, жениха и невесты. Особенно актуально при обработке устранение эффекта «красных глаз» и подтягивание фигуры.
Создание коллажей также не обходится без пост- и предварительной обработки. С их помощью можно рисовать картины, которые не могли произойти в действительности.
Корректировка графического контента получает исходники как из цифровых камер, так и от устройств обработки изображений, например, сканеров или веб-камер.
Существует несколько универсальных методов для подготовки картинок для будущих проектов. Из основных можно выделить следующие:
- баланс белого;
- коррекция экспозиции;
- обработка шумов;
- устранение искажений;
- детализация;
- обработка контраста;
- композиция;
- ретушь;
- размер;
- резкость на выходе.
Идеальный баланс белого - залог качественной картинки
Цветопередача имеет большое значение для восприятия картинки. Обработка изображений для баланса белого придаёт им реальную цветность и действительность.
Очень часто цифровые камеры по умолчанию неправильно или искаженно передают цвет на снимок. Регулировку баланса белого можно произвести, используя ползунки теплоты. В некоторых программах для обработки изображений и вовсе имеется предназначенный для этого отдельный режим.
Экспозиция не только у фотоаппарата, но и в обработке
Настройки различных цифровых камер позволяют установить идеальную экспозицию на этапах съёмки. Однако такое возможно не всегда. Поэтому приходится исправлять её с помощью последующей обработки изображений.
В частности, за счёт изменения контраста и тона, можно придать картинке естественный цвет и падающий свет. Нужные элементы должны быть правильно затенены, а находящиеся в лучах света — освещены естественно, без излишков.
Обработка шумов - устранение лишнего
Высокая светочувствительность может породить шумы на картинке. Выражаются они, как правило, мелкой «сыпью» артефактов. Устранить их можно на этапе обработки графических изображений. Подавление шумов нужно применять с умом, так как слишком малое их количество сделает картинку неестественной.
Искажения
Широкоугольные и телеобъективы способны порождать небольшие изменения геометрии картинки. Их исправление может быть востребовано при выравнивании макета или печати. Для панорамы пейзажа, например, искажение не несёт больших потерь.
Детализация позволит разглядеть всё
Данный метод основан на регулировке резкости. То есть обработка изображения таким образом, чтобы различимость объектов на картинке улучшилась. Резкость, в свою очередь, определяется двумя факторами — разрешение и чёткость. Первый параметр описывает количество элементов, расположенных на минимальном расстоянии. Второй выражает степень размытия границ между объектами. Чем они чётче, тем более детализированной выглядит фотография или картинка.
Контраст - выделение ключевых особенностей и деталей
Контраст выражает отличие между разными цветами различных объектов на фото. Если он высокий, они очень хорошо различимы для глаз и выглядят более эффектно. С другой стороны, слишком большой контраст может сделать изображение неестественным. Идеально сбалансированный, он придаёт картинке сочность, при этом оставляя живость.
Композиция
Композиция может включать в себя несколько методов обработки изображений. Один из них — кадрирование. Он характеризуется выделением из рисунка наиболее важных участков и акцентированием горизонта и фокусов на них. Это актуально при фотографировании пейзажей, когда нужно убрать лишний участок неба или земли.
Ретушь - общий метод
Ретушь — это комплекс мер по устранению с изображений дефектов камеры и различных артефактов. Основным для этого метода обычно является выборочная коррекция. Она выражается в ручном устранении частиц пыли с объектива, зональном исправлении шумов и подобных способах.
Размер
Данный метод может придать изображению как большее, так и меньшее значение. При увеличении, как правило, используется интерполяция, то есть замещение ближайших точек ориентировочно схожими. Это может пригодиться при печати баннеров или плакатов.
Уменьшение без обработки может придать картинке неестественный муар. Поэтому применять изменение размера нужно после проведения работ по обработке изображения.
Программы для обработки изображений
Существует масса программных систем обработки изображений. Все они отличаются набором функционала, поддержкой дополнительных возможностей и ценой.
GIMP - бесплатный и мощный
Один из Скачать его можно бесплатно с сайта разработчиков. Этот продукт хоть и является некоммерческим, обладает огромными возможностями. Обработка векторной графики, работа со слоями, подключение большого количества плагинов, использование формата RAW.
Помимо всего этого у GIMP имеется большое русскоязычное сообщество, в котором можно узнать много полезной информации и трюков. Программа также имеет русский язык.
Adobe Photoshop - настоящий комбайн в графике
Имя этого продукта с давних пор стало нарицательным. Говоря фразу «отфотошопь», человек даёт понять, что ему нужно обработать изображение. Причем не важно, будет ли это действительно Adobe Photoshop или другая программа для обработки графики.
С помощью этого мощного инструмента многие мастера создают настолько яркие и естественные шедевры, что их очень трудно отличить от хорошей фотографии.
Однако изучение Photoshop - дело непростое и требует немалого количества времени. Интерфейс программы имеет огромное количество настроек, функций, методик и инструментов. Разобраться с ходу в нем очень сложно.
PhotoScape
Мало кто слышал об этом продукте, кроме профессиональных дизайнеров и фотографов. Возможно, его использование затрудняет отсутствие такого удобного инструмента, как слои, которые позволяют быстро копировать и накладывать изображения друг на друга.
Из плюсов программы можно выделить бесплатное распространение, русскую локализацию, подключение плагинов и поддержку RAW.
Picasa
Данный продукт разработала корпорация Google. Программа легка в освоении, имеет простой интерфейс. Прекрасно подойдёт для первичной обработки изображений в домашних условиях. Профессионалы же увидят в этой программе большое количество недостающих им инструментов.
Приложение бесплатно, однако Google с 2016 года прекратил его поддержку. При этом последние версии использовать можно.
Paint.NET
Своеобразная реинкарнация штатного редактора операционной системы Windows — Paint. Может работать со слоями, имеет набор подключаемых плагинов. Много интересных инструментов и функций.
Для введения в мир подойдёт идеально.
CorelDRAW
Платный продукт. Благодаря тому, что его главная направленность — векторные изображения, используется практически везде. Это и разнообразные макеты для печати, моделирование, проектирование зданий и обычные рисунки. Благодаря большому распространению имеет значительное количество готовых плагинов. Программа русифицирована.
Онлайн-обработка
В последнее время набирает популярность обработка изображений в режиме онлайн. У этого метода имеется много плюсов:
- Скорость обработки. Все вычисления производятся на стороне сервера, который обычно гораздо мощнее домашнего компьютера.
- Простота. Достаточно всего лишь загрузить изображение или указать ссылку, и можно приступать. Для этого имеется большой набор готовых инструментов, мало в чем уступающих многим оффлайн-редакторам.
- Доступность. Где бы ни был человек, какой бы слабый компьютер ни использовал, онлайн-редакторы всегда доступны в сети интернет.
- Поддержка многих форматов и конвертация их «на лету».
Заключение
Говорить о лучших методах, применяемых для обработки изображений, немного риторично. Ведь каждый профессионал, работающий в этой сфере, определяет свой набор инструментария. В зависимости от того, работает он с фотографией, коллажами, макетами для печатных изданий или моделированием, всегда существуют те продукты, которые он считает наиболее удобными и простыми.
Для начинающих редакторов могут пригодиться бесплатные продукты, методика обработки изображений в которых имеет самый примитивный уровень. А это значит, что можно понять, как они работают, перед тем как перейти в профессионалы.
Акулы графики же предпочитают мощные платные решения, требующие больших системных ресурсов и вложений. Но, как правило, человек, имеющий талант к этой работе, очень быстро окупает все свои затраты.
В общем, цифровая обработка изображений — это целое искусство, в котором крайне важно видеть золотую середину, уметь обращать внимание на мелкие детали и творчески подходить к реализации возможной задумки.
Частотные методы - основываются на модификации сигнала, «работают» непосредственно с функцией яркости точек.
методы поэлементной обработки изображения -
градационные, (напр. в негатив), логарифмические, степенные преобразования, кусочно-линейные, гистограммные и др.- результат обработки в любой точке зависит только от значения исходного значения в этой же точке;
методы обработки скользящим окном –
фильтрация, оконтуривание и др.– результат зависит от окружающей окрестности.
преобразования Фурье, Адамара и т.п.
Пространственные методы – подходы, основанные на прямом манипулировании пикселями изображении и их характеристиками (поворот, растяжение (сжатие), отражение, перенос – так называемые аффинные преобразования).
Поэлементная обработка изображений.
Сущность поэлементной обработки
изображений сводится к следующему.
Пусть
,
– значения яркости исходного и получаемого
после обработки изображений соответственно
в точке кадра, имеющей декартовы
координаты
(номер строки) и
(номер столбца). Поэлементная обработка
означает, что существует функциональная
однозначная зависимость между этими
яркостями
, (1.1)
позволяющая по значению исходного
сигнала определить значение выходного.
В общем случае, как это учтено в данном
выражении, вид или параметры функции
,
описывающей обработку, зависят от
текущих координат. При этом обработка
являетсянеоднородной.
Однако в
большинстве практически применяемых
процедур используетсяоднородная
поэлементная обработка. В этом случае
индексы
иj
в выражении (1.1)
могут отсутствовать. При этом зависимость
между яркостями исходного и обработанного
изображений описывается функцией:
(1.2)
одинаковой для всех точек кадра.
Линейное контрастирование изображения. Если для цифрового представления каждого отсчета изображения отводится 1 байт (8 бит) запоминающего устройства, то входной или выходной сигналы могут принимать одно из 256 значений. Обычно в качестве рабочего используется диапазон 0...255; при этом значение 0 соответствует при визуализации уровню черного, а значение 255 – уровню белого. Предположим, что минимальная и максимальная яркости исходного изображения равныx min иx max соответственно. Если эти параметры или один из них существенно отличаются от граничных значений яркостного диапазона, то визуализированная картина выглядит как ненасыщенная, неудобная, утомляющая при наблюдении. Пример такого неудачного представления приведен на рис. 1.1а, где диапазон яркостей имеет границыx min = 180,x max = 240.
При линейном контрастировании используется линейное поэлементное преобразование вида
, (1.3)
параметры которого и определяются желаемыми значениями минимальнойy min и максимальной иy max выходной яркости. Решив систему уравнений
относительно параметров преобразования и , нетрудно привести (1.3) к виду:
.
Результат линейного контрастирования исходного изображения, представленного на рис. 1.1а, приведен на рис. 1.1б приy min = 0 иy max = 255. Сравнение двух изображений свидетельствует о значительно лучшем визуальном качестве обработанного изображения. Улучшение связано с использованием после контрастирования полного динамического диапазона экрана, что отсутствует у исходного изображения.
Преобразование гистограмм, эквализация.
Все поэлементные преобразования
изображений можно рассмотреть с точки
зрения изменения плотности вероятности
распределения яркостей исходного и
получаемого изображений. Очевидно, что
ни при одном из них плотность вероятности
выходного продукта не будет совпадать
с плотностью вероятности исходного
изображения (за исключением преобразования
).
Определение вероятностных характеристик
изображений, прошедших нелинейную
обработку, является прямой
задачей
анализа. При решении практических задач
обработки изображений может быть
поставленаобратная задача
: поизвестному
виду плотности вероятности
ижелаемому
виду
определитьтребуемое
преобразование
,
которому следует подвергнуть исходное
изображение. В практике цифровой
обработки изображений часто к полезному
результату приводит преобразование
изображения к равновероятному
распределению. В этом случае
(1.4)
где y min иy max – минимальное и максимальное значения яркости преобразованного изображения.
Определим характеристику преобразователя,
решающего данную задачу. Пусть x
иy
связаны функцией
(1.2), а
и
–интегральные законы распределения
входной и выходной величин. Учитывая
(1.4), находим:
Подставляя это выражение в условие вероятностной эквивалентности
=
,
после простых преобразований получаем соотношение
представляющее собой характеристику
(1.2) в решаемой задаче. Согласно (1.5)
исходное изображение проходит нелинейное
преобразование, характеристика которого
определяется интегральным законом
распределения самого исходного
изображения. После этого результат
приводится к заданному динамическому
диапазону при помощи операции линейного
контрастирования.
Таким образом, преобразование плотности вероятности предполагает знание интегрального распределения для исходного изображения. Как правило, достоверные сведения о нем отсутствуют. Использование для рассматриваемых целей аналитических аппроксимаций также малопригодно, т.к. их небольшие отклонения от истинных распределений могут приводить к существенному отличию результатов от требуемых. Поэтому в практике обработки изображений преобразование распределений выполняют в два этапа.
На первом этапе измеряется гистограмма
исходного изображения. Для цифрового
изображения, шкала яркостей которого,
например, принадлежит целочисленному
диапазону 0...255, гистограмма представляет
собой таблицу из 256 чисел. Каждое из них
показывает количество точек в кадре,
имеющих данную яркость. Разделив все
числа этой таблицы на общий размер
выборки, равный числу используемых
точек изображения, получаютоценку
распределения вероятностей яркости
изображения. Обозначим эту оценку
0 j
255.
Тогда
оценка интегрального распределения
получается по формуле:
.
На втором этапе выполняется само нелинейное преобразование (1.2), обеспечивающее необходимые свойства выходного изображения. При этом вместо неизвестного истинного интегрального распределения используется его оценка, основанная на гистограмме. С учетом этого все методы поэлементного преобразования изображений, целью которых является видоизменение законов распределения, получили названиегистограммных методов . В частности, преобразование, при котором выходное изображение имеет равномерное распределение, называетсяэквализацией (выравниванием) гистограмм.
Отметим, что процедуры преобразования гистограмм могут применяться как к изображению в целом, так и к отдельным его фрагментам. Последнее может быть полезным при обработке нестационарных изображений, содержание которых существенно различается по своим характеристикам на различных участках. В этом случае лучшего эффекта можно добиться, применяя гистограммную обработку к отдельным участкам.
Использование соотношений (1.4), (1.5), справедливых для изображений с непрерывным распределением яркости, является не вполне корректным для цифровых изображений. Необходимо иметь в виду, что в результате обработки не удается получить идеальное распределение вероятностей выходного изображения, поэтому полезно проводить контроль его гистограммы.
На рис. 1.2 приведен пример эквализации, выполненной в соответствии с изложенной методикой. Характерной чертой многих изображений, получаемых в реальных изображающих системах, является значительный удельный вес темных участков и сравнительно малое число участков с высокой яркостью.
Эквализация призвана откорректировать картину, выровняв интегральные площади участков с различными яркостями. Сравнение исходного (рис. 1.2а) и обработанного (рис. 1.2б) изображений показывает, что происходящее при обработке перераспределение яркостей приводит к улучшению визуального восприятия.
Цифровая обработка изображений
(Учебное пособие)
1. Математический аппарат описания непрерывных изображений. 3
Представление непрерывных изображений. 3
Системы преобразования непрерывных изображений. 4
Двумерное преобразование Фурье. 6
Детерминированное и вероятностное описание непрерывных изображений. 7
Вопросы.. 9
2. Представление изображений в цифровой форме. 10
Идеальная дискретизация изображений. 10
Дискретизация изображений в реальных системах. 13
Квантование изображений. 14
Вопросы.. 15
3. Математический аппарат описания дискретных изображений. 17
Векторное представление дискретных изображений. 17
Дискретное двумерное преобразование Фурье. 17
Линейные преобразования дискретных изображений. 18
Вероятностное описание дискретных изображений. 20
Вопросы.. 22
4. Улучшение изображений. 23
Поэлементные преобразования. 23
Простые пространственные преобразования. 28
Вопросы.. 29
5. Линейная фильтрация изображений. 31
Восстановление изображений. Оптимальный линейный фильтр. 31
Обнаружение объектов. Согласованный фильтр. 40
Совмещение изображений. Линейный прогноз. 45
Вопросы.. 51
6. Компьютерная томография. 52
Преобразование Радона. Задача томографии. 52
Теорема о центральном сечении. 54
Фурье-алгоритм восстановления томограммы.. 56
Восстановление томограммы методом свертки и обратного проецирования. 57
Восстановление томограммы методом обратного проецирования и двумерной фильтрации 60
Восстановление томограммы по проекциям, полученным в веерном пучке. 61
Влияние шума в проекционных данных на результаты восстановления. 61
Вопросы.. 65
7. Восстановление трехмерных поверхностей по стереопаре. 66
Модель регистрирующей камеры.. 66
Связь между различными системами координат. 68
Стереоскопическая система. 69
Калибровка камеры.. 72
Взаимное ориентирование. 77
Поиск сопряженных точек. 79
Вопросы.. 84
Рассмотрим простую двумерную линейную систему, преобразующую входное изображение в выходное посредством воздействия на входное изображение оператора https://pandia.ru/text/78/315/images/image031_18.gif" width="135" height="21">.
Представим входное изображение в виде (1.5в)..gif" width="532" height="53">.
Но поскольку оператор действует только на функцию, зависящую от переменных https://pandia.ru/text/78/315/images/image003_66.gif" width="15" height="17 src=">, то
Введем обозначение
Рассматривая как изображение точечного объекта, помещенного в точку с координатами https://pandia.ru/text/78/315/images/image038_14.gif" width="13" height="17 src=">.gif" width="16 height=21" height="21">. Эта функция называется импульсным откликом системы, а в применении к оптическим системам – функцией рассеяния точки (ФРТ). Таким образом, воздействие линейной двумерной системы на изображение можно представить в виде интеграла суперпозиции
. (1.9)
Как следует из (1.8), в общем случае линейная система по-разному воздействует на различные участки входного изображения, в частности, одинаковые точечные объекты, помещенные в разных участках входного изображения, могут иметь различную форму в выходном изображении. Форма выходного изображения точечного объекта сохраняется, если импульсный отклик системы зависит только от разности координат . В этом случае воздействие линейной системы представляется в виде интеграла свертки
, (1.10)
который в символической форме записывается как
Линейные двумерные системы, описываемые соотношением (1.10), называются пространственно-инвариантными (в оптике – изопланатическими).
Двумерное преобразование Фурье
Одним из полезных инструментов, используемых при анализе линейных систем, является преобразование Фурье. В результате двумерного преобразования Фурье получается двумерный спектр исходного изображения :
, . (1.11)
Для существования Фурье-спектра функции достаточно выполнения условия
. (1.11а)
В общем случае спектр - комплексная функция, которая может быть представлена либо в виде действительной и мнимой составляющих:
либо в виде модуля и фазы:
Преобразование Фурье обратимо:
Напомним ряд свойств двумерного преобразования Фурье .
Если , то , где , https://pandia.ru/text/78/315/images/image055_14.gif" width="52" height="23 src="> – Фурье-спектры функций , и https://pandia.ru/text/78/315/images/image057_14.gif" width="135 height=23" height="23">, то 
, где и https://pandia.ru/text/78/315/images/image061_13.gif" width="37" height="23"> и .
Если 
и , то 
и , т. е. Фурье-спектр действительной четной функции – действительная четная функция (здесь и далее надстрочный индекс * обозначает комплексную сопряженность).
Если 
и – Фурье-спектр функции , то Фурье-спектр функции есть
(теорема о спектре свертки).
Наоборот, если , то
Квадраты модулей исходного изображения и его Фурье-спектра связаны соотношением
(1.16)
(теорема Парсеваля).
Соотношения (1.15) и (1.15а) широко используются при анализе линейных пространственно-инвариантных систем..gif" width="51 height=21" height="21"> описывается интегралом свертки (1.10), то в частотных координатах оно сводится к простому умножению спектра изображения на спектр импульсного отклика, называемый частотной характеристикой системы.
Детерминированное и вероятностное описание непрерывных изображений
С точки зрения определенности конкретных значений изображения в данных координатах и в данный момент времени существует два основных подхода к его описанию. Первый подход, называемый детерминированным, предполагает, что в каждой точке функция определяется единственным образом. Иногда более плодотворным для анализа изображений представляется их вероятностное описание, когда данное изображение рассматривается как реализация случайного процесса. Случайный процесс в точках отсчета , , https://pandia.ru/text/78/315/images/image081_12.gif" width="240" height="24">, (1.17)
определяющей вероятность того, что – значения процесса в точках с координатами https://pandia.ru/text/78/315/images/image079_12.gif" width="19" height="25 src="> удовлетворяют условиям
, , https://pandia.ru/text/78/315/images/image029_16.gif" width="51 height=21" height="21"> определяется как
Здесь – область допустимых значений функции .
Второй момент, или автокорреляционная функция, по определению равен
(1.20)
Здесь подстрочные индексы 1 и 2 при соответствуют не двум разным процессам, а значениям одного процесса, соответствующим двум разным точкам пространства. Второй центральный момент, автоковариационная функция, определяется как
Нетрудно показать, что
Аналогичным образом для двух разных процессов и определяются кросс-корреляционная и кросс-ковариационная функции:
(1.20а)
Еще один момент второго порядка, дисперсия , есть
Случайный процесс, порождающий изображения, называется стационарным в широком смысле, если его среднее значение и дисперсия постоянны, а автокорреляционная (автоковариационная) функция зависит только от разностей , https://pandia.ru/text/78/315/images/image097_10.gif" width="93" height="25">, (1.19а)
Несложно убедиться, что автокорреляционная (автоковариационная) функция действительного стационарного процесса есть функция четная, т. е.
Выполнение условия (1.11а) для случайного процесса не гарантировано, поэтому нельзя говорить о его преобразовании Фурье. Однако к ковариационной функции стационарного процесса, которая есть функция детерминированная, преобразование Фурье может быть применено. Функция
называется спектром мощности стационарного случайного процесса . Результат преобразования Фурье кросс-ковариационной функции, иногда называемый кросс-спектром мощности, по определению есть
Рассмотрим линейную пространственно-инвариантную систему, действие которой на входное изображение, являющееся реализацией стационарного случайного процесса представляется выражением (1.10). Вычислим среднее значение выходного изображения :
https://pandia.ru/text/78/315/images/image104_8.gif" width="493" height="27 src="> (1.25)
и спектр мощности
DIV_ADBLOCK101">
Прэтт У. Цифровая обработка изображений, т.1. М., “Мир”, 1982 Папулис А. Теория систем и преобразований в оптике. М., “Мир”, 1971 Гудмен Дж. Введение в фурье-оптику. М., “Мир”, 1970
2. Представление изображений в цифровой форме
Получение изображения в цифровой форме, представляющего собой двумерный массив чисел с дискретно изменяющимися значениями, из изображения, представляющего собой непрерывное пространственное распределение некоторой физической величины, способной принимать непрерывный набор значений (аналоговой величины), состоит из двух основных операций. Первая операция (дискретизация) заключается в замене пространственно непрерывного изображения набором его отсчетов в отдельных точках, вторая (квантование) – в преобразовании аналоговых отсчетов в отсчеты, представляемые числами с конечным числом знаков. При этом возникает вопрос о величине погрешностей, возникающих при последующем восстановления непрерывного изображения по его дискретному аналогу. Здесь мы попытаемся оценить искажения, которые возникают при переводе непрерывного изображения в цифровую форму.
Идеальная дискретизация изображений
При идеальной дискретизации предполагается, что исходное непрерывное изображение имеет бесконечные размеры, а дискретизованное получается посредством взятия значений исходного в узлах некоторой бесконечной решетки. Для простоты изложения рассмотрим прямоугольную решетку, ориентированную вдоль координатных осей и имеющую шаг вдоль оси и вдоль оси .
Дискретизованное изображение в непрерывных координатах можно представить как набор дельта-функций в узлах решетки, умноженных на значения соответствующих отсчетов непрерывного изображения:
Поскольку вне точек , это представление можно переписать в виде
где 
- пространственная дискретизирующая функция.
Рассмотрим Фурье-спектр дискретизованного изображения. В силу (1.15а)
где https://pandia.ru/text/78/315/images/image116_6.gif" width="49" height="21"> – Фурье-спектр дискретизирующей функции. Используя (1.7), можно показать, что
Разрешение: измеряется обычно в dpi (dot per inch – количество точек на дюйм). Например, на экране монитора разрешение обычно 72 dpi, при выводе на бумагу – 600 dpi, при регистрации на ПЗС-матрице с размером одного элемента 9 мкм разрешение составит почти 3000 dpi. В процессе обработки разрешение можно изменить: на само изображение это не повлияет, но изменится его отображение устройством визуализации.
Количество цветов (глубина цвета) : точнее количество бит, отводимое для хранения цвета, определяется упрощением электронных схем и кратно степени 2. Изображение для хранения информации о цветах которого необходим 1 бит называется бинарным. Для хранения полутоновых (gray scale, gray level) изображений используется обычно 8 бит. Цветные изображения хранятся обычно с использованием 24 бит по 8 на каждый из трех цветовых каналов.
Размер: этот параметр может быть любым, но часто выбирается исходя из особенностей регистрации изображения (например, видеостандарты PAL (625, 4:3), SECAM (625, 4:3), NTSC (525, 4:3)), особенностей последующей обработки (алгоритмы быстрого преобразования Фурье предъявляют особые требования) и т.п. Хотя в последнее время фреймграбберы интерполируют изображение до любых размеров, библиотеки БПФ справляются с изображением любых размеров.
Основные характеристики изображения
Обычно физический сигнал, возникающий в точке, является функцией зависящей от многих параметров (- глубина, – длина волны, – время). Однако мы будем рассматривать статические, и чаще монохроматические изображения.
Для обработки на компьютере изображение должно быть дискретизировано и квановано. Дискретизованное и квантованное изображение называется цифровым. Цифровое изображение представлено в дискретном двумерном пространстве, где – номер строки, а – номер столбца. Элемент, расположенный на пересечении -ой строки и -го столбца называется пиксел (pixel – picture element). Интенсивность пиксела может описываться либо вещественным или целым числом. Относительная интенсивность в вещественных числах обычно изменяется от 0 до 1, а в целых числах от 0 до 255.
Необходимо отметить, что мы будем манипулировать с двумерными изображениями. Под изображением будем понимать функцию двух вещественных переменных, где – это интенсивность (яркость) в точке с координатами.Иногда обработке будет подвергаться не всё изображение, а некоторая его часть,которую в англоязычной литературе принято называть region-of-interest, ROI (область представляющая интерес, ОПИ).
Определение цифрового изображения
Задачи
Цели
Обработка изображений может производиться в различных целях:
- Изменение (искажение) изображения с целью достижения каких-либо эффектов (художественное улучшение). Эти преобразования не будут рассматриваться в рамках данного курса;
- Image Processing – визуальное (заметное глазом) улучшение качества изображения (коррекция яркости и контраста, цветокорреция и т.п.); объективное улучшение качества изображения (устранение искажений типа дисторсия, смаз, расфокусировка и т.п.);
- Image Analysis – проведение измерений на изображении (анализ интерферограмм, гартманограмм, ФРТ и т.п.);
- Image Understanding – распознавание образов (распознавание символов, отпечатков пальцев, лиц, приборы наведения и т.п.)
Для достижения поставленных целей рассмотрим решение следующих задач:
- Дискретизация, квантование и кодирование изображений.
- Геометрические преобразования изображений.
- Логические и арифметические операции над изображениями.
- Фильтрация изображений.
- Препарирование изображений.
Среди характеристик цифровых изображений следует выделить:
В основе алгоритмов обработки изображений положены в основном интегральные преобразования: cвертка, преобразование Фурье и др. Также используются статистические методы.