1. Геометричні перетворення зображення

2. Аналіз зображення

3. Поліпшення зображення

4. Фільтрація зображення

5. Сегментація зображення

6. Усунення розмитості зображення за допомогою алгоритму сліпої деконволюції

1. Геометричні перетворення зображення

До найбільш поширених функцій геометричних перетворень відноситься кодування зображень (imcrop), зміна розмірів (imresize) і поворот зображення (imrotate).

Суть кадрування полягає в тому, що функція imcrop дозволяє за допомогою миші в інтерактивному режимі вирізати частину зображення і помістити її в нове вікно перегляду.

Функція зміни розмірів зображення imresize дозволяє, використовуючи спеціальні методи інтерполяції, змінювати розмір будь-якого типу зображень.

В пакеті Image Processing Toolbox існує функція imrotate, яка дозволяє здійснювати поворот зображення на заданий кут в градусах (в моєму завданні - 120^о). Значення кута повороту можна задавати як цілими так і десятковими дробами, тобто частини кута (хвилини та секунди).

Таким чином, наведені вище функції дозволяють повертати, вирізати частини, масштабувати, тобто працювати з цілим масивом зображення.

2. Аналіз зображення

Для роботи з окремими елементами зображень використовуються такі функції як imhist, impixel, mean2, corr2 та інші.

Однією з найбільш важливих характеристик є гістограма розподілу значень інтенсивностей пік селів зображення, яку можна побудувати за допомогою функції imhist

Досить часто при проведенні аналізу зображень виникає необхідність визначити значення інтенсивностей деяких пікселів. Для цього необхідно в інтерактивному режимі використовувати функцію impixel.

3. Поліпшення зображення

Серед вбудованих функцій, які реалізуються найбільш відомими методами поліпшення зображень, є наступні - histeq, imadjust та imfilter (fspecial).

Як вже зазначалося раніше, гістограма зображення є однією з найбільш інформативних характеристик. На основі аналізу гістограми можна судити про яскравість спотвореного зображення, тобто сказати про те, чи є зображення затемненим або засвітленим. Відомо, що в ідеальному випадку на цифровому зображенні в рівній кількості повинні бути присутні пік селі з усіма значеннями яскравостей, тобто гістограма повинна бути рівномірною. Перерозподіл яскравості пік селів на зображенні з метою отримання рівномірної гістограми виконує метод еквалізації, який в системі Matlab реалізовано за допомогою функції histeq (вирівнювання гістограми).

Досить часто при формуванні зображень не використовується весь діапазон значень інтенсивностей, що негативно відбивається на якості візуальних даних. Для корекції динамічного діапазону сформованих зображень використовується функція imadjust (контрастування з гамма-корегуванням).

Також під час вирішення завдань поліпшення зображень використовується функція imfilter в парі з функцією fspecial. Функція fspecial дозволяє задавати різні типи масок фільтру, що підвищує різкість зображення.

4. Фільтрація зображення

Пакет Image Processing Toolbox володіє потужним інструментарієм з фільтрації зображень. Серед вбудованих функцій, які вирішують задачі фільтрації зображень, особливу увагу необхідно приділити функціям fspecial, ordfilt2(рангова фільтрація), medfilt2(медіанна фільтрація),

Fspecial є функцією завдання маски зумовленого фільтра. Ця функція дозволяє формувати маски:

- Високочастотного фільтру Лапласа h= fspecial(`laplacian',alpha);

- Фільтру, аналогічного послідовному застосуванню фільтрів Гауса і Лапласа, так званого лапсасіана-гауссіана h= fspecial(`log', hsize, sigma);

- Усереднюючий низькочастотний фільтр h= fspecial(`average', hsize).

5. Сегментація зображення

Серед вбудованих функцій пакету Image Processing Toolbox, які застосовуються при вирішенні завдань сегментації зображень, розглянемо наступні: qtdecomp, edge iroicolor.

Функція qtdecomp виконує сегментацію зображення методом розділення та аналізу однорідності блоків зображення, які не перекриваються.

Однією з найбільш часто використовуваних є функція виділення меж edge, яка реалізує такі вбудовані методи - Собела, Прево, Робертса, лапсасіана-гауссіана, Канні та ін.

Розглянемо реалізацію функції edge з використанням фільтру prewitt.

6. Усунення розмитості зображення за допомогою алгоритму сліпої деконволюції

Деконволюція - це математичний термін, який означає обернену згортку або розгортання. Дана операція використовується при оберненій згортці сигналів, цифровому перетворенні зображень, а також для інших інженерних та наукових операцій.

В загальному випадку метою деконволюції є пошук рішення рівняння згортки, заданого у вигляді:

f*g=h

Де h - записаний сигнал, а f - сигнал, який потрібно відновити, причому відомо. Що перший сигнал отриманий шляхом згортки другого з деяким відомим сигналом - g (наприклад, з імпульсною характеристикою кінцевого імпульсного фільтру). Якщо сигнал g невідомий заздалегідь, його потрібно оцінити. Зазвичай це робиться за допомогою методів статистичного оцінювання.

Алгоритм сліпої деконволюції може бути ефективно використаний при відсутності інформації про спотворення (розмиття і шум). Він належить до алгоритмів одночасного відновлення зображень і функції точок (поширення) розповсюдження (PSF). Даний алгоритм широко застосовується в системах відеоспостереження, для наведення чіткості отриманого зображення. Для прискорення операції, затухаючий алгоритм Річардсона-Люсі використовується в кожній ітерації при розпізнаванні матриці. В якості вхідних параметрів для функції відновлення може виступати додаткова оптична система, характеристики якої можуть допомогти підвищити якість відновлення зображень. PSF-обмеження можуть бути передані через зазначені користувачем допоміжні функції.

Для наглядного прикладу функціонування даного алгоритму візьмемо зображення і виконаємо такі операції перетворення:

- Зчитування;

- Моделювання Blur;

- Відновлення розмитого зображення (використання PSF різних розмірів);

- Аналіз PSF-відтвореного зображення;

- Поліпшення відновлення;

- Використання додаткових обмежень на відновлення PSF.

Зчитування зображення.

Функція deconvblind дозволяє обробляти масиви будь-якої розмірності

7. Моделювання Blur та відновлення розмитого зображення

Змоделюємо зображення, яке може бути розмите через рух камери, відсутність фокусу. Зімітуємо розмиття шляхом згортки фільтру Гауса з true image (за допомогою функції imfilter).

Синтаксис: h = fspecial(`gaussian', hsize, sigma)

Фільтр Гауса представляє собою точку поширення функції PSF

Відновлення розмитого зображення.

Для того, щоб проілюструвати важливість знання розміру істинного PSF, виконаємо 3 реставрації. Кожного разу, коли виконується відновлення зображення, PSF починається з рівномірності масиву. На початку завжди використовують один масив.

В реставрації, J3 і P3, використовується одиничний масив, INITPSF, для початкової PSF, що має такий же розмір як справжня PSF (рис. 7.2).

8. Усунення розмитості зображення з допомогою фільтра Вінера

Деконволюції Вінера використовуються у випадках, коли точка розповсюдження функції і рівень шуму повністю відомі або їх можливо оцінити .

Виконаємо такі операції перетворення:

- Завантаження зображення;

- Імітація Blur ефекту (розмитості);

- Відновлення розмитого зображення.

Завантаження зображення.

Завантажимо зображення із подвійною точністю, за допомогою функції im2double:

Функція im2double дозволяє представити всі пікселі матриці зображення у вигляді дійсних чисел подвійної точності. При реалізації цієї функції, на відміну від функції double, здійснюється приведення значень пікселів до необхідного діапазону. Для бінарних, на півтонових і повнокольорних зображень - це діапазон [0, 1], а для па літрових зображень - [1, N], де N - кількість кольорів у палітрі.

9. Імітація (Motion Blur) розмитості рухом та відновлення розмитого зображення

Моделювання розмитого зображення, яке може бути отримане від руху камери. Створимо точку розповсюдження функції, PSF, яка буде відповідною лінійному руху в 29 пікселів (LEN=29), під кутом 12 градусів (THETA=12). Для імітації розмиття, необхідно виконати згортку фільтра з зображення за допомогою функції: imfilter.

h = fspecial(`motion', len, theta)

Відновлення розмитого зображення.

Функція J=deconvwnr(I,PSF) відновлює зображення І, яке було зіпсовано згорткою з функцією точки розповсюдження PSF і можливим доповненням шуму. Алгоритм оптимізується з точки зору найменшої середньоквадратичної похибки між зображенням що обчислюється та вихідним зображенням і використовує матрицю кореляції та шуму зображення. При відсутності шумової складової, фільтр Вінера перетворюється в ідеальний інверсний фільтр.

У функції J=deconvwnr(I,PSF,NSR) параметр NSR вказує на співвідношення сигнал/шум. Величина NSR є скаляром або масивом, розмірність якого така ж як І. За замовчуванням це значення дорівнює 0.

Найпростіший синтаксис функції deconvwnr записується таким чином:

deconvwnr(А,PSF,NSR),

де А - змінна, під якою збережено розмите зображення, PSF - точки розповсюдження функції, і NSR - величина співвідношення потужності шуму до потужності сигналу. Оскільки дане розмите зображення формується у 2 кроки без створення шуму, тому ми будемо використовувати 0 для NSR.

зображення фільтрація розмитість blur

Висновки

При проведенні розрахунково-графічної роботи ми мали можливість ознайомитися з основними можливостями пакету Image Processing Toolbox для дослідження методів перетворення цифрових зображень в середовищі Matlab. Ми побачили, що цей пакет програм є досить потужним інструментом моделювання та дослідження зображень. Він включає велику кількість вбудованих функцій, які реалізують найбільш поширені методи обробки зображень. Пакет Image Processing Toolbox дозволяє виконувати геометричні перетворення зображення, проводити аналіз зображень, поліпшувати, виконувати фільтрацію, сегментацію, морфологічні операції над зображенням, зашумлення та відновлення програми різними методами.

Також ми вивчили та навчились застосовувати алгоритми усунення розмитості при обробці цифрових зображень та алгоритми цифрової фільтрації багатомірних сигналів; навчилися покращувати зображення за допомогою алгоритмів цифрової фільтрації; дослідили характеристики двомірних сигналів.

Список використаної літератури

1. Солонина А.И., Улахович Д.А., Яковлев Л.А. Алгоритмы и процессоры цифровой обработки сигналов. СПб.: БХВ - Петербург, 2002. - 464 с.:ил.

2. Бондарев В.Н., Трёстер Г., Чернеча В.С. Цифровая обработка сигналов: методы и средства: Учеб. Пособие для вузов. - Севастополь: СевГТУ, 1999. - 398с.:ил.

3. Куприянов М.С., Матюшкин Б.Д. Цифровая обработка сигналов. - Москва: Техносфера, 2006. - 856с.

4. Лайонс Р. Цифровая обработка сигналов: Второе издание. Пер. С англ., - М.: ООО Бином-Пресс, 2006. - 656 с.

5. Антонью А. Цифровые фильтры: Анализ и проектирование: Пер с англ. - М.: Радио и связь, 1983.

6. Обробка сигналів: Підручник / Бабак В.П., Хандецький В.С., Шрюфер Е. - К.: Либідь, 1996. - 392 с.

7. Гонсалес, Джевирс. Цифровая обработка сигналов: практический поход, 2-е издание. М.: Вильямс, 2004. - 992 с.:ил.

8. Прэтт У. Цифровая обработка изображений: - М.: Мир, 1982. - 790 с.

9. Дьяконов В.П., MATLAB 6.5 SP1/7/7 SP1/ Работа с изображениями и видеопотоками. - М.: СОЛОН-Пресс, 2010. - 400 с.

10. Потапов А.А., Пахомов А.А., Никитин С.А., Гуляев Ю.В., Новейшие методы обработки изображений. -- M.: Физматлит, 2008. -- 496 с.

Размещено на Allbest.ru