Menyamakan histogram untuk meningkatkan kualitas gambar. Pemrosesan gambar awal Pemerataan gambar

Halo semua. Sekarang penyelia saya dan saya sedang mempersiapkan monograf untuk publikasi, di mana kami berusaha secara sederhana berbicara tentang dasar-dasarnya pemrosesan digital gambar-gambar. Artikel ini mengungkapkan teknik yang sangat sederhana, tetapi pada saat yang sama sangat efektif untuk meningkatkan kualitas gambar - pemerataan histogram.

Untuk mempermudah, mari kita mulai dengan gambar monokrom (yaitu gambar yang berisi informasi hanya tentang kecerahan, tetapi bukan tentang warna piksel). Histogram gambar adalah fungsi diskrit H yang ditentukan pada kumpulan nilai, di mana bpp adalah jumlah bit yang dialokasikan untuk menyandikan kecerahan satu piksel. Meskipun tidak diperlukan, histogram sering kali dinormalisasi ke kisaran dengan membagi setiap nilai fungsi H[i] dengan jumlah total piksel dalam citra. Di meja. 1 menunjukkan contoh citra uji dan histogram yang dibangun berdasarkan basisnya:
Tab. 1. Gambar dan histogramnya

Setelah mempelajari histogram yang sesuai dengan cermat, kami dapat menarik beberapa kesimpulan tentang gambar asli itu sendiri. Misalnya, histogram gambar yang sangat gelap dicirikan oleh fakta bahwa nilai bukan nol dari histogram terkonsentrasi mendekati tingkat kecerahan nol, dan sebaliknya untuk gambar yang sangat terang - semua nilai bukan nol terkonsentrasi di sebelah kanan sisi histogram.
Secara intuitif, kita dapat menyimpulkan bahwa gambar yang paling nyaman untuk persepsi manusia adalah gambar yang histogramnya mendekati distribusi yang seragam. Itu. untuk perbaikan kualitas visual transformasi seperti itu perlu diterapkan pada gambar sehingga histogram hasil berisi semua kemungkinan nilai kecerahan dan, pada saat yang sama, dalam jumlah yang kira-kira sama. Transformasi ini disebut pemerataan histogram dan dapat dilakukan dengan menggunakan kode pada Listing 1.
Listing 1. Menerapkan prosedur pemerataan histogram

1. prosedur TCGrayscaleImage. Persamaan Histogram ;
2. const
3. k = 255
4. h: larik [ 0 .. k ] ganda;
5. saya, j: kata;
6. mulai
7. untuk i := 0 ke k lakukan
8. h[i] := 0 ;
9. h[ bulat (k * mandiri . Piksel [ i, j] ) ] : = h[ bulat (k * mandiri . Piksel [ i, j] ) ] + 1 ;
10. untuk i := 0 ke k lakukan
11. h[ i] : = h[ i] / (self . Height * self . Width );
12. untuk i := 1 ke k lakukan
13. h[i] : = h[i - 1 ] + h[i] ;
14. untuk i := 0 untuk diri sendiri . Tinggi - 1 do
15. untuk j := 0 ke diri sendiri . Lebar - 1 lakukan
16. diri sendiri . Piksel [ i, j] : = h[ bulat (k * diri . Piksel [ i, j] ) ] ;
17. akhir ;

Sebagai hasil dari penyamaan histogram, dalam banyak kasus, rentang dinamis gambar diperluas secara signifikan, yang memungkinkan untuk menampilkan detail yang sebelumnya tidak diperhatikan. Efek ini terutama diucapkan pada gambar gelap, yang ditunjukkan pada Tabel. 2. Selain itu, perlu diperhatikan satu lagi fitur penting dari prosedur pemerataan: tidak seperti kebanyakan filter dan transformasi gradasi yang memerlukan pengaturan parameter (konstanta transformasi bukaan dan gradasi), pemerataan histogram dapat dilakukan dalam mode otomatis penuh tanpa partisipasi operator.
Tab. 2. Gambar dan histogramnya setelah disamakan


Anda dapat dengan mudah melihat bahwa histogram setelah pemerataan memiliki semacam diskontinuitas yang nyata. Hal ini disebabkan oleh fakta bahwa rentang dinamis dari gambar keluaran lebih lebar daripada gambar aslinya. Jelas, dalam hal ini, pemetaan yang dipertimbangkan dalam Daftar 1 tidak dapat memberikan nilai bukan nol di semua tempat sampah histogram. Jika Anda masih perlu mendapatkan tampilan histogram keluaran yang lebih alami, Anda dapat menggunakan distribusi acak nilai bin histogram ke-i di beberapa lingkungannya.
Jelas, pemerataan histogram memudahkan untuk meningkatkan kualitas gambar monokrom. Secara alami, saya ingin menerapkan mekanisme serupa untuk mewarnai gambar.
Pengembang yang paling tidak berpengalaman menampilkan gambar tiga Saluran warna RGB dan coba terapkan prosedur pemerataan histogram untuk setiap warna satu per satu. Dalam beberapa kasus yang jarang terjadi, ini memungkinkan Anda untuk berhasil, tetapi dalam banyak kasus hasilnya biasa saja (warnanya tidak alami dan dingin). Ini karena model RGB tidak secara akurat merepresentasikan persepsi warna manusia.
Mari pikirkan tentang ruang warna lain - HSI. Model warna ini (dan lainnya yang terkait dengannya) sangat banyak digunakan oleh ilustrator dan desainer, karena memungkinkan Anda untuk mengoperasikan dengan konsep rona, saturasi, dan intensitas yang lebih familiar.
Jika kita mempertimbangkan proyeksi kubus RGB ke arah diagonal putih-hitam, maka kita mendapatkan segi enam, sudut-sudutnya sesuai dengan warna primer dan sekunder, dan semua corak abu-abu (berbaring di diagonal kubus) diproyeksikan ke titik pusat segi enam (lihat Gambar 1):

Beras. 1. Proyeksi kubus warna
Agar dapat menyandikan semua warna yang tersedia dalam model RGB menggunakan model ini, Anda perlu menambahkan sumbu kecerahan (atau intensitas) vertikal (I). Hasilnya adalah kerucut heksagonal (Gbr. 2, Gbr. 3):


Beras. 2. Piramida HSI (puncak)
Dalam model ini, rona (H) diberikan oleh sudut relatif terhadap sumbu merah, saturasi (S) mencirikan kemurnian warna (1 berarti warna yang benar-benar murni, dan 0 berarti warna abu-abu). Pada nilai saturasi nol, rona tidak memiliki arti dan tidak terdefinisi.


Beras. 3. Piramida HSI
Di meja. Gambar 3 menunjukkan dekomposisi gambar menjadi komponen HSI (piksel putih di saluran nada sesuai dengan saturasi nol):
Tab. 3. ruang warna HSI


Dipercayai bahwa untuk meningkatkan kualitas gambar berwarna, paling efektif menerapkan prosedur pemerataan ke saluran intensitas. Inilah yang ditunjukkan pada Tabel. empat
Tab. 4. Persamaan berbagai saluran warna


Saya harap Anda menemukan materi ini setidaknya menarik, paling berguna. Terima kasih.

Ada tiga metode utama untuk meningkatkan kontras gambar:

• peregangan histogram linier (kontras linier),
• normalisasi histogram,
• keselarasan (linierisasi atau pemerataan, pemerataan) dari histogram.

Peregangan linier bermuara pada menetapkan nilai intensitas baru untuk setiap piksel dalam gambar. Jika intensitas gambar asli berubah dalam rentang dari ke , maka perlu untuk "meregangkan" rentang yang ditentukan secara linier sehingga nilainya berubah dari 0 menjadi 255. Untuk melakukan ini, cukup menghitung ulang intensitas lama nilai untuk semua piksel menurut rumus , di mana koefisien dihitung secara sederhana berdasarkan fakta bahwa batas harus menuju ke 0, dan - menjadi 255.

normalisasi histogram tidak seperti metode sebelumnya, ini tidak meregangkan seluruh rentang perubahan intensitas, tetapi hanya bagian yang paling informatif. Bagian informatif adalah sekumpulan puncak histogram, yaitu intensitas yang terjadi lebih sering daripada yang lain dalam gambar. Sampah yang sesuai dengan intensitas langka dibuang selama normalisasi, kemudian dilakukan peregangan linier yang biasa dari histogram yang dihasilkan.

penyelarasan histogram adalah salah satu cara yang paling umum. Tujuan pemerataan adalah bahwa semua tingkat kecerahan akan memiliki frekuensi yang sama, dan histogram akan sesuai dengan hukum distribusi yang seragam. Katakanlah kita diberi gambar skala abu-abu yang memiliki resolusi piksel. Jumlah tingkat kuantisasi kecerahan piksel (jumlah nampan) adalah . Kemudian, rata-rata, untuk setiap tingkat kecerahan akan turun piksel. Matematika yang mendasari terletak pada pencocokan dua distribusi. Misalkan adalah variabel acak yang menggambarkan perubahan intensitas piksel dalam gambar, menjadi kepadatan distribusi intensitas pada gambar asli, dan menjadi kepadatan distribusi yang diinginkan. Penting untuk menemukan transformasi kepadatan distribusi , yang memungkinkan diperolehnya kepadatan yang diinginkan:

Dilambangkan oleh dan integral hukum distribusi variabel acak dan . Dari kondisi persamaan probabilistik berikut ini . Kami menulis hukum distribusi integral dengan definisi:

Oleh karena itu kami mendapatkan itu

Masih mencari tahu bagaimana memperkirakan hukum distribusi integral. Untuk melakukannya, pertama-tama Anda harus membuat histogram dari gambar asli, lalu menormalkan histogram yang dihasilkan dengan membagi nilai setiap nampan dengan jumlah total piksel . Nilai bin dapat dianggap sebagai perkiraan fungsi kerapatan distribusi. Dengan demikian, nilai fungsi distribusi integral dapat direpresentasikan sebagai jumlah dari bentuk berikut:

Estimasi yang dibangun dapat digunakan untuk menghitung nilai intensitas baru. Perhatikan bahwa transformasi histogram di atas dapat diterapkan tidak hanya ke seluruh gambar, tetapi juga ke bagian individualnya.

Pustaka OpenCV mengimplementasikan fungsi equalizeHist, yang menyediakan peningkatan kontras citra melalui pemerataan histogram [ , ]. Prototipe fungsi ditunjukkan di bawah ini.

batal menyamakanHist(const Mat& src, Mat& dst)

Fungsi ini bekerja dalam empat langkah:

Berikut ini adalah contoh program yang menyediakan pemerataan histogram. Aplikasi mengambil sebagai argumen garis komando nama gambar aslinya. Setelah melakukan operasi pemerataan histogram, tampilkan gambar asli 1 Gambar yang digunakan adalah bagian dari basis PASACL VOC 2007., diubah menjadi skala abu-abu (Gbr. 7.11, kiri), dan gambar dengan histogram disamakan (Gbr. 7.11, kanan).

#termasuk #termasuk menggunakan ruang nama cv; const char helper = "Sample_equalizeHist.exe \n\\t - nama file gambar\n"; int main(int argc, char* argv) ( const char *initialWinName = "Gambar Awal", *equalizedWinName = "Gambar yang Disamakan"; Mat img, grayImg, equalizedImg; if (argc< 2) { printf("%s", helper); return 1; } // загрузка изображения img = imread(argv, 1); // преобразование в оттенки серого cvtColor(img, grayImg, CV_RGB2GRAY); // выравнивание гистограммы equalizeHist(grayImg, equalizedImg); // отображение исходного изображения и гистограмм namedWindow(initialWinName, CV_WINDOW_AUTOSIZE); namedWindow(equalizedWinName, CV_WINDOW_AUTOSIZE); imshow(initialWinName, grayImg); imshow(equalizedWinName, equalizedImg); waitKey(); // закрытие окон destroyAllWindows(); // осовобождение памяти img.release(); grayImg.release(); equalizedImg.release(); return 0; }

Beras. 7.11.

Dengan semua transformasi elemen demi elemen, hukum distribusi probabilitas yang menjelaskan gambar berubah. Dengan kontras linier, bentuk kerapatan probabilitas dipertahankan, namun dalam kasus umum, yaitu. dengan nilai sewenang-wenang dari parameter transformasi linier, parameter kerapatan probabilitas dari perubahan gambar yang ditransformasikan.

Menentukan karakteristik probabilistik dari gambar yang telah mengalami pemrosesan nonlinier adalah tugas analisis langsung. Saat memecahkan masalah praktis pemrosesan gambar, masalah terbalik dapat diajukan: sesuai dengan bentuk kepadatan probabilitas yang diketahui pf(f) dan bentuk yang diinginkan hal(g) menentukan transformasi yang diinginkan g= ϕ( f) yang harus menjadi sasaran gambar asli. Dalam praktik pemrosesan citra digital, mengubah citra menjadi distribusi yang dapat diperlengkapi sering kali memberikan hasil yang bermanfaat. Pada kasus ini

di mana g menit dan g maks - nilai kecerahan minimum dan maksimum dari gambar yang dikonversi. Mari kita tentukan karakteristik konverter yang memutuskan tugas ini. Membiarkan f dan g terikat oleh fungsi g(n, m) = j( f(n, m)), sebuah P f(f) dan Hal(g) adalah hukum distribusi integral untuk kecerahan input dan output. Mempertimbangkan (6.1), kami menemukan:

Mengganti ungkapan ini ke dalam kondisi kesetaraan probabilistik

setelah transformasi sederhana, kami mendapatkan relasinya

yang merupakan karakteristik g(n, m) = j( f(n, m)) dalam masalah yang sedang dipecahkan. Menurut (6.2), bayangan asli mengalami transformasi nonlinier, yang karakteristiknya adalah P f(f) ditentukan oleh hukum distribusi integral dari gambar asli. Setelah itu, hasilnya direduksi menjadi yang diberikan rentang dinamis menggunakan operasi kontras linier.

Dengan demikian, transformasi kerapatan probabilitas mengasumsikan pengetahuan tentang distribusi integral untuk gambar asli. Biasanya, tidak ada informasi yang dapat dipercaya tentang dia. Perkiraan dengan fungsi analitik, karena kesalahan perkiraan, dapat menyebabkan perbedaan hasil yang signifikan dari yang diperlukan. Oleh karena itu, dalam praktik pengolahan citra, transformasi distribusi dilakukan dalam dua tahap.

Pada tahap pertama, histogram dari citra asli diukur. Untuk gambar digital yang skala abu-abunya termasuk dalam rentang bilangan bulat, misalnya, histogramnya adalah tabel berisi 256 angka. Masing-masing menunjukkan jumlah piksel pada gambar (bingkai) yang memiliki kecerahan tertentu. Dengan membagi semua angka dalam tabel ini dengan total ukuran sampel, sama dengan jumlah sampel dalam gambar, diperoleh perkiraan distribusi probabilitas kecerahan gambar. Nyatakan estimasi ini q pf(fq), 0 ≤ fq≤ 255. Maka estimasi distribusi integral diperoleh dengan rumus:

Pada tahap kedua, transformasi nonlinier itu sendiri (6.2) dilakukan, yang menyediakan properti yang diperlukan dari gambar keluaran. Dalam hal ini, alih-alih distribusi integral sejati yang tidak diketahui, estimasinya berdasarkan histogram digunakan. Dengan mengingat hal ini, semua metode transformasi gambar elemen demi elemen, yang tujuannya adalah untuk mengubah hukum distribusi, disebut metode histogram. Secara khusus, transformasi di mana gambar keluaran memiliki distribusi yang seragam disebut pemerataan (alignment) dari histogram.

Perhatikan bahwa prosedur transformasi histogram dapat diterapkan baik pada gambar secara keseluruhan maupun pada fragmen individualnya. Yang terakhir dapat berguna dalam pemrosesan gambar non-stasioner, yang karakteristiknya berbeda secara signifikan di area yang berbeda. Pada kasus ini efek terbaik dapat dicapai dengan menerapkan pemrosesan histogram ke masing-masing area - area yang diminati. Benar, ini akan mengubah nilai bacaan dan semua bidang lainnya. Gambar 6.1 menunjukkan contoh pemerataan yang dilakukan sesuai dengan metodologi yang dijelaskan.

Ciri khas dari banyak gambar yang diperoleh dalam sistem pencitraan nyata adalah signifikan berat jenis area gelap dan sejumlah kecil area dengan kecerahan tinggi.

Gambar 6.1 – Contoh pemerataan histogram citra: a) citra asli dan histogramnya c); b) citra hasil transformasi dan histogramnya d)

Persamaan histogram mengarah pada pemerataan area integral dari rentang kecerahan yang terdistribusi secara merata. Perbandingan gambar asli (Gambar 6.1 a) dan yang diproses (Gambar 6.1 b) menunjukkan bahwa redistribusi kecerahan yang terjadi selama pemrosesan mengarah pada peningkatan persepsi visual.

Dengan semua transformasi elemen demi elemen, hukum distribusi probabilitas yang menjelaskan gambar berubah. Mari pertimbangkan mekanisme perubahan ini menggunakan contoh transformasi arbitrer dengan karakteristik monoton yang dijelaskan oleh suatu fungsi (Gbr. 2.8) yang memiliki fungsi invers bernilai tunggal . Asumsikan bahwa variabel acak mematuhi kerapatan probabilitas . Membiarkan interval kecil sewenang-wenang dari nilai variabel acak , dan menjadi interval yang sesuai dari variabel acak yang diubah .

Jika suatu nilai jatuh ke dalam interval, maka nilai tersebut jatuh ke dalam interval , yang berarti persamaan probabilistik dari kedua peristiwa ini. Oleh karena itu, dengan mempertimbangkan kecilnya kedua interval, kita dapat menulis perkiraan persamaan:

,

di mana modul memperhitungkan ketergantungan probabilitas pada panjang interval absolut (dan independensi tanda-tanda kenaikan dan ). Menghitung dari sini kerapatan probabilitas dari kuantitas yang diubah, menggantikan ekspresinya melalui fungsi invers dan melakukan bagian ke batas di (dan, oleh karena itu, ), kami memperoleh:

. (2.4)

Ungkapan ini memungkinkan seseorang untuk menghitung kerapatan probabilitas dari produk transformasi, yang, seperti dapat dilihat darinya, tidak sesuai dengan kerapatan distribusi dari variabel acak asli. Jelas bahwa transformasi yang dilakukan berpengaruh signifikan terhadap densitas, karena (2.4) menyertakan fungsi invers dan turunannya.

Relasi menjadi lebih rumit jika transformasi tidak dijelaskan oleh fungsi satu-ke-satu. Contoh karakteristik yang lebih kompleks dengan fungsi invers yang ambigu adalah karakteristik gigi gergaji pada Gambar. 2.4, k Namun secara umum makna transformasi probabilistik tidak berubah dalam hal ini.

Semua transformasi elemen demi elemen dari gambar yang dipertimbangkan dalam bab ini dapat dipertimbangkan dari sudut pandang perubahan kepadatan probabilitas yang dijelaskan oleh ekspresi (2.4). Jelas, di bawah tidak satu pun dari mereka, kerapatan probabilitas produk keluaran akan bertepatan dengan kerapatan probabilitas gambar asli (dengan pengecualian, tentu saja, transformasi sepele). Sangat mudah untuk melihat bahwa dengan kontras linier, bentuk kerapatan probabilitas dipertahankan, namun, dalam kasus umum, yaitu, untuk nilai sewenang-wenang dari parameter transformasi linier, parameter kerapatan probabilitas dari perubahan gambar yang diubah. .

Menentukan karakteristik probabilistik dari gambar yang telah mengalami pemrosesan nonlinier adalah tugas analisis langsung. Saat memecahkan masalah praktis pemrosesan gambar, masalah terbalik dapat diajukan: dengan bentuk kepadatan probabilitas yang diketahui dan bentuk yang diinginkan, tentukan transformasi yang diperlukan , yang harus dikenakan pada gambar asli. Dalam praktik pemrosesan citra digital, mengubah citra menjadi distribusi yang dapat diperlengkapi sering kali memberikan hasil yang bermanfaat. Pada kasus ini

di mana dan adalah nilai kecerahan minimum dan maksimum dari gambar yang dikonversi. Mari kita tentukan karakteristik konverter yang memecahkan masalah ini. Membiarkan dan dihubungkan dengan fungsi (2.2), dan dan menjadi hukum distribusi integral dari besaran masukan dan keluaran. Dengan mempertimbangkan (2.5), kami menemukan:

.

Mengganti ungkapan ini ke dalam kondisi kesetaraan probabilistik

setelah transformasi sederhana, kami mendapatkan relasinya

yang merupakan karakteristik (2.2) dalam masalah yang sedang dipecahkan. Menurut (2.6), citra asli mengalami transformasi nonlinier, yang karakteristiknya ditentukan oleh hukum distribusi integral dari citra asli itu sendiri. Setelah itu, hasilnya dikurangi ke rentang dinamis yang ditentukan menggunakan operasi kontras linier.

Demikian pula, solusi untuk masalah serupa lainnya dapat diperoleh, di mana diperlukan untuk membawa hukum distribusi gambar ke bentuk tertentu. Tabel transformasi semacam itu diberikan di. Salah satunya, yang disebut hiperbolisasi distribusi, melibatkan pengurangan kepadatan probabilitas dari gambar yang diubah menjadi bentuk hiperbolik:

(2.7)

Jika kita memperhitungkan bahwa ketika cahaya melewati mata, kecerahan input dilogaritma oleh retinanya, maka kerapatan probabilitas yang dihasilkan ternyata seragam. Jadi, perbedaan dari contoh sebelumnya terletak pada pertimbangan sifat fisiologis penglihatan. Dapat ditunjukkan bahwa citra dengan kerapatan probabilitas (2,7) diperoleh pada output elemen nonlinier dengan karakteristik

juga ditentukan oleh hukum distribusi integral dari gambar asli.

Dengan demikian, transformasi kerapatan probabilitas mengasumsikan pengetahuan tentang distribusi integral untuk gambar asli. Biasanya, tidak ada informasi yang dapat dipercaya tentang dia. Penggunaan perkiraan analitik untuk tujuan yang sedang dipertimbangkan juga tidak banyak berguna penyimpangan kecil mereka dari distribusi sebenarnya dapat menyebabkan perbedaan yang signifikan dalam hasil dari yang diperlukan. Oleh karena itu, dalam praktik pengolahan citra, transformasi distribusi dilakukan dalam dua tahap.

Pada tahap pertama, histogram dari citra asli diukur. Untuk gambar digital, yang skala abu-abunya, misalnya, termasuk dalam rentang bilangan bulat 0...255, histogramnya adalah tabel berisi 256 angka. Masing-masing menunjukkan jumlah titik dalam bingkai yang memiliki kecerahan tertentu. Dengan membagi semua angka dalam tabel ini dengan total ukuran sampel yang sama dengan jumlah piksel citra yang digunakan, diperoleh perkiraan distribusi probabilitas kecerahan citra. Kami menunjukkan perkiraan ini . Kemudian estimasi distribusi integral diperoleh dengan rumus:

.

Pada tahap kedua, transformasi nonlinier (2.2) itu sendiri dilakukan, yang menyediakan properti yang diperlukan dari gambar keluaran. Dalam hal ini, alih-alih distribusi integral sejati yang tidak diketahui, estimasinya berdasarkan histogram digunakan. Dengan mengingat hal ini, semua metode transformasi gambar elemen demi elemen, yang tujuannya adalah untuk mengubah hukum distribusi, disebut metode histogram. Secara khusus, transformasi di mana gambar keluaran memiliki distribusi yang seragam disebut pemerataan (alignment) dari histogram.

Perhatikan bahwa prosedur transformasi histogram dapat diterapkan baik pada gambar secara keseluruhan maupun pada fragmen individualnya. Yang terakhir dapat berguna dalam pemrosesan gambar non-stasioner, yang isinya berbeda secara signifikan dalam karakteristiknya di area yang berbeda. Dalam hal ini, efek terbaik dapat dicapai dengan menerapkan pemrosesan histogram ke masing-masing area.

Penggunaan relasi (2.4)-(2.8) , yang berlaku untuk citra dengan distribusi kecerahan yang kontinu, kurang tepat untuk citra digital. Perlu diingat bahwa sebagai hasil pemrosesan tidak mungkin untuk mendapatkan distribusi probabilitas yang ideal dari gambar keluaran, sehingga berguna untuk mengontrol histogramnya.

a) gambar asli	b) hasil pengolahan
Beras. 2.9. Contoh Persamaan Gambar

Gambar 2.9 menunjukkan contoh pemerataan yang dilakukan sesuai dengan metodologi yang dijelaskan. Ciri khas dari banyak gambar yang diperoleh dalam sistem pencitraan nyata adalah proporsi area gelap yang signifikan dan jumlah area yang relatif kecil dengan kecerahan tinggi. Ekualisasi dirancang untuk mengoreksi gambar dengan menyelaraskan area integral dari area dengan kecerahan berbeda. Perbandingan gambar asli (Gbr. 2.9.a) dan yang diproses (Gbr. 2.9.b) menunjukkan bahwa redistribusi kecerahan yang terjadi selama pemrosesan mengarah pada peningkatan persepsi visual.

Melakukan pemrosesan gambar, visualisasi dan analisis

Image Processing Toolbox™ menyediakan serangkaian lengkap algoritme standar referensi dan aplikasi alur kerja untuk pemrosesan gambar, analisis, visualisasi, dan pengembangan algoritme. Anda dapat melakukan segmentasi gambar, peningkatan gambar, denoising, transformasi geometris, dan pendaftaran gambar menggunakan pembelajaran mendalam dan teknik pemrosesan gambar tradisional. Toolbox pemrosesan mendukung 2D, 3D, dan gambar besar yang sewenang-wenang.

Aplikasi Kotak Alat Pemrosesan Gambar memungkinkan Anda mengotomatiskan alur kerja pemrosesan gambar umum. Anda dapat mengelompokkan data gambar secara interaktif, membandingkan metode pendaftaran gambar, dan memproses set data besar secara batch. Fitur dan aplikasi visualisasi memungkinkan Anda menjelajahi gambar, volume 3D, dan video; sesuaikan kontras; membuat histogram; dan kontrol area yang terlihat (KINGS).

Anda dapat mempercepat algoritme dengan menjalankannya pada prosesor dan GPU multi-core. Banyak fungsi toolbox mendukung pembuatan kode C/C++ untuk penerapan visi komputer dan analisis prototipe.

Awal pekerjaan

Pelajari Dasar-dasar Kotak Alat Pemrosesan Gambar

Impor, ekspor, dan konversi

Impor dan ekspor data gambar, konversi jenis dan kelas gambar

Tampilan dan eksplorasi

Alat pencitraan dan eksplorasi interaktif

Transformasi geometris dan pendaftaran gambar

Skala, putar, lakukan yang lain konversi N-D dan menyelaraskan gambar menggunakan korelasi intensitas, pencocokan fitur, atau pemetaan titik kontrol

Pemfilteran dan peningkatan gambar

Penyesuaian kontras, pemfilteran morfologis, deblurring, pemrosesan berbasis ROI

Segmentasi dan analisis gambar

Analisis area, analisis struktur, statistik piksel dan gambar

Pembelajaran Mendalam untuk Pemrosesan Gambar

Lakukan tugas pemrosesan gambar, seperti menghilangkan noise gambar dan menghasilkan gambar beresolusi tinggi dari gambar beresolusi rendah, menggunakan jaringan saraf convolutional (memerlukan Deep Learning Toolbox™)