Tasvir sifatini yaxshilash uchun gistogrammalarni tenglashtirish. Tasvirga dastlabki ishlov berish Tasvirni tenglashtirish

Hammaga salom. Hozir men ilmiy rahbarim bilan monografiyani nashrga tayyorlayapmiz, u yerda biz harakat qilyapmiz oddiy so'zlar bilan asoslari haqida gapiring raqamli ishlov berish tasvirlar. Ushbu maqolada tasvir sifatini yaxshilashning juda oddiy, ammo ayni paytda juda samarali usuli - gistogrammani tenglashtirish ko'rsatilgan.

Oddiylik uchun keling, monoxrom tasvirlardan boshlaylik (ya'ni, piksellarning rangi haqida emas, balki faqat yorqinligi haqida ma'lumotni o'z ichiga olgan tasvirlar). Rasm gistogrammasi - bu qiymatlar to'plamida aniqlangan H diskret funksiyasi, bu erda bpp - bitta pikselning yorqinligini kodlash uchun ajratilgan bitlar soni. Garchi shart bo'lmasa ham, gistogrammalar ko'pincha H[i] funktsiyasining har bir qiymatini tasvirdagi piksellarning umumiy soniga bo'lish orqali diapazonga normallashtiriladi. Jadvalda. 1-rasmda sinov tasvirlari va ular asosida qurilgan gistogrammalarning namunalari ko'rsatilgan:
Tab. 1. Tasvirlar va ularning gistogrammalari

Tegishli gistogrammani diqqat bilan o'rganib chiqib, biz asl tasvirning o'zi haqida ba'zi xulosalar chiqarishimiz mumkin. Masalan, juda qorong'i tasvirlarning gistogrammalari gistogrammaning nolga teng bo'lmagan qiymatlari yorqinlik darajasining nolga yaqin joylashganligi bilan tavsiflanadi va aksincha, juda engil tasvirlar uchun - nolga teng bo'lmagan barcha qiymatlar o'ng tomonda to'plangan. gistogrammaning yon tomoni.
Intuitiv ravishda xulosa qilishimiz mumkinki, inson idroki uchun eng qulay tasvir gistogrammasi bir xil taqsimotga yaqin bo'lgan tasvir bo'ladi. Bular. yaxshilash uchun vizual sifat natijaning gistogrammasi barcha mumkin bo'lgan yorqinlik qiymatlarini va shu bilan birga, taxminan bir xil miqdorda bo'lishi uchun tasvirga bunday o'zgartirishni qo'llash kerak. Ushbu transformatsiya gistogramma tenglashtirish deb ataladi va uni 1-listdagi kod yordamida amalga oshirish mumkin.
Listing 1. Gistogrammani tenglashtirish protsedurasini amalga oshirish

1. TCGrayscaleImage protsedurasi. Histogramma tenglashtirish;
2. const
3. k = 255
4. h: double ning [ 0 .. k ] massivi;
5. i, j: so‘z;
6. boshlanishi
7. uchun i := 0 dan k gacha
8. h[i] := 0 ;
9. h[ yumaloq (k * o'z . Piksel [ i, j] ) ] : = h[ yumaloq (k * o'z . Piksel [ i, j] ) ] + 1 ;
10. uchun i := 0 dan k gacha
11. h[ i] : = h[ i] / (o'z . Balandlik * o'z . Kenglik );
12. i uchun:= 1 dan k gacha
13. h[ i] : = h[ i - 1 ] + h[ i] ;
14. i uchun := 0 o'ziga. Balandligi - 1 dona
15. j uchun := 0 o'ziga. Kengligi - 1 dona
16. o'zini. Piksellar [ i, j] : = h[ yumaloq (k * o'z . Piksellar [ i, j] ) ] ;
17. oxiri ;

Gistogrammani tenglashtirish natijasida ko'p hollarda tasvirning dinamik diapazoni sezilarli darajada kengaytiriladi, bu esa ilgari sezilmagan tafsilotlarni ko'rsatish imkonini beradi. Bu ta'sir, ayniqsa, talaffuz qilinadi qorong'u tasvirlar, bu Jadvalda ko'rsatilgan. 2. Bundan tashqari, tenglashtirish protsedurasining yana bir muhim xususiyatini ta'kidlash joiz: parametrlarni (diafragma va gradatsiyani o'zgartirish konstantalari) o'rnatishni talab qiluvchi ko'pgina filtrlar va gradatsiya transformatsiyalaridan farqli o'laroq, gistogrammani tenglashtirish to'liq avtomatik rejimda operator ishtirokisiz amalga oshirilishi mumkin.
Tab. 2. Tasvirlar va ularning gistogrammalari tenglashtirilgandan keyin


Tenglashdan keyin gistogrammalarda sezilarli uzilishlar mavjudligini osongina ko'rishingiz mumkin. Buning sababi, chiqish tasvirining dinamik diapazoni asl tasvirga qaraganda kengroqdir. Shubhasiz, bu holda, 1-listda ko'rib chiqilgan xaritalash barcha gistogramma qutilarida nolga teng bo'lmagan qiymatlarni ta'minlay olmaydi. Agar siz hali ham chiqish gistogrammasining yanada tabiiy ko'rinishiga erishishingiz kerak bo'lsa, siz uning ba'zi mahallalarida i-gistogramma qutisi qiymatlarini tasodifiy taqsimlashdan foydalanishingiz mumkin.
Shubhasiz, gistogrammani tenglashtirish monoxrom tasvirlarning sifatini yaxshilashni osonlashtiradi. Tabiiyki, shunga o'xshash mexanizmni rangli tasvirlarga qo'llamoqchiman.
Ko'pgina tajribali bo'lmagan ishlab chiquvchilar rasmni taqdim etadilar uch RGB rang kanallari va gistogramma tenglashtirish protsedurasini har bir rangga alohida qo'llashga harakat qiling. Ba'zi kamdan-kam hollarda, bu muvaffaqiyatga erishishga imkon beradi, lekin ko'p hollarda natija shunday bo'ladi (ranglar g'ayritabiiy va sovuq). Buning sababi, RGB modeli insonning rang idrokini to'g'ri ifodalamaydi.
Keling, boshqa rang maydoni - HSI haqida o'ylab ko'raylik. Ushbu rang modeli (va u bilan bog'liq bo'lgan boshqalar) rassomlar va dizaynerlar tomonidan juda keng qo'llaniladi, chunki u sizga ko'proq tanish bo'lgan rang, to'yinganlik va intensivlik tushunchalari bilan ishlashga imkon beradi.
Agar biz RGB kubining oq-qora diagonal yo'nalishi bo'yicha proektsiyasini ko'rib chiqsak, unda burchaklari asosiy va ikkinchi darajali ranglarga mos keladigan olti burchakli va barcha kulrang soyalarni (kubning diagonalida yotgan) olamiz. olti burchakning markaziy nuqtasiga proyeksiya qilinadi (1-rasmga qarang):

Guruch. 1. Rangli kub proyeksiyasi
Ushbu model yordamida RGB modelida mavjud bo'lgan barcha ranglarni kodlash imkoniyatiga ega bo'lish uchun siz vertikal yorug'lik (yoki intensivlik) o'qini (I) qo'shishingiz kerak. Natijada olti burchakli konus (2-rasm, 3-rasm):


Guruch. 2. HSI piramidasi (tepasi)
Ushbu modelda rang (H) qizil o'qga nisbatan burchak bilan beriladi, to'yinganlik (S) rangning sofligini tavsiflaydi (1 butunlay sof rangni anglatadi, 0 esa kulrang soyaga mos keladi). To'yinganlik qiymati nolga teng bo'lsa, rang hech qanday ma'noga ega emas va aniqlanmagan.


Guruch. 3. HSI piramidasi
Jadvalda. 3-rasmda tasvirning HSI komponentlariga parchalanishi ko'rsatilgan (ton kanalidagi oq piksellar nol to'yinganlikka to'g'ri keladi):
Tab. 3. rang maydoni HSI


Rangli tasvirlarning sifatini yaxshilash uchun intensivlik kanaliga tenglashtirish tartibini qo'llash eng samarali deb hisoblanadi. Bu aynan jadvalda ko'rsatilgan. to'rtta
Tab. 4. Turli rang kanallarini tenglashtirish


Umid qilamanki, siz ushbu materialni hech bo'lmaganda qiziqarli, eng ko'p foydali deb topdingiz. Rahmat.

Tasvirning kontrastini oshirishning uchta asosiy usuli mavjud:

• chiziqli gistogramma cho'zilishi (chiziqli kontrast),
• gistogrammani normallashtirish,
• gistogrammani tekislash (chiziqli yoki tenglashtirish, tenglashtirish).

Chiziqli cho'zish tasvirdagi har bir pikselga yangi intensivlik qiymatlarini belgilashga to'g'ri keladi. Agar asl tasvirning intensivligi dan gacha bo'lgan diapazonda o'zgargan bo'lsa, qiymatlar 0 dan 255 gacha o'zgarishi uchun ko'rsatilgan diapazonni chiziqli ravishda "cho'zish" kerak. Buning uchun eski intensivlikni qayta hisoblash kifoya. formula bo'yicha barcha piksellar uchun qiymatlar , bu erda koeffitsientlar chegara 0 ga va - 255 ga borishi kerakligi asosida oddiygina hisoblanadi.

Gistogrammani normallashtirish oldingi usuldan farqli o'laroq, u intensivlik o'zgarishlarining butun diapazonini kengaytirmaydi, lekin faqat uning eng informatsion qismini. Axborot qismi gistogramma tepaliklari to'plamidir, ya'ni. tasvirdagi boshqalarga qaraganda tez-tez sodir bo'ladigan intensivlik. Noyob intensivliklarga mos keladigan qutilar normalizatsiya paytida tashlanadi, keyin olingan gistogrammaning odatiy chiziqli cho'zilishi amalga oshiriladi.

tekislash gistogramma eng keng tarqalgan usullardan biridir. Tenglashtirishning maqsadi shundaki, barcha yorqinlik darajalari bir xil chastotaga ega bo'ladi va gistogramma yagona taqsimot qonuniga mos keladi. Aytaylik, bizga piksel o'lchamlari bo'lgan kulrang rangdagi rasm berildi. Piksel yorqinligini kvantlash darajalari soni (qutilar soni) . Keyin, o'rtacha, har bir yorqinlik darajasi uchun tushishi kerak piksellar. Asosiy matematika ikkita taqsimotning mos kelishida yotadi. Tasvirlardagi piksellar intensivligining o'zgarishini tavsiflovchi tasodifiy o'zgaruvchilar, asl tasvirdagi intensivlikni taqsimlash zichligi va kerakli taqsimot zichligi bo'lsin. Istalgan zichlikni olishga imkon beradigan taqsimot zichligi o'zgarishini topish kerak:

Tasodifiy miqdorlar taqsimotining by va integral qonunlarini belgilang va. Ehtimoliy ekvivalentlik shartidan kelib chiqadiki . Ta'rif bo'yicha integral taqsimot qonunini yozamiz:

Shuning uchun biz buni olamiz

Integral taqsimot qonunini qanday baholashni bilish qoladi. Buni amalga oshirish uchun avval asl tasvirning gistogrammasini yaratishingiz kerak, so'ngra har bir qutining qiymatini piksellarning umumiy soniga bo'lish orqali olingan histogrammani normallashtirishingiz kerak. Bin qiymatlarini taqsimlash zichligi funktsiyasining taxminiy ko'rinishi sifatida ko'rish mumkin. Shunday qilib, integral taqsimot funktsiyasining qiymati quyidagi shaklning yig'indisi sifatida ifodalanishi mumkin:

Tuzilgan smeta yangi intensivlik qiymatlarini hisoblash uchun ishlatilishi mumkin. Yuqoridagi gistogramma o'zgarishlarini nafaqat butun tasvirga, balki uning alohida qismlariga ham qo'llash mumkinligini unutmang.

OpenCV kutubxonasi gistogramma tenglashtirish [ , ] orqali tasvir kontrastini yaxshilashni ta'minlovchi equalizeHist funksiyasini amalga oshiradi. Funktsiya prototipi quyida ko'rsatilgan.

void equalizeHist(const Mat & src, Mat& dst)

Funktsiya to'rt bosqichda ishlaydi:

Quyida gistogramma tenglashtirishni ta'minlovchi dastur misoli keltirilgan. Ilova argument sifatida qabul qilinadi buyruq qatori asl rasmning nomi. Gistogrammani tenglashtirish operatsiyasini bajargandan so'ng, asl rasmni ko'rsating 1 Amaldagi rasm PASACL VOC 2007 bazasining bir qismidir., kulrang rangga aylantirildi (7.11-rasm, chapda) va gistogramma bilan tenglashtirilgan tasvir (7.11-rasm, o'ngda).

#o'z ichiga oladi #o'z ichiga oladi cv nomlar maydonidan foydalanish; const char helper = "Sample_equalizeHist.exe \n\ \t - rasm fayli nomi\n"; int main(int argc, char* argv) ( const char *initialWinName = "Boshlang'ich rasm", *equalizedWinName = "Tenglashtirilgan rasm"; Mat img, grayImg, equalizedImg; agar (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; }

Guruch. 7.11.

Barcha element-element transformatsiyalari bilan tasvirni tavsiflovchi ehtimollik taqsimoti qonuni o'zgaradi. Chiziqli kontrast bilan, ehtimollik zichligi shakli saqlanib qoladi, ammo umumiy holatda, ya'ni. chiziqli transformatsiya parametrlarining ixtiyoriy qiymatlari bilan o'zgartirilgan tasvirning ehtimollik zichligi parametrlari o'zgaradi.

Chiziqli bo'lmagan ishlov berishdan o'tgan tasvirlarning ehtimollik xususiyatlarini aniqlash tahlilning bevosita vazifasidir. Tasvirga ishlov berishning amaliy masalalarini hal qilishda teskari masalani qo'yish mumkin: ehtimollik zichligining ma'lum shakliga ko'ra. p f(f) va kerakli shakl p g(g) kerakli transformatsiyani aniqlang g= ϕ( f) qaysi asl tasvir tobe bo'lishi kerak. Raqamli tasvirni qayta ishlash amaliyotida tasvirni teng ehtimolli taqsimotga aylantirish ko'pincha foydali natijaga olib keladi. Ushbu holatda

qayerda g min va g max - aylantirilgan tasvirning minimal va maksimal yorqinligi qiymatlari. Keling, qaror qabul qiladigan konvertorning xarakteristikasini aniqlaylik bu vazifa. Mayli f va g funktsiyasi bilan bog'langan g(n, m) = j( f(n, m)), a Pf(f) va bet(g) kirish va chiqish yorqinligi uchun integral taqsimot qonunlari. (6.1) ni hisobga olgan holda biz quyidagilarni topamiz:

Bu ifodani ehtimollik ekvivalentlik shartiga almashtirish

oddiy o'zgarishlardan so'ng biz munosabatni olamiz

bu xususiyatdir g(n, m) = j( f(n, m)) hal qilinayotgan muammoda. (6.2) ga binoan, asl tasvir chiziqli bo'lmagan transformatsiyaga uchraydi, uning xarakteristikasi Pf(f) asl tasvirning integral taqsimot qonuni bilan aniqlanadi. Shundan so'ng, natija berilganga qisqartiriladi dinamik diapazon chiziqli kontrast operatsiyasidan foydalanish.

Shunday qilib, ehtimollik zichligi o'zgarishi asl tasvir uchun integral taqsimot haqidagi bilimlarni o'z ichiga oladi. Qoidaga ko'ra, u haqida ishonchli ma'lumot yo'q. Analitik funktsiyalar bo'yicha yaqinlashish, taxminiy xatolar tufayli, natijalarning talab qilinganidan sezilarli farqiga olib kelishi mumkin. Shuning uchun tasvirni qayta ishlash amaliyotida taqsimotlarni o'zgartirish ikki bosqichda amalga oshiriladi.

Birinchi bosqichda asl tasvirning gistogrammasi o'lchanadi. Kulrang shkalasi butun son oralig'iga tegishli bo'lgan raqamli tasvir uchun, masalan, gistogramma 256 raqamdan iborat jadvaldir. Ularning har biri tasvirdagi (ramka) berilgan yorqinlikka ega piksellar sonini ko'rsatadi. Ushbu jadvaldagi barcha raqamlarni rasmdagi namunalar soniga teng bo'lgan umumiy namuna hajmiga bo'lish orqali tasvirning yorqinligini taqsimlash ehtimolini baholash olinadi. Bu taxminni belgilang q p f(fq), 0 ≤ fq≤ 255. U holda integral taqsimotning bahosi quyidagi formula bilan olinadi:

Ikkinchi bosqichda nochiziqli transformatsiyaning o'zi (6.2) amalga oshiriladi, bu esa chiqish tasvirining zarur xususiyatlarini ta'minlaydi. Bunda noma'lum haqiqiy integral taqsimot o'rniga uning gistogramma asosidagi bahosi qo'llaniladi. SHularni hisobga olgan holda tasvirlarni elementlarga ko‘ra o‘zgartirishning barcha usullari, ularning maqsadi taqsimlanish qonuniyatlarini o‘zgartirishdan iborat bo‘lgan barcha usullar gistogramma usullari deb ataladi. Xususan, chiqish tasviri bir xil taqsimotga ega bo'lgan transformatsiya deyiladi gistogrammani tenglashtirish (tekislash).

E'tibor bering, gistogrammani o'zgartirish protseduralari butun rasmga ham, uning alohida qismlariga ham qo'llanilishi mumkin. Ikkinchisi statsionar bo'lmagan tasvirlarni qayta ishlashda foydali bo'lishi mumkin, ularning xarakteristikalari turli sohalarda sezilarli darajada farqlanadi. Ushbu holatda eng yaxshi effekt gistogrammani qayta ishlashni alohida hududlarga - qiziqish sohalariga qo'llash orqali erishish mumkin. To'g'ri, bu o'qish va boshqa barcha sohalarning qiymatlarini o'zgartiradi. 6.1-rasmda tasvirlangan metodologiyaga muvofiq bajarilgan tenglashtirish misoli ko'rsatilgan.

Haqiqiy tasvirlash tizimlarida olingan ko'plab tasvirlarning xarakterli xususiyati muhim ahamiyatga ega solishtirma og'irlik qorong'u joylar va yorqinligi yuqori bo'lgan nisbatan kam sonli joylar.

6.1-rasm – Tasvir gistogrammasini tenglashtirishga misol: a) asl tasvir va uning gistogrammasi c); b) o'zgartirilgan tasvir va uning gistogrammasi d)

Gistogrammani tenglashtirish bir xil taqsimlangan yorqinlik diapazonlarining integral maydonlarini tenglashtirishga olib keladi. Asl (6.1-rasm a) va qayta ishlangan (6.1 b-rasm) tasvirlarni taqqoslash shuni ko'rsatadiki, qayta ishlash jarayonida yuzaga keladigan yorqinlikning qayta taqsimlanishi vizual idrok etishning yaxshilanishiga olib keladi.

Barcha element-element transformatsiyalari bilan tasvirni tavsiflovchi ehtimollik taqsimoti qonuni o'zgaradi. Keling, bir qiymatli teskari funktsiyaga ega bo'lgan funktsiya (2.8-rasm) tomonidan tasvirlangan monotonik xarakteristikaga ega bo'lgan o'zboshimchalik bilan o'zgartirish misolidan foydalanib, ushbu o'zgarish mexanizmini ko'rib chiqaylik. Tasodifiy o'zgaruvchining ehtimollik zichligiga bo'ysunishini faraz qilaylik. Tasodifiy o'zgaruvchining qiymatlarining ixtiyoriy kichik oralig'i bo'lsin va o'zgartirilgan tasodifiy o'zgaruvchining mos keladigan oralig'i bo'lsin.

Agar qiymat intervalga tushib qolsa, u holda qiymat intervalga tushadi , bu ikki hodisaning ehtimollik ekvivalentligini bildiradi. Shuning uchun ikkala intervalning kichikligini hisobga olib, taxminan tenglikni yozishimiz mumkin:

,

bu erda modullar oraliqlarning mutlaq uzunliklariga ehtimolliklarning bog'liqligini (va o'sish belgilarining mustaqilligini va ) hisobga oladi. Bu yerdan o'zgartirilgan miqdorning ehtimollik zichligini hisoblab, uni teskari funktsiya orqali ifodalash o'rniga qo'yib, chegaraga o'tishni (va demak, ) bajaramiz:

. (2.4)

Ushbu ifoda transformatsiya mahsulotining ehtimollik zichligini hisoblash imkonini beradi, undan ko'rinib turibdiki, asl tasodifiy o'zgaruvchining taqsimlanish zichligi bilan mos kelmaydi. Ko'rinib turibdiki, amalga oshirilgan transformatsiya zichlikka sezilarli ta'sir ko'rsatadi, chunki (2.4) uning teskari funktsiyasini va hosilasini o'z ichiga oladi.

Agar transformatsiya yakkama-yakka funksiya bilan tavsiflanmasa, munosabatlar biroz murakkablashadi. Noaniq teskari funktsiyaga ega bo'lgan bunday murakkabroq xarakteristikaga misol - rasmdagi arra tishining xarakteristikasi. 2.4, k. Biroq, umuman olganda, ehtimollik o'zgarishlarining ma'nosi bu holatda o'zgarmaydi.

Ushbu bobda ko'rib chiqilgan tasvirlarning barcha element-element o'zgarishlarini (2.4) ifoda bilan tavsiflangan ehtimollik zichligining o'zgarishi nuqtai nazaridan ko'rib chiqish mumkin. Shubhasiz, ularning hech biri ostida, mahsulotning ehtimollik zichligi asl tasvirning ehtimollik zichligiga to'g'ri kelmaydi (albatta, ahamiyatsiz o'zgarishlar bundan mustasno). Chiziqli kontrast bilan ehtimollik zichligi shakli saqlanib qolganligini ko'rish oson, ammo umumiy holatda, ya'ni chiziqli transformatsiya parametrlarining ixtiyoriy qiymatlari uchun o'zgartirilgan tasvirning ehtimollik zichligi parametrlari o'zgaradi. .

Chiziqli bo'lmagan ishlov berishdan o'tgan tasvirlarning ehtimollik xususiyatlarini aniqlash tahlilning bevosita vazifasidir. Tasvirni qayta ishlashning amaliy masalalarini hal qilishda teskari muammo qo'yilishi mumkin: ehtimollik zichligining ma'lum shakli va kerakli shakl bo'yicha kerakli o'zgarishlarni aniqlang , bu asl tasvirga duchor bo'lishi kerak. Raqamli tasvirni qayta ishlash amaliyotida tasvirni teng ehtimolli taqsimotga aylantirish ko'pincha foydali natijaga olib keladi. Ushbu holatda

qayerda va - aylantirilgan tasvirning minimal va maksimal yorqinligi qiymatlari. Keling, ushbu muammoni hal qiladigan konvertorning xususiyatlarini aniqlaylik. (2.2) funksiya bilan bog’langan bo’lsin va kirish va chiqish kattaliklarining integral taqsimot qonunlari bo’lsin. (2.5) ni hisobga olgan holda biz quyidagilarni topamiz:

.

Bu ifodani ehtimollik ekvivalentlik shartiga almashtirish

oddiy o'zgarishlardan so'ng biz munosabatni olamiz

hal qilinayotgan masalaga xos (2.2). (2.6) ga ko'ra, asl tasvir chiziqli bo'lmagan transformatsiyaga uchraydi, uning xarakteristikasi asl tasvirning o'zining integral taqsimot qonuni bilan belgilanadi. Shundan so'ng, chiziqli kontrast operatsiyasi yordamida natija belgilangan dinamik diapazonga tushiriladi.

Xuddi shunday, boshqa shunga o'xshash muammolarning echimlarini olish mumkin, bunda tasvirning taqsimlanish qonunlarini berilgan shaklga keltirish talab etiladi. Bunday o'zgarishlar jadvali keltirilgan. Ulardan biri, tarqatish giperbolizatsiyasi deb ataladigan narsa, o'zgartirilgan tasvirning ehtimoliy zichligini giperbolik shaklga kamaytirishni o'z ichiga oladi:

(2.7)

Agar yorug'lik ko'zdan o'tganda, kirish yorqinligi uning to'r pardasi tomonidan logarifmlanganligini hisobga olsak, natijada yuzaga keladigan ehtimollik zichligi bir xil bo'lib chiqadi. Shunday qilib, oldingi misoldan farqi ko'rishning fiziologik xususiyatlarini hisobga olishdadir. Xarakteristikaga ega bo'lmagan chiziqli elementning chiqishida ehtimollik zichligi (2.7) bo'lgan tasvir olinishini ko'rsatish mumkin.

asl tasvirning integral taqsimot qonuni bilan ham aniqlanadi.

Shunday qilib, ehtimollik zichligi o'zgarishi asl tasvir uchun integral taqsimot haqidagi bilimlarni o'z ichiga oladi. Qoidaga ko'ra, u haqida ishonchli ma'lumot yo'q. Ko'rib chiqilayotgan maqsadlar uchun analitik taxminlardan foydalanish ham kam foyda keltiradi, chunki ularning haqiqiy taqsimotlardan kichik og'ishlari natijalarning talab qilinganidan sezilarli farqiga olib kelishi mumkin. Shuning uchun tasvirni qayta ishlash amaliyotida taqsimotlarni o'zgartirish ikki bosqichda amalga oshiriladi.

Birinchi bosqichda asl tasvirning gistogrammasi o'lchanadi. Masalan, kulrang shkalasi 0...255 butun son oralig'iga tegishli bo'lgan raqamli tasvir uchun gistogramma 256 raqamdan iborat jadvaldir. Ularning har biri ma'lum bir yorqinlikka ega bo'lgan ramkadagi nuqtalar sonini ko'rsatadi. Ushbu jadvaldagi barcha raqamlarni ishlatilgan tasvir piksellari soniga teng bo'lgan umumiy namuna hajmiga bo'lish orqali tasvir yorqinligi ehtimoli taqsimotining taxminiy bahosi olinadi. Biz bu taxminni belgilaymiz . Keyin integral taqsimotning bahosi quyidagi formula bo'yicha olinadi:

.

Ikkinchi bosqichda nochiziqli transformatsiyaning (2.2) o'zi amalga oshiriladi, bu esa chiqish tasvirining zarur xususiyatlarini ta'minlaydi. Bunda noma'lum haqiqiy integral taqsimot o'rniga uning gistogramma asosidagi bahosi qo'llaniladi. SHularni hisobga olgan holda tasvirlarni elementlarga ko‘ra o‘zgartirishning barcha usullari, ularning maqsadi taqsimlanish qonuniyatlarini o‘zgartirishdan iborat bo‘lgan barcha usullar gistogramma usullari deb ataladi. Xususan, chiqish tasviri bir xil taqsimotga ega bo'lgan transformatsiya gistogrammalarni tenglashtirish (tekislash) deb ataladi.

E'tibor bering, gistogrammani o'zgartirish protseduralari butun rasmga ham, uning alohida qismlariga ham qo'llanilishi mumkin. Ikkinchisi statsionar bo'lmagan tasvirlarni qayta ishlashda foydali bo'lishi mumkin, ularning mazmuni turli sohalarda o'z xususiyatlarida sezilarli darajada farqlanadi. Bunday holda, eng yaxshi ta'sirga gistogrammani qayta ishlashni alohida hududlarga qo'llash orqali erishish mumkin.

Yorqinligi uzluksiz taqsimlangan tasvirlar uchun amal qiladigan (2.4)-(2.8) munosabatlaridan foydalanish raqamli tasvirlar uchun unchalik to'g'ri emas. Shuni yodda tutish kerakki, ishlov berish natijasida chiqish tasvirining ideal ehtimollik taqsimotini olish mumkin emas, shuning uchun uning histogrammasini nazorat qilish foydalidir.

a) asl tasvir	b) qayta ishlash natijasi
Guruch. 2.9. Rasmni tenglashtirishga misol

2.9-rasmda tasvirlangan metodologiyaga muvofiq bajarilgan tenglashtirish misoli ko'rsatilgan. Haqiqiy tasvirlash tizimlarida olingan ko'plab tasvirlarning o'ziga xos xususiyati qorong'u joylarning muhim qismi va yuqori yorqinlikka ega bo'lgan nisbatan kam sonli joylardir. Tenglash turli yorqinlikdagi maydonlarning integral maydonlarini tekislash orqali rasmni tuzatish uchun mo'ljallangan. Asl (2.9.a-rasm) va qayta ishlangan (2.9.b-rasm) tasvirlarni taqqoslash shuni ko'rsatadiki, qayta ishlash jarayonida yuzaga keladigan yorqinlikni qayta taqsimlash vizual idrok etishning yaxshilanishiga olib keladi.

Tasvirni qayta ishlash, vizualizatsiya va tahlil qilish

Image Processing Toolbox™ tasvirni qayta ishlash, tahlil qilish, vizuallashtirish va algoritmlarni ishlab chiqish uchun mos yozuvlar-standart algoritmlar va ish jarayoni ilovalarining keng qamrovli to‘plamini taqdim etadi. Siz chuqur o'rganish va tasvirni qayta ishlashning an'anaviy usullaridan foydalangan holda tasvirni segmentatsiyalash, tasvirni yaxshilash, denoising, geometrik transformatsiyalar va tasvirni ro'yxatdan o'tkazishni amalga oshirishingiz mumkin. Ishlov berish asboblar to'plami 2D, 3D va o'zboshimchalik bilan katta hajmdagi tasvirlarni qo'llab-quvvatlaydi.

Rasmlarni qayta ishlash asboblar to'plami ilovalari tasvirni qayta ishlashning umumiy ish oqimlarini avtomatlashtirishga imkon beradi. Tasvir ma'lumotlarini interaktiv tarzda segmentlash, tasvirni ro'yxatga olish usullarini solishtirish va katta hajmdagi ma'lumotlar to'plamlarini ommaviy qayta ishlash mumkin. Vizualizatsiya funktsiyalari va ilovalari tasvirlar, 3D hajmlari va videolarni o'rganish imkonini beradi; kontrastni sozlash; gistogrammalar yaratish; va ko'rinadigan joylarni nazorat qilish (KINGS).

Algoritmlarni ko'p yadroli protsessorlarda va GPUlarda bajarish orqali tezlashtirishingiz mumkin. Ko'pgina asboblar paneli funktsiyalari kompyuterni ko'rishni joylashtirish va prototip tahlili uchun C/C++ kodini yaratishni qo'llab-quvvatlaydi.

Ishning boshlanishi

Tasvirga ishlov berish asboblar to‘plami asoslarini o‘rganing

Import, eksport va konvertatsiya qilish

Tasvir ma'lumotlarini import va eksport qilish, tasvir turlari va sinflarini o'zgartirish

Ko'rsatish va tadqiqot

Interfaol tasvirlash va tadqiqot vositalari

Geometrik o'zgartirish va tasvirni ro'yxatga olish

Masshtab, aylantiring, boshqalarni bajaring N-D konvertatsiyalari va intensivlik korrelyatsiyasi, xususiyatlarni moslashtirish yoki nazorat nuqtasini xaritalash yordamida tasvirlarni tekislang

Tasvirni filtrlash va yaxshilash

Kontrastni sozlash, morfologik filtrlash, xiralashtirish, ROI asosida ishlov berish

Rasmni segmentatsiyalash va tahlil qilish

Hudud tahlili, struktura tahlili, piksel va tasvir statistikasi

Tasvirga ishlov berish uchun chuqur o'rganish

Konvolyutsion neyron tarmoqlardan foydalangan holda tasvir shovqinini olib tashlash va past aniqlikdagi tasvirlardan yuqori aniqlikdagi tasvirlarni yaratish kabi tasvirni qayta ishlash vazifalarini bajaring (Deep Learning Toolbox™ talab qilinadi)