გამოსახულების ჰისტოგრამის გათანაბრება. სურათის დამუშავების ძირითადი ოპერაციები. იმპორტი, ექსპორტი და კონვერტაცია
გათანაბრების ალგორითმების შედარება
ნახევრად ტონიანი სურათების ჰისტოგრამა
1 "2 Aleksandrovskaya A.A., Mavrin E.M.
1 ალექსანდროვსკაია ანა ანდრეევნა - მაგისტრანტი; მავრინ ევგენი მიხაილოვიჩი - მაგისტრატურის სტუდენტი, განყოფილება ინფორმაციული სისტემებიდა ტელეკომუნიკაცია,
მოსკოვის სახელმწიფო ტექნიკური უნივერსიტეტის ინფორმატიკისა და კონტროლის სისტემების ფაკულტეტი. ნ.ე. ბაუმანი, მოსკოვი
რეზიუმე: ეს სტატია ადარებს ციფრული გამოსახულების დამუშავების ალგორითმებს, კერძოდ ჰისტოგრამის გათანაბრების ალგორითმებს. განიხილება სამი ალგორითმი: გლობალური ჰისტოგრამის გათანაბრება (GHE), ადაპტური ჰისტოგრამის გათანაბრება (AHE) და ადაპტური ჰისტოგრამის გათანაბრება კონტრასტის შეზღუდვით (CANE). სტატიაში აღწერილი სამუშაოს შედეგია იდენტურ სურათებზე ალგორითმების შესრულების ვიზუალური შედარება.
საკვანძო სიტყვები: გამოსახულების ჰისტოგრამა, სურათების ჰისტოგრამის გათანაბრება, COI, კომპიუტერული ხედვა, ANE, SYANE.
გამოსახულების ხარისხის გასაუმჯობესებლად აუცილებელია სიკაშკაშის დიაპაზონის, კონტრასტის, სიმკვეთრისა და სიცხადის გაზრდა. ერთად, ეს პარამეტრები შეიძლება გაუმჯობესდეს გამოსახულების ჰისტოგრამის გათანაბრების გზით. ობიექტების კონტურების განსაზღვრისას, უმეტეს შემთხვევაში ნაცრისფერ სურათში მოცემული მონაცემები საკმარისია. ნახევარტონური გამოსახულება არის სურათი, რომელიც შეიცავს ინფორმაციას მხოლოდ სიკაშკაშის შესახებ, მაგრამ არა პიქსელების ფერის შესახებ. შესაბამისად, მიზანშეწონილია ჰისტოგრამის აგება ნახევარტონური სურათისთვის.
მოდით, განსახილველი სურათი შედგებოდეს n პიქსელისგან, ინტენსივობით (სიკაშკაშით) r 0-დან 2 bpp-მდე დიაპაზონში, სადაც bpp არის ბიტების რაოდენობა, რომელიც გამოყოფილია ერთი პიქსელის სიკაშკაშის კოდირებისთვის. უმეტეს ფერთა მოდელებში კოდირებისთვის
ერთი პიქსელის ერთი ფერის სიკაშკაშე მოითხოვს 1 ბაიტს. შესაბამისად, პიქსელის ინტენსივობა განისაზღვრება ნაკრებზე 0-დან 255-მდე. გამოსახულების პიქსელების რაოდენობის გრაფიკს ინტენსივობით r ინტენსივობის მიმართ თავად გამოსახულების ჰისტოგრამა ეწოდება. ნახ. სურათი 1 გვიჩვენებს ტესტის სურათებისა და ჰისტოგრამების მაგალითს, რომლებიც აგებულია ამ სურათების საფუძველზე:
ბრინჯი. 1. გამოცადეთ სურათები და მათი ჰისტოგრამები
ცხადია, შესაბამისი ჰისტოგრამის შესწავლით, შეიძლება გამოვიტანოთ დასკვნები ორიგინალური გამოსახულების შესახებ. მაგალითად, ძალიან ბნელი გამოსახულების ჰისტოგრამები ხასიათდება არანულოვანი ჰისტოგრამის მნიშვნელობების კონცენტრაციით სიკაშკაშის ნულოვან დონესთან ახლოს, ხოლო მსუბუქი გამოსახულებებისთვის, პირიქით, ყველა არანულოვანი მნიშვნელობა გროვდება მარჯვენა მხარეს. ჰისტოგრამა.
ჰისტოგრამის გათანაბრების ალგორითმები პოპულარული ალგორითმებია დამუშავებული ნახევარტონის გამოსახულების გასაუმჯობესებლად. ზოგადად, HE ალგორითმებს (Histogram Equalization) აქვთ შედარებით დაბალი გამოთვლითი ღირებულება და ამავე დროს აჩვენებენ მაღალ ეფექტურობას. ამ ტიპის ალგორითმის არსი არის ჰალფტონური გამოსახულების დონის რეგულირება მოცემული სურათის ალბათობის განაწილების ფუნქციის შესაბამისად (1) და, შედეგად, იზრდება სიკაშკაშის განაწილების დინამიური დიაპაზონი. ეს იწვევს ვიზუალური ეფექტების გაუმჯობესებას,
როგორიცაა: სიკაშკაშის კონტრასტი, სიმკვეთრე, სიცხადე.
p(i) = -, i = 0. .255, n
სადაც p(i) არის i სიკაშკაშის მქონე პიქსელის გაჩენის ალბათობა, ორიგინალური გამოსახულების ჰისტოგრამის ნორმალიზებული ფუნქცია, k არის დამუშავებული სურათის პიქსელის კოორდინატები, g(k) არის გათანაბრებული სურათი.
ჰისტოგრამის გათანაბრების ალგორითმები იყოფა ორ ტიპად: ლოკალური (ადაპტური) ჰისტოგრამის გათანაბრება და გლობალური ჰისტოგრამის გათანაბრება. გლობალურ მეთოდში აგებულია ერთი დიაგრამა და ხდება მთლიანი გამოსახულების ჰისტოგრამის გათანაბრება (ნახ. 3 ა). ლოკალური მეთოდით (ნახ. 3ბ) მიმდინარეობს კონსტრუქცია დიდი რაოდენობითჰისტოგრამები, სადაც თითოეული ჰისტოგრამა შეესაბამება დამუშავებული სურათის მხოლოდ ნაწილს. ეს მეთოდი აუმჯობესებს ადგილობრივ კონტრასტს
სურათები, რაც საშუალებას გაძლევთ ზოგადად მიიღოთ უკეთესი დამუშავების შედეგები.
ლოკალური დამუშავების ალგორითმები შეიძლება დაიყოს შემდეგ ტიპებად: გადახურული ადგილობრივი გადამამუშავებელი ერთეულები, გადახურვის ლოკალური დამუშავების ერთეულები და ნაწილობრივ გადაფარვის ლოკალური დამუშავების ერთეულები (ნახ. 2).
ბრინჯი. 2. სამუშაოს ილუსტრაცია სხვადასხვა სახისლოკალური გამოსახულების დამუშავების ალგორითმები: ა) გადაფარვის ლოკალური დამუშავების ბლოკები, ბ) გადახურვის ლოკალური დამუშავების ბლოკები, გ) ნაწილობრივ გადაფარვის ლოკალური დამუშავების ბლოკები.
გადახურვის ბლოკის ალგორითმი იძლევა საუკეთესო შედეგიდამუშავება, მაგრამ ყველაზე ნელია ჩამოთვლილთა შორის. პირიქით, გადახურვის ბლოკების ალგორითმი მოითხოვს ნაკლებ დამუშავების დროს, ყველა დანარჩენი თანაბარია, მაგრამ რადგან დამუშავებული ბლოკები ერთმანეთს არ ემთხვევა, საბოლოო გამოსახულებაში სიკაშკაშის მკვეთრი ცვლილებები შესაძლებელია. კომპრომისული გამოსავალი არის ნაწილობრივ გადახურვის ბლოკის ალგორითმი. ადაპტური ჰისტოგრამის გათანაბრების ალგორითმების ნაკლოვანებები მოიცავს გამოსახულების პარამეტრების ზედმეტ გაძლიერებას და საბოლოო გამოსახულებაში ხმაურის შესაძლო ზრდას.
ზემოაღნიშნული ალგორითმის გაუმჯობესებული ვერსია არის კონტრასტული შეზღუდული ადაპტური ჰისტოგრამის გათანაბრების (CLAHE) ალგორითმი (ნახ. 4c). ამ ალგორითმის მთავარი მახასიათებელია შეზღუდვა
ჰისტოგრამის დიაპაზონი დაფუძნებულია პიქსელების სიკაშკაშის მნიშვნელობების ანალიზზე დამუშავებულ ბლოკში (2), რითაც მიღებული სურათი გამოიყურება უფრო ბუნებრივი და ნაკლებად ხმაურიანი.
სადაც add არის ჰისტოგრამის ფუნქციის მნიშვნელობის ზრდის კოეფიციენტი, ps არის პიქსელების რაოდენობა, რომლებიც აღემატება ბარიერის მნიშვნელობა. ჰისტოგრამის ცვლილების ილუსტრაცია ნაჩვენებია სურათზე 3.
ბრინჯი. 3. ჰისტოგრამის დიაპაზონის შეზღუდვა CLAHE ალგორითმში
აღსანიშნავია, რომ კლასიკური SILIB ალგორითმი იყენებს ორხაზოვან ინტერპოლაციას დამუშავებულ ბლოკებს შორის საზღვრების აღმოსაფხვრელად.
ბრინჯი. 4. ჰისტოგრამის გათანაბრების ალგორითმების შედეგები: ა) გლობალური ჰისტოგრამის გათანაბრება (HE), ბ) ადაპტური ჰისტოგრამის გათანაბრება (ANE), გ) ადაპტური ჰისტოგრამის გათანაბრება კონტრასტული შეზღუდვით (CANE)
დამუშავების შედეგების ვიზუალურად შედარებისას საუკეთესო მეთოდიარის CLAHE (ნახ. 3c). ამ მეთოდით დამუშავებულ სურათს აქვს ნაკლები ხმაური, ვიდრე AHE-ს მიერ დამუშავებულ სურათს და განათების კონტრასტი უფრო ბუნებრივია. გლობალური გათანაბრების მეთოდით დამუშავებულ სურათთან შედარებით, CLAHE მეთოდი აუმჯობესებს დამუშავებული სურათის წვრილი და ბუნდოვანი დეტალების სიცხადეს, ასევე ზრდის კონტრასტს, მაგრამ არა ისე გაზვიადებულს, როგორც AHE მეთოდის შემთხვევაში. ასევე ქვემოთ მოცემულია ცხრილი, რომელიც აფასებს განსახილველი მეთოდების შესრულების დროს MATLAB 2016 პროგრამირების გარემოში.
ცხრილი 1. განხილულის შესრულების სავარაუდო დრო
წამყვანი დრო
პროგრამის სახელი c შესრულების დრო
მეთოდი განხილული მეთოდით, გ მეთოდი, გ
CLAHE 0.609 0.519
ბიბლიოგრაფია
1. ჩიჭვარინი ნ.ვ. სიგნალის ამოცნობა და ამოცნობა // ეროვნული ბიბლიოთეკამათ. ნ.ე. ბაუმანი [ ელექტრონული რესურსი] 2016, წვდომის რეჟიმი: https://ru.bmstu.wiki/Correction_of_brightness_and_contrast_ images (წვდომის თარიღი: 05/03/2019).
2. გონსალეს რ.კ. , ვუდს რ.ე. . ციფრული გამოსახულების დამუშავება, მე-3 გამოცემა, ნიუ ჯერსი: Pearson Education, 2008. 950 გვ.
3. გუპტა ს., კაურ ი. ციფრული გამოსახულების განსხვავებული ლოკალური და გლობალური კონტრასტის გაუმჯობესების ტექნიკის მიმოხილვა // კომპიუტერული პროგრამების საერთაშორისო ჟურნალი [ელექტრონული რესურსი] 2014 წელი, URL: https://pdfs.semanticscholar.org/7fb1/bf8775a1a1eaad9b3d1f4.pdf:A321ccess 5bc3212c 2019).
4. Ma J., Fan X. , ახალგაზრდა S. X. , ზანგ X. , ზცუ კს. . Contrast Limited Adaptive Histogram Equalization Based Fusion წყალქვეშა გამოსახულების გაუმჯობესებისთვის // Preprints [Electronic Resource] 2017, URL: https: //www. წინასწარ ანაბეჭდები. org/manuscript/201703.0086/v 1 (წვდომის თარიღი: 05/3/2019).
გამოსახულების კონტრასტის გაზრდის სამი ძირითადი მეთოდი არსებობს:
- ხაზოვანი ჰისტოგრამის გაჭიმვა (წრფივი კონტრასტი),
- ჰისტოგრამის ნორმალიზება,
- ჰისტოგრამის გასწორება (ხაზოვანი ან გათანაბრება).
ხაზოვანი გაჭიმვაგამოსახულებაში თითოეული პიქსელისთვის ახალი ინტენსივობის მნიშვნელობების მინიჭებაზე მოდის. თუ ორიგინალური გამოსახულების ინტენსივობა იცვლებოდა დიაპაზონში დან -მდე, მაშინ საჭიროა ხაზოვანი "გაჭიმვა" მითითებული დიაპაზონი ისე, რომ მნიშვნელობები შეიცვალოს 0-დან 255-მდე. ამისათვის საკმარისია ხელახლა გამოთვალოთ ძველი ინტენსივობის მნიშვნელობები ყველა პიქსელისთვის ფორმულის მიხედვით, სადაც კოეფიციენტები უბრალოდ გამოითვლება იმის საფუძველზე, რომ საზღვარი უნდა წავიდეს 0-მდე და 255-მდე.
ჰისტოგრამის ნორმალიზაციაწინა მეთოდისგან განსხვავებით, ის არ აფართოებს ინტენსივობის ცვლილებების მთელ დიაპაზონს, არამედ მხოლოდ მის ყველაზე ინფორმაციულ ნაწილს. ინფორმაციული ნაწილი გაგებულია, როგორც ჰისტოგრამის მწვერვალების ნაკრები, ე.ი. ინტენსივობა, რომელიც უფრო ხშირად ჩანს, ვიდრე სხვები სურათზე. ნორმალიზაციის პროცესის დროს იშლება იშვიათად წარმოქმნილი ინტენსივობის შესაბამისი ურნები, შემდეგ კი ხდება მიღებული ჰისტოგრამის ჩვეულებრივი ხაზოვანი გაჭიმვა.
გასწორებაჰისტოგრამები ერთ-ერთი ყველაზე გავრცელებული მეთოდია. გათანაბრების მიზანია უზრუნველყოს, რომ სიკაშკაშის ყველა დონეს ჰქონდეს იგივე სიხშირე და რომ ჰისტოგრამა მიჰყვეს ერთგვაროვან განაწილებას. ვთქვათ, რომ გვეძლევა ნაცრისფერი ფერის გამოსახულება, რომელსაც აქვს პიქსელის გარჩევადობა. პიქსელის სიკაშკაშის კვანტიზაციის დონეების რაოდენობა (ურნების რაოდენობა) არის . შემდეგ, საშუალოდ, თითოეული სიკაშკაშის დონისთვის უნდა იყოს 
პიქსელები. ძირითადი მათემატიკა მდგომარეობს ორი განაწილების შედარებაში. მოდით იყოს შემთხვევითი ცვლადები, რომლებიც აღწერს სურათებში პიქსელის ინტენსივობის ცვლილებას, იყოს ინტენსივობის განაწილების სიმკვრივე თავდაპირველ სურათში და იყოს სასურველი განაწილების სიმკვრივე. აუცილებელია ვიპოვოთ განაწილების სიმკვრივის ტრანსფორმაცია, რომელიც მოგვცემს საშუალებას მივიღოთ სასურველი სიმკვრივე:
ავღნიშნოთ შემთხვევითი ცვლადების განაწილების ინტეგრალური კანონები და . ალბათური ეკვივალენტობის პირობიდან გამომდინარეობს, რომ 
. მოდით ჩამოვწეროთ ინტეგრალური განაწილების კანონი განმარტებით:
აქედან მივიღებთ ამას
რჩება იმის გარკვევა, თუ როგორ უნდა შეფასდეს ინტეგრალური განაწილების კანონი. ამისათვის ჯერ უნდა ააწყოთ ორიგინალური გამოსახულების ჰისტოგრამა, შემდეგ კი მიღებული ჰისტოგრამის ნორმალიზება თითოეული ურნის მნიშვნელობის პიქსელების საერთო რაოდენობაზე გაყოფით. ბინ მნიშვნელობები შეიძლება ჩაითვალოს, როგორც განაწილების სიმკვრივის ფუნქციის მიახლოება. ამრიგად, კუმულაციური განაწილების ფუნქციის მნიშვნელობა შეიძლება წარმოდგენილი იყოს შემდეგი ფორმის ჯამის სახით:
აგებული შეფასება შეიძლება გამოყენებულ იქნას ახალი ინტენსივობის მნიშვნელობების გამოსათვლელად. გაითვალისწინეთ, რომ ჩამოთვლილი ჰისტოგრამის გარდაქმნები შეიძლება გამოყენებულ იქნას არა მხოლოდ მთელ სურათზე, არამედ მის ცალკეულ ნაწილებზეც.
OpenCV ბიბლიოთეკა ახორციელებს equalizeHist ფუნქციას, რომელიც უზრუნველყოფს გამოსახულების კონტრასტის გაუმჯობესებას ჰისტოგრამის გათანაბრების გზით [,]. ფუნქციის პროტოტიპი ნაჩვენებია ქვემოთ.
void equalizeHist(const Mat& src, Mat& dst)
ფუნქცია მუშაობს ოთხ ეტაპად:
ქვემოთ მოცემულია პროგრამის მაგალითი, რომელიც უზრუნველყოფს ჰისტოგრამის გათანაბრებას. აპლიკაცია ბრძანების ხაზის არგუმენტად იღებს წყაროს სურათის სახელს. ჰისტოგრამის გათანაბრების ოპერაციის შესრულების შემდეგ ნაჩვენებია ორიგინალური სურათი 1 გამოყენებული სურათი არის PASACL VOC 2007 მონაცემთა ბაზის ნაწილი., გარდაიქმნება ნაცრისფერში (ნახ. 7.11, მარცხნივ) და გამოსახულება ჰისტოგრამით გათანაბრდება (ნახ. 7.11, მარჯვნივ).
#შეიცავს \n\ \t
- სურათის ფაილის სახელი\n"; int main(int argc, char* argv) ( const char *initialWinName = "Initial Image", *equalizedWinName = "Equalized Image"; Mat img, grayImg, equalizedImg; თუ (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;
}
ბრინჯი. 7.11.
სურათის წინასწარი დამუშავება- გამოსახულების ხარისხის გაუმჯობესების პროცესი, რომლის მიზანია ორიგინალზე დაფუძნებული, ყველაზე ზუსტი და ადაპტირებული. ავტომატური ანალიზისურათები.
ციფრული გამოსახულების დეფექტებს შორის შეგვიძლია გამოვყოთ შემდეგი ტიპები:
- ციფრული ხმაური
- ფერის დეფექტები (არასაკმარისი ან გადაჭარბებული სიკაშკაშე და კონტრასტი, არასწორი ფერის ტონი)
- დაბინდვა (დეფოკუსი)
გამოსახულების წინასწარი დამუშავების მეთოდები დამოკიდებულია კვლევის მიზნებზე და შეიძლება მოიცავდეს სამუშაოს შემდეგ ტიპებს:
ხმაურიანი სურათების ფილტრაცია
ციფრული გამოსახულების ხმაური- ფოტოსენსორებისა და იმ მოწყობილობების ელექტრონიკის მიერ შემოტანილი გამოსახულების დეფექტი. მის შესაჩერებლად გამოიყენება შემდეგი მეთოდები:
ქულების წრფივი საშუალომეზობლად - ხმაურის მოხსნის უმარტივესი ტიპის ალგორითმები. მათი მთავარი იდეაა, აიღოთ ქულების საშუალო არითმეტიკული პუნქტები, როგორც წერტილის ახალი მნიშვნელობა.
ფიზიკურად, ასეთი გაფილტვრა ხორციელდება გამოსახულების პიქსელების გადაკვეთით კონვოლუციის მატრიცით, რომელსაც აქვს შემდეგი ფორმა:
მაგალითი:
div არის ნორმალიზაციის კოეფიციენტი ისე, რომ საშუალო ინტენსივობა უცვლელი რჩება. ის უდრის მატრიცის კოეფიციენტების ჯამს, მაგალითში div = 6.
გაუსის ბუნდოვანი(წრფივი კონვოლუციის ტიპი) ხორციელდება გამოსახულების პიქსელების გადაკვეთით კონვოლუციის მატრიცით, რომელიც ასე გამოიყურება:
5x5 მატრიცა ივსება ნორმალური (გაუსის) კანონის მიხედვით. ქვემოთ არის იგივე მატრიცა, სადაც კოეფიციენტები უკვე ნორმალიზებულია, ამიტომ ამ მატრიცის დივი უდრის ერთს.
დაბინდვის სიძლიერე დამოკიდებულია მატრიცის ზომაზე.
ზედა მარცხენა პიქსელს არ აქვს „მეზობლები“ მარცხნივ და ზემოთ, შესაბამისად, ჩვენ არაფერი გვაქვს მატრიცის კოეფიციენტების გასამრავლებლად!
ამ პრობლემის გადაჭრა მოითხოვს შუალედური სურათის შექმნას. იდეა არის დროებითი გამოსახულების შექმნა ზომებით
სიგანე + 2 უფსკრული / 2, სიმაღლე + 2 უფსკრული / 2, სადაც
სიგანე და სიმაღლე – გაფილტრული სურათის სიგანე და სიმაღლე,
უფსკრული – კონვოლუციის მატრიცის განზომილება.
შეყვანის სურათი კოპირებულია სურათის ცენტრში და კიდეები ივსება გამოსახულების ყველაზე გარე პიქსელებით. დაბინდვა გამოიყენება შუალედურ ბუფერზე, შემდეგ კი შედეგი ამოღებულია მისგან.
მედიანური ფილტრიარის ფანჯრის ფილტრი, რომელიც თანმიმდევრულად ასკანირებს სურათს და ყოველ ნაბიჯზე აბრუნებს ერთ-ერთ ელემენტს, რომელიც მოხვდა ფილტრის ფანჯარაში.
პიქსელები, რომლებიც ფანჯარაში „ვარდნილნი არიან“ დალაგებულია ზრდადი თანმიმდევრობით და არჩეულია მნიშვნელობა, რომელიც არის დახარისხებული სიის შუაში.
მედიანური ფილტრი, როგორც წესი, გამოიყენება ხმაურის შესამცირებლად ან გამოსახულების „გასწორებისთვის“. 
სიცხადის გასაუმჯობესებლადსურათი გამოიყენება შემდეგი ფილტრი (div=1):
მორფოლოგიური გარდაქმნები
მორფოლოგიური ფილტრაცია გამოიყენება ორობითი გამოსახულების ელემენტების გაფართოების (დილაქტაციის) ან შევიწროების (ეროზიის) მიზნით.
დილატაცია(მორფოლოგიური გაფართოება) - გამოსახულების ან გამოსახულების შერჩეული უბნის კონვოლუცია რაიმე შაბლონით. შაბლონს შეიძლება ჰქონდეს ნებისმიერი ფორმა და ზომა. ამავდროულად, ერთადერთი, რაც მასში გამოირჩევა არის წამყვანი პოზიცია(წამყვანი), რომელიც შერწყმულია მიმდინარე პიქსელთან კონვოლუციის გამოთვლისას.
ორობითი სურათი არის შავი და თეთრი წერტილების (პიქსელების) მოწესრიგებული ნაკრები (მოწესრიგებული ნაკრები). გამოსახულების პიქსელების მაქსიმალური ინტენსივობა არის ერთი, ხოლო მინიმალური არის ნული.
დილატაციის გამოყენება ხდება შაბლონის გადატანაზე მთელ სურათზე და საძიებო ოპერატორის გამოყენებაზე გამოსახულების პიქსელების ადგილობრივი მაქსიმალური ინტენსივობისთვის, რომლებიც დაფარულია შაბლონით. თუ მაქსიმალური არის 1, მაშინ წერტილი, სადაც შაბლონის წამყვანი მდებარეობს, თეთრი იქნება. ეს ოპერაცია იწვევს გამოსახულებაში მსუბუქი უბნების ზრდას, ნახატზე ნაცრისფერში მონიშნულია პიქსელები, რომლებიც გაფართოვების გამოყენების შედეგად თეთრი იქნება.
Ეროზია(მორფოლოგიური შევიწროება) არის დილატაციის საპირისპირო ოპერაცია. ეროზიის ეფექტი დილატაციის მსგავსია, ერთადერთი განსხვავება ისაა, რომ გამოიყენება ადგილობრივი მინიმალური საძიებო ოპერატორი. თუ მინიმალური არის 0, მაშინ წერტილი, სადაც შაბლონის წამყვანი მდებარეობს, შავი იქნება. მარჯვნივ ფიგურაში ნაცრისფერი პიქსელები არის პიქსელები, რომლებიც შავდება ეროზიის შედეგად.
Ოპერაცია " დილატაცია" - ლოგიკური "ან", ოპერაციის ანალოგი" Ეროზია"არის ლოგიკური "და"-ს ანალოგი.
მორფოლოგიური ოპერაციების შედეგს დიდწილად განსაზღვრავს გამოყენებული შაბლონი (სტრუქტურული ელემენტი). სხვადასხვა სტრუქტურული ელემენტის არჩევით, შეგიძლიათ გადაჭრათ გამოსახულების დამუშავების სხვადასხვა პრობლემები:
- ხმაურის ჩახშობა.
- ობიექტის საზღვრების შერჩევა.
- ობიექტის ჩონჩხის შერჩევა.
გამოსახულების სიკაშკაშისა და კონტრასტის კორექტირება
სიკაშკაშეარის მახასიათებელი, რომელიც განსაზღვრავს რამდენად განსხვავდება პიქსელის ფერები შავისგან. მაგალითად, თუ ციფრული ფოტო გადაღებულია მზიან ამინდში, მისი სიკაშკაშე მნიშვნელოვანი იქნება. მეორეს მხრივ, თუ ფოტო გადაღებულია საღამოს ან ღამით, მაშინ მისი სიკაშკაშე დაბალი იქნება.
კონტრასტიარის მახასიათებელი იმისა, თუ რამხელა ვარიაციაა სურათზე პიქსელების ფერებში. რაც უფრო დიდია პიქსელის ფერის მნიშვნელობების გავრცელება, მით უფრო დიდია გამოსახულების კონტრასტი.
ყველა ელემენტის ელემენტის გარდაქმნასთან ერთად, ალბათობის განაწილების კანონი, რომელიც აღწერს სურათს, იცვლება. წრფივი კონტრასტით, ალბათობის სიმკვრივის ფორმა შენარჩუნებულია, მაგრამ ზოგად შემთხვევაში, ე.ი. ხაზოვანი ტრანსფორმაციის პარამეტრების თვითნებური მნიშვნელობებით იცვლება ტრანსფორმირებული გამოსახულების ალბათობის სიმკვრივის პარამეტრები.
გამოსახულების ალბათური მახასიათებლების განსაზღვრა, რომლებმაც გაიარეს არაწრფივი დამუშავება, ანალიზის უშუალო ამოცანაა. გამოსახულების დამუშავების პრაქტიკული პრობლემების გადაჭრისას შეიძლება დაისვას შებრუნებული პრობლემა: ალბათობის სიმკვრივის ცნობილი ტიპის გამოყენებით. pf(ვ) და სასურველი გარეგნობა გვ(გ) განსაზღვრავს საჭირო ტრანსფორმაციას გ= ϕ( ვ) რომელსაც უნდა დაექვემდებაროს ორიგინალური სურათი. ციფრული გამოსახულების დამუშავების პრაქტიკაში, გამოსახულების თანაბარ განაწილებამდე გარდაქმნა ხშირად იძლევა სასარგებლო შედეგებს. Ამ შემთხვევაში
სად გწთ და გ max - გადაყვანილი სურათის მინიმალური და მაქსიმალური სიკაშკაშის მნიშვნელობები. მოდით განვსაზღვროთ კონვერტორის მახასიათებლები, რომელიც წყვეტს ამ პრობლემას. დაე ვდა გდაკავშირებულია ფუნქციით გ(ნ, მ) = j( ვ(ნ, მ)), ა პფ(ვ) და გვ(გ) – შემავალი და გამომავალი სიკაშკაშეების განაწილების ინტეგრალური კანონები. (6.1) გათვალისწინებით, ჩვენ ვხვდებით:
ამ გამოთქმის ჩანაცვლება ალბათური ეკვივალენტობის პირობით
მარტივი გარდაქმნების შემდეგ ვიღებთ მიმართებას
წარმოადგენს მახასიათებელს გ(ნ, მ) = j( ვ(ნ, მ)) მოგვარებულ პრობლემაში. (6.2) მიხედვით ორიგინალური გამოსახულება განიცდის არაწრფივ ტრანსფორმაციას, რომლის მახასიათებელია პფ(ვ) განისაზღვრება ორიგინალური გამოსახულების ინტეგრალური განაწილების კანონით. ამის შემდეგ, შედეგი მიყვანილია მითითებულ დინამიურ დიაპაზონში ხაზოვანი კონტრასტის ოპერაციის გამოყენებით.
ამრიგად, ალბათობის სიმკვრივის ტრანსფორმაცია გულისხმობს ორიგინალური გამოსახულების კუმულაციური განაწილების ცოდნას. როგორც წესი, ამის შესახებ სანდო ინფორმაცია არ არსებობს. ანალიტიკური ფუნქციებით დაახლოებამ, მიახლოების შეცდომების გამო, შეიძლება გამოიწვიოს შედეგების მნიშვნელოვანი განსხვავებები საჭიროდან. ამიტომ გამოსახულების დამუშავების პრაქტიკაში განაწილების ტრანსფორმაცია ორ ეტაპად ხდება.
პირველ ეტაპზე იზომება ორიგინალური გამოსახულების ჰისტოგრამა. ციფრული სურათისთვის, რომლის ნაცრისფერი მასშტაბი, მაგალითად, მიეკუთვნება მთელ რიცხვს, ჰისტოგრამა არის 256 რიცხვის ცხრილი. თითოეული მათგანი გვიჩვენებს სურათზე (ჩარჩოში) მოცემული სიკაშკაშის მქონე წერტილების რაოდენობას. ამ ცხრილის ყველა რიცხვის გაყოფით ნიმუშის მთლიან ზომაზე, რომელიც ტოლია სურათზე ნიმუშების რაოდენობაზე, მივიღებთ გამოსახულების სიკაშკაშის ალბათობის განაწილების შეფასებას. ავღნიშნოთ ეს შეფასება q-ით pf(ვ q), 0 ≤ ვ q≤ 255. მაშინ კუმულაციური განაწილების შეფასება მიიღება ფორმულით:
მეორე ეტაპზე შესრულებულია თავად არაწრფივი ტრანსფორმაცია (6.2), რომელიც უზრუნველყოფს გამომავალი გამოსახულების აუცილებელ თვისებებს. ამ შემთხვევაში უცნობი ჭეშმარიტი კუმულაციური განაწილების ნაცვლად გამოიყენება მისი შეფასება ჰისტოგრამაზე დაფუძნებული. ამის გათვალისწინებით, ელემენტ-ელემენტ გამოსახულების გარდაქმნის ყველა მეთოდს, რომლის მიზანია განაწილების კანონების შეცვლა, ჰისტოგრამის მეთოდებს უწოდებენ. კერძოდ, ტრანსფორმაციას, რომელშიც გამომავალ სურათს აქვს ერთიანი განაწილება, ეწოდება ჰისტოგრამის გათანაბრება (გათანაბრება).
გაითვალისწინეთ, რომ ჰისტოგრამის კონვერტაციის პროცედურები შეიძლება გამოყენებულ იქნას როგორც მთლიან სურათზე, ასევე მის ცალკეულ ფრაგმენტებზე. ეს უკანასკნელი შეიძლება იყოს გამოსადეგი არასტაციონარული სურათების დამუშავებისას, რომელთა მახასიათებლები მნიშვნელოვნად განსხვავდება სხვადასხვა სფეროში. ამ შემთხვევაში უკეთესი ეფექტის მიღწევა შესაძლებელია ჰისტოგრამის დამუშავების გამოყენებით ცალკეულ უბნებზე - ინტერესის სფეროებზე. მართალია, წაკითხვისა და ყველა სხვა სფეროს მნიშვნელობები შეიცვლება. ნახაზზე 6.1 ნაჩვენებია აღწერილი მეთოდოლოგიის შესაბამისად შესრულებული გათანაბრების მაგალითი.
რეალური გამოსახულების სისტემებში მიღებული მრავალი გამოსახულების დამახასიათებელი მახასიათებელია ბნელი უბნების მნიშვნელოვანი ნაწილი და მაღალი სიკაშკაშის მქონე უბნების შედარებით მცირე რაოდენობა.
სურათი 6.1 – გამოსახულების ჰისტოგრამის გათანაბრების მაგალითი: ა) ორიგინალური გამოსახულება და მისი ჰისტოგრამა გ); ბ) გარდაქმნილი სურათი და მისი ჰისტოგრამა დ)
ჰისტოგრამის გათანაბრება იწვევს თანაბრად განაწილებული სიკაშკაშის დიაპაზონების ინტეგრალური უბნების გათანაბრებას. ორიგინალური (სურათი 6.1 ა) და დამუშავებული (სურათი 6.1 ბ) სურათების შედარება აჩვენებს, რომ სიკაშკაშის გადანაწილება, რომელიც ხდება დამუშავების დროს, იწვევს ვიზუალური აღქმის გაუმჯობესებას.