Содержание
- 2. Цель лекции Рассказать о нескольких способах обработки изображений, которые могут пригодиться в «реальной жизни» Зачем обрабатывать?
- 3. План лекции Введение Коррекция контрастности/яркости изображения Коррекция цветового баланса изображения Подавление шума в изображениях Метрики качества
- 4. Изображение Изображение оптическое – картина, получаемая в результате прохождения через оптическую систему лучей, распространяющихся от объекта,
- 5. Обработка изображений Семейство методов и задач, где входной и выходной информацией являются изображения. Примеры : Устранение
- 6. Как получается цифровое изображение? Свет, падая на светочувствительный элемент преобразуется в электрические сигналы Сигналы оцифровываются, превращаются
- 7. Почему оно может получиться плохо? Ограниченный диапазона чувствительности датчика «Плохой» функции передачи датчика
- 8. «Улучшение» изображения Изменение контраста изображения Компенсация: Ограниченного диапазона яркостей датчика “Плохой” функции передачи датчика x –
- 9. Что такое гистограмма? Гистограмма – это график распределения тонов на изображении. На горизонтальной оси - шкала
- 10. Изменение контраста изображения Что может не устраивать в полученном изображении: Узкий или смещенный диапазон яркостей пикселей
- 11. Линейная коррекция Компенсация узкого диапазона яркостей – линейное растяжение: График функции f -1(y)
- 12. Линейная коррекция Компенсация узкого диапазона яркостей – линейное растяжение:
- 13. Линейная коррекция Линейное растяжение – «как AutoContrast в Photoshop»
- 14. Линейная коррекция Линейная коррекция помогает не всегда!
- 15. Нелинейная коррекция График функции f -1(y)
- 16. Нелинейная коррекция Часто применяемые функции: Гамма-коррекция Изначальная цель – коррекция для правильного отображения на мониторе. Логарифмическая
- 17. Гамма-коррекция Гамма-коррекция Изначальная цель – коррекция для правильного отображения на мониторе. Так называют преобразование вида: Графики
- 18. Нелинейная коррекция График функции f -1(y)
- 19. Сравнение линейной и нелинейной коррекции
- 20. Компенсация разности освещения Пример
- 21. План лекции Введение Коррекция контрастности/яркости изображения Коррекция цветового баланса изображения Подавление шума в изображениях Метрики качества
- 22. Цветовая коррекция изображений Изменение цветового баланса Компенсация: Неверного цветовосприятия камеры Цветного освещения
- 23. «Серый мир» Предположение: Сумма всех цветов на изображении естественной сцены дает серый цвет; Метод: Посчитать средние
- 24. «Серый мир» - примеры
- 25. «Серый мир» - примеры
- 26. «Серый мир» - примеры
- 27. «Идеальный отражатель» Предположение: Наиболее яркие области изображения относятся к бликам на поверхностях, модель отражения которых такова,
- 28. Цветовая коррекция изображений Растяжение контрастности (“autolevels”) Идея – растянуть интенсивности по каждому из каналов на весь
- 29. Растяжение контрастности всех каналов (“autolevels”)
- 30. Растяжение контрастности (“autolevels”)
- 31. Коррекция с опорным цветом Предположение Пользователь указывает цвет вручную; Источник: Априорные знания – «облака – белые»
- 32. Коррекция с опорным цветом Примеры:
- 33. План лекции Введение Коррекция контрастности/яркости изображения Коррекция цветового баланса изображения Подавление шума в изображениях Метрики качества
- 34. Борьба с шумом изображения Подавление и устранение шума Причины возникновения шума: Несовершенство измерительных приборов Хранение и
- 35. Шум в бинарных изображениях Пример бинарного изображению с сильным шумом
- 36. Шум в бинарных изображениях По одному пикселю невозможно определить – шум или объект? Нужно рассматривать окрестность
- 37. Подавление и устранение шума Устранение шума в бинарных изображениях Бинарное изображение – изображение, пиксели которого принимают
- 38. Математическая морфология A B Множество A обычно является объектом обработки, а множество B (называемое структурным элементом)
- 39. Расширение в дискретном случае A B A(+)B Операция «расширение» - аналог логического «или»
- 40. Операции математической морфологии Расширение A (+) B = {t ∈ R2: t = a + b,
- 41. Операции математической морфологии Сужение A (-) B = (AC (+) B)С, где AC – дополнение A
- 42. Свойства морфологических операций Коммутативный закон A (+) B = B (+) A A (-) B B
- 43. Алгоритм морфологического расширения void Dilation(BIT* src[], bool* mask[], BIT* dst[]) { // W, H – размеры
- 44. Алгоритм морфологического сужения void Erosion(BIT* src[], bool* mask[], BIT* dst[]) { // W, H – размеры
- 45. Операции раскрытия и закрытия Морфологическое раскрытие (opening) open(A, B) = (A (-) B) (+) B Морфологическое
- 46. Важное замечание Результат морфологических операций во многом определяется применяемым структурным элементом. Выбирая различный структурный элемент можно
- 47. Применения сужения к бинарному изображению с сильным шумом
- 48. Применения открытия к бинарному изображению с сильным шумом
- 49. Сужение vs Открытие Сужение Открытие
- 50. Устранение шума в бинарных изображениях Пример бинарного изображению с дефектами распознаваемых объектов
- 51. Применения закрытия к бинарному изображению с дефектами объектов
- 52. Не лучший пример для морфологии Не во всех случаях математическая морфология так легко убирает дефекты, как
- 53. Применения операции открытия
- 54. Подавление и устранение шума Устранение шума в полутоновых и цветных изображениях Усреднение (box filter) Фильтр Гаусса
- 55. Операция «свертка» (convolution) Свертка двумерной функции f по функции g в непрерывном и дискретном случае. Часто,
- 56. Применение фильтров g(l,k)
- 57. Свертка // Обнулить изображение Dest[i][j] ... // Выполнить свертку for (i=0; i for (j=0; j for
- 58. Свойства фильтров Результат фильтрации однотонного (константного) изображения – константное изображение. Его цвет равен Следствие: чтобы фильтр
- 59. Устранение шума в полутоновых и цветных изображениях Пример: изображение с равномерным шумом. Err(i,j) – нормально распределенная
- 60. Усреднение (box filter) Операция усреднения значения каждого пикселя – cвертка по константной функции: Результат применения:
- 61. Фильтр Гаусса (gaussian blurring) Свертка по функции: Параметр задает степень размытия. На графике функция с .
- 62. Маленькая экскурсия к Фурье + Низкие частоты Высокие частоты
- 63. Фильтр Гаусса (gaussian blurring) Результаты свертки по функции Гаусса и по константной функции (усреднения). Исходное изображение
- 64. Подавление и устранение шума Устранение шума в полутоновых, цветных и бинарных изображениях с помощью медианного фильтра
- 65. Медианный фильтр Результат применения медианного фильтра с радиусом 5 пикселей. Результат применения медианного фильтра с радиусом
- 66. Очистка изображения с помощью медианного фильтра Фильтр с окрестностью 3x3
- 67. Быстрая реализация медианного фильтра Медианный фильтр считается дольше, чем операция свертки, поскольку требует частичной сортировки массива
- 68. Адаптивные фильтры Чего бы хотелось? Размывать шум, резкие границы – сохранять. Как бы этого добиться? Предположение:
- 69. Адаптивный фильтр - пример for (each pixel of the current video frame) { GetRGB (source_pixel, r,
- 70. Адаптивные фильтры Примеры таких фильтров: http://www.compression.ru/video/denoising/denoising.pdf
- 71. «Продвинутые» фильтры
- 72. В чем отличие разных фильтров? Box filer (простое размытие) – помимо подавления шума портит резкие границы
- 73. Повышение резкости Ядро свертки
- 74. Как бороться с шумом аппаратуры? Предположим, камера, которой производится съемка заметно «шумит». Обычно шум измерительной аппаратуры
- 75. Примеры шумоподавления Зашумленные изображения Усреднение по 10 изображениям Так работают камеры в некоторых сотовых телефонах
- 76. Примеры шумоподавления Исходное изображение Испорченное изображение
- 77. Примеры шумоподавления Усреднение по 9 пикселям (3x3) Медианный фильтр (3x3)
- 78. Компенсация разности освещения Пример
- 79. Компенсация разности освещения Идея: Формирование изображения: Плавные изменения яркости относятся к освещению, резкие - к объектам.
- 80. Выравнивание освещения Алгоритм Получить приближенное изображение освещения путем низочастотной фильтрации Восстановить изображение по формуле
- 81. Выравнивание освещения Пример
- 82. Компенсация разности освещения Пример / = Gauss 14.7 пикселей
- 83. План лекции Введение Коррекция контрастности/яркости изображения Коррекция цветового баланса изображения Подавление шума в изображениях Метрики качества
- 84. Метрики качества Как измерить похожесть двух изображений? исходное изображение искаженное изображение
- 85. Метрики качества Среднеквадратичная ошибка (MSE) Пиковое отношение сигнал/шум (PSNR) N – число пикселей M – максимальное
- 86. Метрики качества PSNR и MSE не учитывают особенности человеческого восприятия! Оригинал Далее будут использованы рисунки из
- 87. Метрики качества У этих изображений одинаковые PSNR с оригиналом (примерно 25 dB) Повышена контрастность Добавлен белый
- 88. Метрики качества И у этих – тоже примерно 25 dB! Добавлен импульсный шум Размытие
- 89. Метрики качества И у этого – тоже! Артефакт блочности после JPEG
- 90. Метрики качества Вывод: PSNR не всегда отражает реальный видимый уровень искажений. Как улучшить? Использовать функцию чувствительности
- 91. План лекции Введение Коррекция контрастности/яркости изображения Коррекция цветового баланса изображения Подавление шума в изображениях Метрики качества
- 92. Подчеркивание контуров объекта Рассмотрим подчеркивание краев (границ) Край(edge) – резкое изменение яркости на изображении, часто соответствует
- 93. Операция оконтуривания объекта При работе с бинарными изображениями контуры объекта можно получить с помощью операций математической
- 94. Пример оконтуривания объекта
- 95. Подчеркивание краев Нас интересуют области резкого изменения яркости – нахождение таких областей можно организовать на основе
- 96. Подчеркивание краев Известно, что наибольшее изменение функции происходит в направлении ее градиента. Величина изменения измеряется абсолютной
- 97. Подчеркивание краев Математический смысл – приближенное вычисление производных по направлению. Робертса Превитт Собеля Семейство методов основано
- 98. Подчеркивание краев Примеры применения операторов подчеркивания краев: Робертса Превитт Собеля
- 99. План лекции Введение Коррекция контрастности/яркости изображения Коррекция цветового баланса изображения Подавление шума в изображениях Метрики качества
- 100. Спецэффекты Рассмотрим Тиснение Негатив «Светящиеся» края Геометрические эффекты Перенос/поворот Искажение «Эффект стекла»
- 101. Тиснение Фильтр + сдвиг яркости, нормировка…
- 102. Цифровой негатив
- 103. Светящиеся края Медианный фильтра + выделение краев + фильтр «максимума»
- 104. Перенос/поворот Перенос: x(k; l) = k + 50; y(k; l) = l; Поворот: x(k; l) =
- 105. «Волны» Волны 1: x(k; l) = k + 20sin(2πl / 128); y(k; l) = l; Волны
- 107. Скачать презентацию