» ГЛАВНАЯ > К содержанию номера
» Все публикации автора
Журнал научных публикаций
«Наука через призму времени»
Ноябрь, 2018 / Международный научный журнал
«Наука через призму времени» №11 (20) 2018
Автор: Черногорова Юлия Викторовна, Студентка магистратуры
Рубрика: Физико-математические науки
Название статьи: Исследование методов улучшения изображений
Дата публикации: 12.11.2018
УДК 621.397
ИССЛЕДОВАНИЕ МЕТОДОВ УЛУЧШЕНИЯ ИЗОБРАЖЕНИЙ
Черногорова Юлия Викторовна
Студентка магистратуры
кафедры Прикладной математики и математического моделирования
Северо-Кавказский федеральный университет, г.Ставрополь
Аннотация. Одной из основных проблем, возникающих при обработке изображений, является улучшение качества изображения, в частности, повышение различимости отдельных фрагментов. В данной статье рассматриваются основные методы, используемые для улучшения различных типов изображений, которые могут использоваться как отдельно друг от друга, так и в совокупности.
Ключевые слова: цифровая обработка сигналов, улучшение изображений, гистограмма, пространственная фильтрация.
Основная цель улучшения изображения – получение наиболее пригодного результата, для данного конкретного употребления. Однако общей теории улучшения изображений не существует. Когда изображение обрабатывается для визуальной интерпретации, только наблюдатель может судить о том, насколько хорошо действует тот или иной метод.
Множество подходов к усовершенствованию изображений распадается на две большие категории: методы обработки в пространственной и в частотной областях. Термин пространственная область относится к плоскости изображения как таковой. Данная категория объединяет подходы, основанные на прямом манипулировании пикселями изображения. Методы обработки в частотной области основываются на модификации сигнала, формируемого путем применения к изображению преобразования Фурье [1,3].
К числу наиболее простых и общедоступных методов улучшения изображений относится улучшение с помощью функции градационного преобразования. Оно основывается на трех основных типах преобразований: линейном, логарифмическом и степенном.
Преобразование
графической картины в негатив (линейное преобразование) с яркостями в
диапазоне
определяется
выражением
,
где
и
– значения пикселей до и после обработки.
Подобный переворот уровней яркости изображения создает эквивалент фотографического негатива. Этот способ наиболее эффективен в случае, когда на преобладающе темном фоне необходимо выделить светлые детали.
Общий вид логарифмического преобразования можно описать выражением:
,
где c
– константа и
.
Вся суть логарифмического преобразования основывается на том, что оно
преобразует узкий диапазон яркостей на исходном изображении в более
широкий выходных значений. Для больших значений входного сигнала
верно обратное.
Степенные преобразования имеют вид:
,
где с
и
константы.
Преобразования
такого вида имеют те же особенности, что и логарифмические, различие
состоит лишь в том, что здесь возникает целое семейство кривых
возможного преобразования, получаемых простым изменением параметра
.
Для наилучшего результата необходимо проводить гамма-коррекцию, в
противном случае изображения могут выглядеть или как выбеленные, или,
что более вероятно, как слишком темные.
Подходом, дополняющим методы, рассмотренные выше, является использование кусочно-линейных функций, чьи главные преимущества состоят в том, что их форма может быть сколь угодно сложной и будет иметь много параметров. Главными способами ее применения являются усиление контраста, вырезание диапазона яркостей и битовых плоскостей.
Гистограммой
цифрового изображения с уровнями яркости в диапазоне
называется
дискретная функция
,
где
–
-й
уровень яркости,
– число пикселей в изображении, имеющих яркость
,
а L
– максимально допустимое число уровней яркости. Гистограммы
являются основой для многочисленных методов пространственной
обработки и достаточно просты для аппаратной реализации. Их
преимущество выражается тем, что получая на вход изображение,
процедура эквализации гистограммы (автоматическое нахождение функции
преобразования, которая стремится сформировать выходное изображение с
равномерной гистограммой) сводится к выполнению преобразований по
формуле:
,
где
,
что базируется лишь на информации, которая может быть извлечена
непосредственно из обрабатываемого изображения без указания каких
либо дополнительных параметров.
В отношении
изображений, арифметико-логические операции определяются, как
поэлементные преобразования над двумя и более изображениями.
Например, сумма изображений дает новое, значение каждого пикселя
которого, является суммой соответствующих пикселей исходных [2,3].
Как и для обычных чисел, здесь логические операции AND,
OR
и NOT
составляют функционально полный класс, способный реализовать любую
другую логическую операцию. Что касается арифметических операций, то
из известных нам вычитания, сложения, умножения и деления , наиболее
часто используются первые два, причем разность (сумма) двух
изображений
и
выражается
как:
Также, важной арифметической операцией является усреднение изображений, проводимое с целью уменьшения шума. Оно достигается путем суммирования серии зашумленных изображений, с нулевым средним значением шума. Логично предположить, что с увеличением количества изображений, уровень шума в каждом из них будет уменьшаться.
Некоторые локальные
преобразования оперируют одновременно как со значениями пикселей в
окрестности, так и с соответствующими им значениями некоторой
матрицы, имеющей те же размеры, что и окрестность. Такую матрицу
называют маской изображения. Операция фильтрации, выполняемая
непосредственно над элементами изображения называется
пространственной фильтрацией. Сам процесс фильтрации основан на
простом перемещении маски фильтра от точки к точке изображения, в
каждой точке
отклик R
фильтра вычисляется с использованием предварительно заданных связей
[1,4].
Фильтрация
изображения
имеющего размеры
,
с помощью фильтра размером
задается выражение общего вида:
где
и
.Для
фильтрации всего изображения данная формула должна быть вычислена для
всех сочетаний
и
.
В случае, если
интерес представляет только значение отклика R
по маске
в точке
то используют следующее выражение:
где
значение коэффициенты маски,
– значения пикселей, соответствующих данным коэффициентам, а
– общее число коэффициентов в маске.
Схема действия
нелинейной фильтрации не обязательно должна использовать коэффициенты
линейной комбинации, как это было в формулах для
и
.
Подавление шума мажет выть реализовано например, путем вычисления
медианы значений элементов анализируемой окрестности, а также
некоторыми другими способами [1].
Выше были рассмотрены каждый из методов улучшения изображения в отдельности. Однако на практике, при решении конкретных задач могут потребоваться несколько дополняющих друг друга методов, а их последовательность зависит ох характера конкретной задачи. Наиболее применимы комбинации методов в медицине, астрономии, полиграфии, судебной медицине, микроскопии, системах слежения, а также во многих других областях, где главной целью улучшения является получение изображения с более высоким содержанием видимых деталей [5].
Область обработки и улучшения изображений динамично развивается. Необходимо искать все более эффективные и простые в применении методы. Однако представленные в этой статье способы являются фундаментальными, позволяющими дать мощный старт для бурного развития этой области.
Список литературы:
- Гонсалес Р., Вудс Р. Цифровая обработка сигналов //М.: Техносфера. – 2005.
- Смит С. Цифровая обработка сигналов. – М. : Додэка-XXI, 2008.
- Белоусов А. А., Спицын В. Г. Двухэтапный метод улучшения изображений. – 2009.
- Gonzalez R. C., Woods R. E., Eddins S. L. Digital image processing using MATLAB. – Pearson Education India, 2014.
- Tao L., Asari V. K. An efficient illuminance-reflectance nonlinear video stream enhancement model //Electronic Imaging 2006. – International Society for Optics and Photonics, 2016. – С. 60630I-60630I-12.
Комментарии:
