Procesarea Imaginilor Si Computer Vision 2003 [PDF]

Zitiervorschau

IMBUNATATIREA IMAGINILOR 1.Ajustarea contrastului Unul din cele mai intalnite defecte ale imaginilor fotografice sau electronice este lipsa de contrast, rezultat in urma unei reduceri, poate neliniare a intervalului de amplitudine a imaginii. Contrastul poate fi cel mai des imbunatatit prin rescalarea amplitudinii fiecarui pixel.Exista o functie de transfer pentru imbunatatirea contrastului a unei imagini tipice de contrast scazut si amplitudine continua.Pentru imagini cu amplitudine continua functia de transfer poate fi implementata prin tehnici fotografice ,dar este dificil de gasit o functie corecta.Pentru imagini cu amplitudine cuantizata implementarea unei functii de transfer este relativ simpla. Sa presupunem ca imaginea originala este una cuantizata in N nivele , dar ocupa un interval mai mic.Imaginea finala este restrictionata de a avea N nivele iar converisa este liniara. In strategia de converise din figura , nivelul de iesire ales este nivelul cel mai apropiat de nivelul de intrare ce trebuie convertit.Este clar ce imaginea de iesire nu va avea toate nivelele din intervalul sau si anumite tranzitii de nivel de gri vor fi mai mari decat in imaginea originala. In urma acestei procesari poate rezulta un efect de conturare in nivele de gri.Daca imaginea finala este cuantizata in mai multe nivele decat imaginea originala , este posibila o liniarizare a nivelelor de iesire si deci o descrestere a efectului de conturare in nivele de gri.

2.Scalarea amplitudinii O imagine procesata numeric poate ocupa un interval diferit de intervalul imaginii originale. De fapt, intervalul numeric al unei imagini procesate poate cuprinde valori negative, care nu pot fi transferate direct in intervale ale intensitatii luminoase.

In figurile anterioare sunt prezentate unele posibilitati de scalare a unei imagini procesate in domeniul de valori ocupate de imaginea originala.Folosind prima

tehnica imaginea rezultata este transformata liniar in intreg domeniul de intrare .Cea de a doua tehnica transforma valorile extreme ale amplitudinii imaginii rezultate in limitele maxime si minime originale. Algoritmii de imbunatatire a contrastului au o optiune de taiere a unui procent din valoriile amplitudinii in fiecare capat al intervalului de aplitudine.Cea de a treia tehnica de scalare a amplitudinii utilizeaza o transformare a valorii absolute pentru a vizualiza o imagine cu valori negative ale pixelilor .

3.Modificarea de contrast In aceasta sectiune atentia va fi indreptata spre transformari punctuale ce ajusteaza contrastul unei imagini imagini in intervalul afisabil.

4.Modificarea de histograma Histograma de luminanta a unei imagini naturale ce a fost cuantificata linear contine de obicei considerabil mai mule nivele intunecate;majoritatea pixelilor din imagine au o luminanta sub medie.In astfel de imagini detaliile din regiunile intunecate nu sunt deloc perceptibile. Un mijloc de a imbunatatii aceste tipuri de imagine este tehnica numiat „modificare de histograma”, in care imaginea originala rescalata in asa fel incat histograma imaginii imbunatatite urmeaza o forma dorita.Andrew, Hall si altii au produs imagini imbunataite printr-un proces de egalizare a histogramei ,in care histograma imaginii multiplicate e fortata sa fie uniforma.

5.Modificarea neadaptiva a histogramei 6.Modificarea adaptiva a histogramei CURATIREA ZGOMOTULUI 7.Metode liniare de indepartare a zgomotului Zgomotul adaugat la o imagine are in general un spectru mai larg de frecventa decat componentele normale ale imaginii din cauza decorelarii sale spatiale.De aici rezulta ca filtrarea „trece jos” simpla poate fi eficienta in indepartarea zgomotului .De aceea , ne vom indrepta atentia spre convolutie si metodele din domeniul Fourier de indepartare a zgomotului. Procesare Fourier Este posibila indepartarea zgomotului linear in domeniul Fourier .Experienta arata ca daca sunt bine executate, nu este nici o diferenta intre convolutie si filtrarea fourier .Alegerea e o problema de consideratii de implementare.Totusi ,Procesarea Fourier spre deosebire de convolutie ofera o perspectiva cantitativa si intuitiva asupra naturii zgomotului,fiind folositoare in proiectarea de filtre spatiale de indepartare a zgomotului.Efectele zgomotoase de inalta frecventa pot fi reduse de filtrarea Fourier , folosind un filtru local trece jos , cu o functie locala definita.

Procesarea din domeniul spatial prezentata la subiectul 8. Filtrare homomorfa prezentata la subiectul 9.

8.Procesarea din domeniul spatial O imagine filtrata spatiala poate fi obtinuta prin convolutia discreta

9.Filtrate homomorfa Filtrarea homomorfa este o tehnica folositoare pentru imbunatatirea imaginii atunci cand este supusa zgomotului sau unei interferente.Imaginea de intre se presupune a fi rezultatul ca produs al unei imagini fara zgomot si a unei matrici de interferenta a iluminarii.Imaginea de intrare se logaritmeaza, apoi se pot aplica tehnicile de filtrare liniara conventionala pentru a reduce componenta logaritmica de interferenta .Apoi exponentierea dupa filtrarea liniara completeaza procesul de imbunataire.Filtrarea homografica compenseaza iluminarea neuniforma.

10.Tehnica Outlier 11.Filtru median 12.Filtru pseudomedian ACCENTUAREA CONTURURILOR 13.Accentuarea liniara a marginilor Accentuarea marginilor poate fi efectuata printr o convolutie discreta,folosindu-se o matrice de tipul unui filtru „trece-sus”.Mastile cele mai comune de tip „trece-sus” si marime 3x3.Aceste masti au proprietatea ca suma elementelor lor este unitara, astfel incat sa evite modificari de amplitudine in imaginea procesata.Pentru a obtine accentuarea marginilor imaginilor scanate ,semnalul scanerului poate fi trecut printr un filtru avand o caracteristica de frecventa trece sus.O alta posibilitate pentru imaginile scanate este tehnica numita „unsharp masking”.In acest proces imaginea este scanata cu doua deschideri ce se intrepatrund, una cu rezolutie normala ,iar alta cu o rezolutie de nivel scazut, care dupa digitizare duce la formarea unei imagini normale si a uneia de rezolutie scazuta.

14. Diferentierea statistica O alta forma de accentuare a marginilor este numita diferentiere statistica si ea implica generarea unei imagini prin impartirea valorii fiecarui pixel la deviatia sa standard.Imaginea imbunatatita creste in amplitudine in raport cu originalul, la acei pixeli care deviaza semnificativ fata de punctele invecinate si descreste relativ in amplitudine in celelalte parti.Acest proces este analog cu controlul automat al castigului unui semnal auido.

DETECTIA DE CONTUR 15.Metode de detectie ce utilizeaza derivate de ordinul intai

16. Metode de detectie ce utilizeaza derivate de ordinul al doilea 17. Detectia de contur bazata pe filtru Gabor 18.Urmarirea unui contur 19.Transformata Hough pentru linii 20. Transformata Hough pentru cercuri SEGMENTARE 21.Fixarea pragului de binarizare Binarizarea nivelelor de gri sete cel mai simplu proces de segmentare.Aceasta datorita faptului ca multe obiecte sau regiuni ale imaginii sunt caracterizate de reflectivitate sau absorbtie a luminii constanta.Pentru a segmenta obiectele de fundal trebuie determinata o constanta a luminozitatii sau prag.Binarizarea prin fixaea pragului este o operatie putin costisitoare din punct de vedere al calculelor sau a vitzei, ea fiind una din cele mai vechi metode de segmentare si inca pe larg utilizata.O segmentare completa a unei imagini I este o multime finita de regiuni R₁,....,Rs.Binarizarea este operaia de transformare a unei imagini de intrare f intr-o imagine de iesire binara g(segmentata) dupa cum urmeaza: g(i,j)=1 pentru f(i,j)≥T 0 pentru f(i,j)≤T, unde T este pragul , g(i,j)=1 pentru elementele imaginii ce apartin obiectelor si g(i,j)=0 pentru elementele imaginii ce apartin fundalului

22.Praguri multiple de binarizare In marea majoritatii cazurilor imaginea este impartita in 3 clase de regiuni ,ceea ce implica gasirea a doua praguri T₁ si T₂ astfel incat pixelul din imaginea originala ca fi clasificat intr-una din cele 3 calse astfel: g(i,j)= t₁ pentru f(i,j)≤T;t₂ pentru T₁T₂; Determinarea valorilor pragurilor T₁ si T₂ se face astel:se determina histograma imaginii;se determina valoarea de prag T;se calculeaza n ca fiind numarul de pixeli din conturul regiunii obtinut prin fixarea pragului la valoarea T;se obtine T₁ si T₂

23.Metode adaptive de binarizare

Criteriul corelatiei maxime(MMC)-Ideea folosirii corelatiei C(s) in locul entropiei E(s) provine din teoriile haosului si ale fractalilor.In teoria fractalilor , ambele dimensiuni (ale entropiei si corelatiei) sunt folosite pentru reprezentarea imaginii si modelarea de obiecte reale.Utilizarea ei in locul entropiei prezinta avantajul reducerii complexitatii calculelor. Criteriul entropiei maxime este prerzentat la subiectul 24.

24.Criteriul entropiei maxime Sa consideram o imagine f(x,y)cu dimensiunile NxN pixeli si avand m nivele de gri.Fie Gm={0,1,....,(m-1)} multimea nivelelor de gri observate in imagine.Probabilitatea nivelului de gri i in imaginea f poate fi calculata astfel: Pi=

,i apartine Gm,

Astfel se poate obtine distributia pentru un nivel de gri s dat(cele 2 distributii A si B duma normalizare).Ideea ce sta la baza criteriului entropiei maxime este alegerea pragului astfel incat cantitatea totala de informatie obtiunta din obiect si din fundal sa fie maximizata.In cazul de fata aceasta informatie este masurata pe baza entropiei asociate fiecarei din cele doua distributii A,B.

25.Watershed Morfologia matematica utilizeaza algoritmul watershed in scopul segmentarii.Ideea de baza a algoritmului watershed este atribuirea unei zone de influenta fiecarei minime regionale a unei imagini.Se defineste watreshed-ul ca fiind marginile acestor zone de influenta. Algoritmul clasic de calcul al watershed-ului consta in indundarea bazinelor existente in imagine si memorarea punctelor de contact dintre doua bazine diferite.In cazul in care acest contact se realizeaza pe un platou, se foloseste linia geodezica a acelui platou.In acest fel watershed-ul va avea grosimea de o unitate.Metoda watershed prodeuce o suprasegmentare a imaginii cu toate ca toate contururile obtinute sun corecte.Problema principala este alegerea contururilor corecte.

26.Contururi active Contururile active sau snakes au fost definite ca fiind functii spline ce minimizeaza o energie.Energia snake-ului depinde de forma sa si de pozitia sa in imagine.Minimele locale ale acestei energii vor corespunde proprietatiilor dorite in imagine.Snake-ul poate fi vazut ca si un caz deosebit al tehnicii mai generale de potrivire al unui model deformabil unei imagini,prin minimizarea energiei.Snake-ul nu rezolva singur intreaga problema a determinarii contururilor dintr-o imagine,ci mai degraba,se bazeaza pe alte mecanisme, cum ar fi ,interactiunea cu utilizatorul,cu alte procese de nivel mai inalt , sau informatiile estrase din imagini adiacente in timp sau spatiu. Aceasta interactiune presupune specificarea unei forme aproximative si a unei pozitii de start pentru conturul activ,undeva in apropierea conturuilui dorit a fi determinat. Informatia

a priori este utilizata pentru a impinge snake-ul inspre solutia dorita.Spre deosebire de alte metode,snake-ul este activ, incercand in continuu sa isi minimizeze energia si deci avand un comportament dinamic.Functia energie ce se urmareste a fi minimizata este o combinatie ponderata intre fortele interne si externe ce actioneaza asupra conturului activ.

27.Divizarea si uniunea regiunilor O combinatie dintre divizarea si uniunea regiunilor (split and merge) poate oferi avantajele evidente ale celor doua metode.Aceste tehnici folosesc reprezentari piramidale ale imaginii, in care regiunile au forme patrate si corespund elementelor din structura piramidala.Daca o regiune de pe orice nivel al piramidei nu este omogena este impartita in patru subregiuni acestea fiinf elemente ale nivelului superior.Daca 4 regiuni de pe orice nivel al piramidei au aproximativ aceeasi valoare a omogenitatii,ele sunt reunite intr-o singura regiune, pe un nivel superior.Algoritmul „split and merge”: 1.se defineste o segmentare initiala in regiuni, un criteriu de omogenitate si o structura de date piramidala. 2.daca o regiune R din structura piramidala nu este omogena se divide in 4 regiuni copil;daca exista 4 regiuni copil avand acelasi parinte ele pot fi unite intr-o singura regiune omogena.Daca nici o regiune n poate fi divizata sau unita se trece la pasul 3. 3.Daca exista doua regiuni adiacente R1 si R2 ele se unesc daca indeplinesc conditiile de omogenitate. 4.Se unesc regiunile de dimensiuni mici cu cele mai asemanatoare regiuni adiacente ,daca este necesar.

28.Region Growing Ideea de baza a metodei cresterii regiunilor pentru segmentarea imaginilor este una simpla. Se porneste de la un pixel sau un grup de pixeli si se examineaza toti pixelii vecini ai acestora.Daca unul dintre acestia indeplineste un anumit criteriu, este adaugat grupului depixeli deja format.Acest proces este continuat pana cand nu se mai aduga pixeli in grupul respectiv, deci pana cand a fost identificata o regiune.Problema majora este definirea criteriului de omogenitate si faptul ca acese proceduri sunt recursive.Recursivitatea poate necesita surse din partea sistemului de calcul. O alta metode consta in impartirea imaginii intr-un numar de regiuni dreptunghiulare ,de marime astfel aleasa incat sa poata cuprinde detaliile din imagine.Pentru fiecare astfel de regiune se foloseste un pixel de start de la care porneste cresterea.Dupa identificarea regiunii , acestei a i se atribuie valoarea medie a nivelelor de gri din regiune.In acest fel,chiar daca o anumita zona uniforma a fost impartita initial in mai multe zone dreptunghiulare, in urma cresterii regiunilor si identifiacrea lor cu un anumit nivel de gri, intregul obiect va fi reintregit.

29.Transformata Ahuja Pentru fiecare pixel din imagine, transformarea analizeaza intensitatiile pixelilor aflati in vecinatatea acestuia si produce un vector de forta.Transformata calculeaza pentru fiecare pixel un vector suma a afinitatiilor perchi dintre pixel si ceilalti pixeli din vecinatate.Vectorul rezultant al transformatei pentru fiecare pixel,defineste atat directia cat si amplitudinea atractiei pixelului fata de restul imaginii.Afinitatea dintre o pereche de pixeli ese determinata de factorii de scara.Factorul spatial controleaza functia distanta spatiala, iar parametrul de omogenitate, functia omogena de distanta .

FLUXUL OPTIC 30.Block matching Metoda block matching este general aplicabila unei regiuni rectangulare a carei dimensiune a fost dinainte fixata.Se defineste o suprafata de cautare pentru vectorul de deplasare.Fie ea: |u|≤∆h si |v|≤∆v.Ca o regula generala, vectorii de deplasare acceptabili sunt multiplii intregi ai perioadei de esantionare spatiale sau a unei jumatati de perioada.Daca dimensiunea blocului este de K linii si L coloane,marimea suprafetei de cautare este (K+2∆h)(L+2∆v).Numarul de deplasari posibile in acest caz este de (2∆h+1)(2∆v+1).Dupa definirea suprafetei de cautare trebuie stabilit criteriul ce trbuie optimizat.Criteriul cel mai frecvent utilizat este media valorii absolute a diferentei dintre cadrele deplasate sau media patratelor diferentelor cadrelor deplasate sau valoarea normalizata a mediei patratelor diferentelor cadrelor deplasate.