Menyamakan histogram untuk meningkatkan kualitas gambar. Deep Learning Pemrosesan Gambar Dasar untuk Pemrosesan Gambar

Dengan semua transformasi elemen demi elemen, hukum distribusi probabilitas yang menjelaskan gambar berubah. Mari kita pertimbangkan mekanisme perubahan ini menggunakan contoh transformasi sewenang-wenang dengan karakteristik monotonik yang dijelaskan oleh fungsi (Gambar 2.8) dengan fungsi invers bernilai tunggal. Misalkan variabel acak mengikuti kepadatan probabilitas. Membiarkan menjadi interval kecil sembarang nilai dari variabel acak, dan menjadi interval yang sesuai dari variabel acak yang ditransformasikan.

Nilai yang jatuh ke dalam interval memerlukan nilai yang jatuh ke dalam interval, yang berarti kesetaraan probabilistik dari dua peristiwa ini. Oleh karena itu, dengan mempertimbangkan kecilnya kedua interval, kita dapat menulis persamaan perkiraan:

,

di mana modul memperhitungkan ketergantungan probabilitas pada panjang mutlak interval (dan kemerdekaan dari tanda-tanda kenaikan dan). Menghitung dari ini kepadatan probabilitas dari kuantitas yang diubah, menggantikan ekspresinya melalui fungsi invers dan melakukan perjalanan ke batas di (dan, oleh karena itu,), kami memperoleh:

. (2.4)

Ekspresi ini memungkinkan Anda untuk menghitung kepadatan probabilitas produk transformasi, yang, seperti dapat dilihat darinya, tidak sesuai dengan kepadatan distribusi variabel acak asli. Jelas bahwa transformasi yang dilakukan memiliki pengaruh yang signifikan terhadap massa jenis, karena (2.4) meliputi fungsi invers dan turunannya.

Hubungan menjadi agak lebih kompleks jika transformasi dijelaskan oleh fungsi non-satu-ke-satu. Contoh dari karakteristik yang lebih kompleks dengan fungsi invers yang ambigu adalah karakteristik gigi gergaji pada Gambar. 2.4, K. Namun, secara umum makna transformasi probabilistik tidak berubah dalam hal ini.

Semua transformasi elemen demi elemen gambar yang dibahas dalam bab ini dapat dianggap dari sudut pandang perubahan kepadatan probabilitas yang dijelaskan oleh ekspresi (2.4). Jelas, di bawah tidak satu pun dari mereka, kepadatan probabilitas produk keluaran tidak akan sesuai dengan kepadatan probabilitas gambar asli (kecuali, tentu saja, transformasi sepele). Sangat mudah untuk memverifikasi bahwa dengan kontras linier, bentuk kepadatan probabilitas dipertahankan, namun, dalam kasus umum, yaitu, untuk nilai arbitrer dari parameter transformasi linier, parameter kepadatan probabilitas dari gambar yang diubah berubah.

Penentuan karakteristik probabilistik gambar yang telah melewati pemrosesan nonlinier merupakan tugas analisis langsung. Saat memecahkan masalah praktis pemrosesan citra, masalah terbalik dapat diajukan: dengan bentuk yang diketahui dari kepadatan probabilitas dan bentuk yang diinginkan, tentukan transformasi yang diperlukan yang menjadi sasaran citra asli. Dalam praktek pengolahan citra digital, transformasi citra menjadi distribusi yang dapat dipersiapkan seringkali memberikan hasil yang bermanfaat. Pada kasus ini

di mana dan merupakan nilai kecerahan minimum dan maksimum dari gambar yang dikonversi. Mari kita tentukan karakteristik konverter yang menyelesaikan masalah ini. Membiarkan dan dihubungkan oleh fungsi (2.2), dan dan merupakan hukum integral distribusi besaran masukan dan keluaran. Dengan mempertimbangkan (2.5), kami menemukan:

.

Mengganti ungkapan ini ke dalam kondisi kesetaraan probabilistik

setelah transformasi sederhana kita mendapatkan relasinya

yang merupakan karakteristik (2.2) dalam masalah yang sedang dipecahkan. Menurut (2.6), citra asli mengalami transformasi nonlinier yang sifatnya ditentukan oleh hukum sebaran integral dari citra asli itu sendiri. Setelah itu, hasilnya dibawa ke rentang dinamis yang ditentukan menggunakan operasi kontras linier.

Demikian pula, solusi dapat diperoleh untuk masalah serupa lainnya di mana diperlukan untuk membawa hukum distribusi gambar ke bentuk tertentu. Dalam tabel konversi tersebut diberikan. Salah satunya, yang disebut hiperbolisasi distribusi, melibatkan pengurangan kepadatan probabilitas gambar yang diubah menjadi bentuk hiperbolik:

(2.7)

Jika kita memperhitungkan bahwa ketika cahaya melewati mata, kecerahan input adalah logaritma oleh retina, maka kepadatan probabilitas akhir menjadi seragam. Dengan demikian, perbedaan dari contoh sebelumnya terletak pada sifat fisiologis penglihatan. Dapat ditunjukkan bahwa citra dengan kerapatan probabilitas (2,7) diperoleh pada keluaran berupa elemen nonlinier dengan karakteristik

juga ditentukan oleh hukum distribusi integral dari gambar asli.

Dengan demikian, transformasi kepadatan probabilitas mengasumsikan pengetahuan tentang distribusi kumulatif untuk citra asli. Biasanya, tidak ada informasi yang dapat dipercaya tentang dia. Penggunaan pendekatan analitik untuk tujuan yang dipertimbangkan juga tidak banyak gunanya, karena penyimpangan kecil mereka dari distribusi sebenarnya dapat menyebabkan perbedaan hasil yang signifikan dari yang diperlukan. Oleh karena itu, dalam praktik pengolahan citra, transformasi distribusi dilakukan dalam dua tahap.

Tahap pertama dilakukan pengukuran histogram citra asli. Untuk citra digital, skala abu-abu yang, misalnya, termasuk dalam rentang integer 0 ... 255, histogram adalah tabel 256 angka. Masing-masing menunjukkan jumlah titik dalam bingkai dengan kecerahan tertentu. Dengan membagi semua angka dalam tabel ini dengan ukuran sampel total yang sama dengan jumlah titik gambar yang digunakan, diperoleh perkiraan distribusi probabilitas kecerahan gambar. Kami menunjukkan perkiraan ini ... Kemudian estimasi distribusi kumulatif diperoleh dengan rumus:

.

Pada tahap kedua, transformasi nonlinier (2.2) itu sendiri dilakukan, yang menyediakan properti yang diperlukan dari citra keluaran. Dalam hal ini, alih-alih distribusi kumulatif sebenarnya yang tidak diketahui, yang digunakan adalah estimasi berdasarkan histogram. Dengan pemikiran ini, semua metode transformasi elemen-demi-elemen gambar, yang tujuannya adalah untuk memodifikasi hukum distribusi, disebut metode histogram. Secara khusus, transformasi di mana citra keluaran memiliki distribusi seragam disebut pemerataan (ekualisasi) histogram.

Perhatikan bahwa prosedur transformasi histogram dapat diterapkan pada gambar secara keseluruhan dan pada masing-masing fragmen. Yang terakhir ini dapat berguna saat memproses gambar non-stasioner, yang isinya sangat berbeda dalam karakteristiknya di area yang berbeda. Dalam hal ini, efek terbaik dapat dicapai dengan menerapkan pemrosesan histogram ke area individu.

Penggunaan relasi (2.4) - (2.8), yang valid untuk gambar dengan distribusi kecerahan yang berkelanjutan, tidak sepenuhnya benar untuk gambar digital. Perlu diingat bahwa sebagai hasil pengolahan tidak mungkin didapatkan distribusi probabilitas yang ideal dari citra keluaran, oleh karena itu histogramnya perlu dikendalikan.

Gambar 2.9 menunjukkan contoh pemerataan yang dilakukan sesuai dengan metode yang dijelaskan. Ciri khas dari banyak gambar yang diperoleh dalam sistem pencitraan nyata adalah proporsi area gelap yang signifikan dan sejumlah kecil area dengan kecerahan tinggi. Pemerataan dirancang untuk mengoreksi gambar dengan meratakan area integral area dengan kecerahan berbeda. Perbandingan citra awal (Gambar 2.9.a) dan yang diproses (Gambar 2.9.b) menunjukkan bahwa redistribusi kecerahan yang terjadi selama pemrosesan mengarah pada peningkatan persepsi visual.

Ada tiga metode utama untuk meningkatkan kontras gambar:

• peregangan linier dari histogram (kontras linier),
• normalisasi histogram,
• pemerataan (linierisasi atau pemerataan) dari histogram.

Peregangan linier dikurangi untuk menetapkan nilai intensitas baru ke setiap piksel gambar. Jika intensitas gambar asli berubah dalam rentang dari menjadi, maka perlu "merentangkan" rentang yang ditentukan secara linier sehingga nilainya berubah dari 0 menjadi 255. Untuk melakukan ini, cukup menghitung ulang nilai intensitas lama untuk semua piksel sesuai dengan rumus, di mana koefisien hanya dihitung berdasarkan bahwa batasnya harus 0, dan - ke 255.

Normalisasi histogram Berbeda dengan metode sebelumnya, metode ini tidak meregangkan seluruh rentang variasi intensitas, tetapi hanya bagiannya yang paling informatif. Bagian informatif adalah sekumpulan puncak histogram, yaitu intensitas yang paling umum pada gambar. Tempat sampah yang berhubungan dengan intensitas langka dibuang selama proses normalisasi, kemudian dilakukan peregangan linier biasa dari histogram yang dihasilkan.

Penjajaran diagram batang adalah salah satu metode yang paling umum. Tujuan pemerataan adalah untuk memastikan bahwa semua tingkat kecerahan memiliki frekuensi yang sama, dan histogram sesuai dengan hukum distribusi yang seragam. Katakanlah Anda memiliki gambar grayscale yang memiliki resolusi piksel. Jumlah tingkat kuantisasi kecerahan piksel (jumlah nampan) adalah. Kemudian, secara rata-rata, untuk setiap tingkat kecerahan, piksel. Matematika dasar terletak pada perbandingan dua distribusi. Biarkan - variabel acak yang menggambarkan perubahan intensitas piksel pada gambar, - kepadatan distribusi intensitas pada gambar asli, - kepadatan distribusi yang diinginkan. Penting untuk menemukan transformasi kepadatan distribusi, yang akan memungkinkan diperolehnya kepadatan yang diinginkan:

Mari kita nyatakan oleh hukum integral distribusi variabel acak dan. Dari kondisi kesetaraan probabilistik berikut itu ... Mari kita tuliskan hukum distribusi integral menurut definisi:

Dari sini kita mendapatkan itu

Masih mencari cara untuk memperkirakan hukum distribusi integral. Untuk melakukan ini, Anda harus membuat histogram dari gambar asli terlebih dahulu, kemudian menormalkan histogram yang dihasilkan dengan membagi nilai setiap bin dengan jumlah total piksel. Nilai bin dapat dianggap sebagai nilai perkiraan dari fungsi kerapatan distribusi. Dengan demikian, nilai fungsi distribusi kumulatif dapat direpresentasikan sebagai penjumlahan dari bentuk berikut:

Perkiraan yang dibangun dapat digunakan untuk menghitung nilai intensitas baru. Perhatikan bahwa transformasi histogram di atas dapat diterapkan tidak hanya ke seluruh gambar, tetapi juga ke bagian individualnya.

Pustaka OpenCV mengimplementasikan fungsi equalizeHist, yang meningkatkan kontras gambar dengan meratakan histogram [,]. Prototipe fungsi ditunjukkan di bawah ini.

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

Fungsinya bekerja dalam empat tahap:

Di bawah ini adalah contoh program yang meratakan histogram. Aplikasi mengambil nama gambar asli sebagai argumen baris perintah. Setelah melakukan operasi ekualisasi histogram, gambar asli ditampilkan 1 Gambar yang digunakan berasal dari database PASACL VOC 2007. dikonversi ke grayscale (Gambar 7.11, kiri), dan gambar histogram sejajar (Gambar 7.11, kanan).

#include #include menggunakan namespace cv; const char helper \u003d "Sample_equalizeHist.exe \\ n \\ \\ t - nama file gambar \\ n "; int main (int argc, char * argv) (const char * initialWinName \u003d" Gambar Awal ", * equalizedWinName \u003d" Gambar yang Disamakan "; Mat img, greyImg, equalizedImg; if (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; }

Halo. Sekarang saya dan pembimbing ilmiah sedang mempersiapkan sebuah monograf untuk dipublikasikan, di mana kami mencoba menjelaskan dengan kata-kata sederhana tentang dasar-dasar pengolahan citra digital. Artikel ini mengungkapkan teknik yang sangat sederhana, tetapi pada saat yang sama sangat efektif untuk meningkatkan kualitas gambar - pemerataan histogram.

Untuk kesederhanaan, mari kita mulai dengan gambar monokrom (yaitu gambar yang berisi informasi hanya tentang kecerahan, tetapi bukan tentang warna piksel). Histogram gambar adalah fungsi diskrit H yang ditentukan pada sekumpulan nilai, di mana bpp adalah jumlah bit yang dialokasikan untuk menyandikan kecerahan satu piksel. Meskipun tidak diperlukan, histogram sering dinormalisasi ke kisaran dengan membagi setiap nilai fungsi H [i] dengan jumlah total piksel dalam gambar. Meja. 1 menunjukkan contoh gambar uji dan histogram yang dibangun atas dasar mereka:
Tab. 1. Gambar dan histogramnya

Setelah mempelajari histogram yang sesuai dengan cermat, Anda dapat menarik beberapa kesimpulan tentang gambar asli itu sendiri. Misalnya, histogram dari gambar yang sangat gelap dicirikan oleh fakta bahwa nilai bukan nol dari histogram terkonsentrasi di dekat tingkat kecerahan nol, sedangkan untuk gambar yang sangat terang, sebaliknya, semua nilai bukan nol terkonsentrasi di sisi kanan histogram.
Secara intuitif, kita dapat menyimpulkan bahwa yang paling nyaman untuk persepsi manusia adalah gambar di mana histogram mendekati distribusi seragam. Itu. untuk meningkatkan kualitas visual, transformasi harus diterapkan pada gambar sehingga histogram hasil berisi semua kemungkinan nilai kecerahan dan, pada saat yang sama, dalam jumlah yang kurang lebih sama. Transformasi ini disebut pemerataan histogram dan dapat dilakukan dengan kode pada Kode 1.
Kode 1. Pelaksanaan prosedur pemerataan histogram

1. prosedur TCGrayscaleImage. HistogramEqualization;
2. const
3. k \u003d 255;
4. h: larik [0 .. k] ganda;
5. i, j: kata;
6. mulai
7. untuk i: \u003d 0 untuk k lakukan
8. h [i]: \u003d 0;
9. h [bulat (k * diri. Piksel [i, j])]: \u003d h [bulat (k * diri. Piksel [i, j])] + 1;
10. untuk i: \u003d 0 untuk k lakukan
11. h [i]: \u003d h [i] / (diri. Tinggi * lebar diri);
12. untuk i: \u003d 1 ke k lakukan
13. h [i]: \u003d h [i - 1] + h [i];
14. untuk i: \u003d 0 untuk diri sendiri. Tinggi - 1 do
15. untuk j: \u003d 0 untuk diri sendiri. Lebar - 1 do
16. diri. Piksel [i, j]: \u003d h [bulat (k * diri. Piksel [i, j])];
17. akhir;

Sebagai hasil dari pemerataan histogram, dalam banyak kasus, rentang dinamis gambar diperluas secara signifikan, yang memungkinkan untuk menampilkan detail yang sebelumnya tidak terlihat. Efek ini terutama terlihat pada gambar gelap, seperti yang ditunjukkan pada Tabel. 2. Selain itu, perlu diperhatikan satu lagi fitur penting dari prosedur ekualisasi: tidak seperti kebanyakan filter dan transformasi gradasi, yang memerlukan penyesuaian parameter (konstanta transformasi apertur dan gradasi), ekualisasi histogram dapat dilakukan dalam mode otomatis penuh tanpa campur tangan operator.
Tab. 2. Gambar dan histogramnya setelah pemerataan


Anda dapat dengan mudah melihat bahwa histogram setelah pemerataan memiliki semacam jeda yang terlihat. Hal ini disebabkan oleh fakta bahwa rentang dinamis gambar keluaran lebih lebar daripada rentang aslinya. Jelas, dalam kasus ini, pemetaan yang ditunjukkan pada Daftar 1 tidak dapat memberikan nilai bukan nol di semua kantong histogram. Namun, jika tampilan histogram keluaran perlu mendapatkan tampilan yang lebih alami, Anda dapat menggunakan distribusi acak dari nilai kantong ke-i histogram di beberapa sekitarnya.
Tentunya, pemerataan histogram memudahkan untuk meningkatkan kualitas gambar monokrom. Secara alami, saya ingin menerapkan mekanisme serupa pada gambar berwarna.
Sebagian besar pengembang yang tidak berpengalaman menyajikan gambar sebagai tiga saluran warna RGB dan mencoba menerapkan prosedur pemerataan histogram ke setiap saluran warna secara terpisah. Dalam beberapa kasus yang jarang terjadi, ini bisa berhasil, tetapi dalam banyak kasus hasilnya tidak begitu-begitu (warnanya tidak alami dan dingin). Ini karena model RGB tidak secara akurat mewakili persepsi warna manusia.
Mari ingat ruang warna lain - HSI. Model warna ini (dan lainnya yang terkait dengannya) sangat banyak digunakan oleh ilustrator dan desainer karena memungkinkan untuk beroperasi dengan konsep nada warna, saturasi, dan intensitas yang lebih dikenal.
Jika kami mempertimbangkan proyeksi kubus RGB ke arah diagonal putih-hitam, kami mendapatkan segi enam, yang sudutnya sesuai dengan warna primer dan sekunder, dan semua bayangan abu-abu (terletak di diagonal kubus) diproyeksikan ke titik pusat segi enam (lihat Gambar 1):

Angka: 1. Proyeksi kubus warna
Untuk menggunakan model ini untuk menyandikan semua warna yang tersedia dalam model RGB, Anda harus menambahkan sumbu vertikal kecerahan (atau intensitas) (I). Hasilnya adalah kerucut heksagonal (Gbr. 2, Gbr. 3):


Angka: 2. Piramida HSI (puncak)
Dalam model ini, hue (H) ditentukan oleh sudut relatif terhadap sumbu merah, saturasi (S) mencirikan kemurnian warna (1 berarti warna murni sepenuhnya, dan 0 berarti bayangan abu-abu). Pada saturasi nol, rona tidak berarti dan tidak terdefinisi.


Angka: 3. Piramida HSI
Meja. Gambar 3 menunjukkan dekomposisi gambar menjadi komponen HSI (piksel putih di saluran nada sesuai dengan saturasi nol):
Tab. 3. Ruang warna HSI


Diyakini bahwa untuk meningkatkan kualitas gambar berwarna, paling efektif adalah menerapkan ekualisasi pada saluran intensitas. Inilah yang ditunjukkan pada Tabel. 4
Tab. 4. Persamaan berbagai saluran warna


Saya harap materi ini bagi Anda setidaknya menarik, berguna mungkin. Terima kasih.

Lakukan pemrosesan gambar, visualisasi dan analisis

Image Processing Toolbox ™ menyediakan satu set lengkap algoritma standar referensi dan aplikasi alur kerja untuk pemrosesan gambar, analisis, visualisasi, dan pengembangan algoritma. Anda dapat melakukan segmentasi gambar, peningkatan gambar, pengurangan noise, transformasi geometris, dan registrasi tampilan menggunakan pembelajaran mendalam dan teknik pemrosesan gambar tradisional. Mendukung pemrosesan kotak alat gambar 2D, 3D, dan sewenang-wenang.

Aplikasi Image Processing Toolbox memungkinkan Anda untuk mengotomatiskan alur kerja pemrosesan gambar yang umum. Anda dapat menyegmentasikan data gambar secara interaktif, membandingkan metode pendaftaran gambar, dan memproses kumpulan data besar. Fungsi dan aplikasi visualisasi memungkinkan Anda menjelajahi gambar, volume 3D, dan video; sesuaikan kontras; membuat histogram; dan mengelola area yang terlihat (RAJA).

Anda dapat mempercepat algoritme Anda dengan menjalankannya pada prosesor dan GPU multi-core. Banyak fungsi kotak alat mendukung pembuatan kode C / C ++ untuk penyebaran visi komputer dan analisis prototipe.

Awal pekerjaan

Pelajari dasar-dasar Image Processing Toolbox

Impor, ekspor, dan transformasi

Impor dan ekspor data gambar, konversi jenis dan kelas gambar

Tampilan dan Eksplorasi

Alat pencitraan dan eksplorasi interaktif

Transformasi geometris dan registrasi gambar

Skala, putar, lakukan transformasi N-D lainnya, dan sejajarkan gambar menggunakan korelasi intensitas, kecocokan fungsi, atau tampilan titik kontrol

Tampilan pemfilteran dan peningkatan

Penyesuaian kontras, pemfilteran morfologis, deblurring, pemrosesan berbasis ROI

Segmentasi tampilan dan analisis

Analisis area, analisis struktur, piksel dan statistik gambar

Pembelajaran Mendalam untuk Pemrosesan Gambar

Lakukan tugas pemrosesan gambar seperti menghilangkan noise gambar dan menghasilkan gambar resolusi tinggi dari gambar resolusi rendah menggunakan jaringan saraf konvolusional (memerlukan Deep Learning Toolbox ™),

Pemrosesan awal gambar- proses peningkatan kualitas gambar, yang bertujuan untuk mendapatkan, berdasarkan aslinya, paling akurat dan disesuaikan untuk analisis otomatis gambar.

Di antara cacat gambar digital, jenis berikut dapat dibedakan:

• Kebisingan digital
• Cacat warna (kecerahan dan kontras tidak memadai atau berlebihan, nada warna salah)
• Buram (pengaburan)

Metode preprocessing gambar bergantung pada tujuan penelitian dan dapat mencakup jenis pekerjaan berikut:

Memfilter gambar berisik

Noise gambar digital- cacat gambar yang disebabkan oleh fotosensor dan elektronik perangkat yang menggunakannya. Untuk menekannya, metode berikut digunakan:

Rata-rata poin linieroleh tetangga - jenis algoritma penghilang derau yang paling sederhana. Ide utama mereka adalah mengambil rata-rata aritmatika poin di beberapa lingkungan sebagai nilai poin baru.

Secara fisik, pemfilteran tersebut diimplementasikan dengan melintasi piksel gambar dengan matriks konvolusi, yang terlihat seperti ini:

Contoh:

div adalah koefisien normalisasi sehingga intensitas rata-rata tetap tidak berubah. Ini sama dengan jumlah koefisien matriks, dalam contoh div \u003d 6.

Gaussian blur(semacam konvolusi linier) diimplementasikan dengan melintasi piksel gambar dengan matriks konvolusi, yang terlihat seperti ini:

Matriks 5 × 5 diisi sesuai dengan hukum normal (Gaussian). Di bawah ini adalah matriks yang sama dimana koefisiennya sudah dinormalisasi sehingga div untuk matriks ini adalah satu.

Kekuatan keburaman tergantung pada ukuran matriks.

Piksel kiri atas tidak memiliki “tetangga” di sebelah kiri dan dari atas, oleh karena itu, kita tidak memiliki apa pun untuk mengalikan koefisien matriks!

Solusi untuk masalah ini membutuhkan pembuatan gambar perantara. Idenya adalah membuat gambar sementara dengan dimensi

lebar + 2 celah / 2, tinggi + 2 celah / 2, dimana

lebar dan tinggi - lebar dan tinggi gambar yang difilter,

gap - dimensi matriks konvolusi.

Gambar masukan disalin ke tengah gambar, dan tepinya diisi dengan piksel luar gambar. Buram diterapkan ke buffer perantara, dan kemudian hasilnya diambil darinya.

Filter medianadalah filter jendela yang memindai gambar secara berurutan dan mengembalikan pada setiap langkah salah satu elemen yang termasuk dalam jendela filter.

Piksel yang "mengenai" jendela diurutkan dalam urutan menaik dan nilai di tengah daftar yang diurutkan dipilih.

Filter median biasanya digunakan untuk mengurangi noise atau "menghaluskan" gambar.

Untuk meningkatkan kejelasan gambar menggunakan filter berikut (div \u003d 1):

Transformasi morfologis

Penyaringan morfologis digunakan untuk memperluas (mengencerkan) atau mempersempit (mengikis) elemen gambar biner.

Pelebaran (ekstensi morfologis) - konvolusi gambar atau area gambar yang dipilih dengan template tertentu. Template dapat dalam berbagai bentuk dan ukuran. Pada saat yang sama, satu-satunya yang menonjol di dalamnya posisi terdepan (jangkar) yang disejajarkan dengan piksel saat ini saat menghitung konvolusi.

Gambar biner adalah kumpulan terurut (kumpulan terurut) dari titik hitam dan putih (piksel). Intensitas maksimum piksel gambar adalah satu, dan minimum adalah nol.

Penerapan dilatasi direduksi menjadi bagian templat di seluruh gambar dan penerapan operator untuk mencari intensitas maksimum lokal dari piksel gambar, yang dicakup oleh templat. Jika maksimumnya adalah 1, maka titik di mana jangkar template berada akan berwarna putih. Operasi seperti itu menyebabkan tumbuhnya area terang pada gambar. Pada gambar, piksel ditandai dengan warna abu-abu, yang akibat dilatasi akan menjadi putih.

Erosi (penyempitan morfologis) - operasi kebalikan dari dilatasi. Tindakan erosi mirip dengan dilatasi, satu-satunya perbedaan adalah bahwa operator digunakan untuk mencari minimum lokal. Jika minimumnya 0, maka titik di mana jangkar template berada akan berwarna hitam. Pada gambar di sebelah kanan, warna abu-abu menandai piksel yang akan berubah menjadi hitam akibat erosi.

Operasi " Pelebaran"- analog dari logika" atau ", operasi" Erosi"- analog dari logika" dan ".

Hasil operasi morfologi sangat ditentukan oleh template yang diterapkan (elemen struktural). Dengan memilih elemen struktural yang berbeda, Anda dapat menyelesaikan tugas pemrosesan gambar yang berbeda:

• Peredaman kebisingan.
• Pemilihan batas objek.
• Pemilihan kerangka benda.

Koreksi kecerahan dan kontras gambar

Kecerahan adalah karakteristik yang menentukan seberapa banyak warna piksel berbeda dari hitam. Misalnya, jika foto digital diambil dalam cuaca cerah, kecerahannya akan signifikan. Sebaliknya, jika foto diambil pada sore atau malam hari, maka kecerahannya akan rendah.

Kontras adalah ukuran seberapa luas warna piksel dalam suatu gambar tersebar. Semakin besar variasi nilai warna piksel, semakin besar kontras pada gambar.