Введение

Задача повышения качества изображения включает несколько подзадач, которые будут рассмотрены в статье это:

• Улучшение качества изображения
• Устранение шума в изображениях
• Усиления полезной и подавления нежелательной (в контексте конкретной задачи) информации

В статье будут рассмотрены наиболее популярные методы, которые позволяют решить поставленные задачи перед нами. Данные алгоритмы и методы работают как часть предобработки изображений в системах компьютерного зрения, к примеру, в системах распознавания изображений, когда для работы алгоритма важно, что бы изображение поступало как можно более хорошего качества.

Гистограмма

Для анализа изображений можно использовать гистограммы яркости. Гистограммы строят как для цветных изображений по каждому из каналов, так и для изображений в оттенках серого. Гистограмма — это график распределения полутонов изображения, в котором по горизонтальной оси представлена яркость, а по вертикали— относительное число пикселов с данным значением яркости.

Алгоритм построения гистограммы

Ниже представлен рисунок и его гистограмма для каждого из каналов.

Линейная коррекция

Линейную коррекцию можно задать следующей формулой

Нелинейные коррекции

В нелинейной коррекции часто применяются

• Гамма-коррекция
• Логарифмическая коррекция

Гамма-коррекция

Изначально цель коррекции для правильного отображения на мониторе. Задаётся следующим выражением

Ниже представлены рисунки до и после обработки изображения с помощью гамма коррекции

Логарифмическая коррекция

Цель – сжатие динамического диапазона при визуализации данных. Задаётся следующим выражением

Ниже представлены рисунки до и после обработки с помощью логарифмической коррекции.

Серый мир

На рисунках представлены изображения до и после обработки с помощью серого мира.

Задаётся с помощью следующих соотношений. Пусть – это изображение, – это площадь этого изображение произведение длины на ширину. А его размер. Вычислим средний цвет для каждого из каналов и общий для всех каналов следующим образом:

И среднее значение по всем каналам будет следующим:

Далее значение каждого пикселя изменяется таким образом:

Бинаризация

Бинаризация изображение – построение изображение по полутоновому/цветному изображению, что бы фон отделялся от объектов на изображении, то есть всё изображение помечено, к примеру, 1 фон 0 не фон. Таким образом, задача бинаризации является простейшей задачей распознавания объекта на кадре с помощью бинарного классификатора (фон/не фон). Для бинаризации задаётся порог

Где T_порог – это пороговое значение пикселей которое задаётся в зависимости от анализа гистограммы изображения, или отдельно подбирается для конкретной задачи. Приведём алгоритм адаптивной бинаризации изображения

Алгоритм адаптивной бинаризации изображения

Данный алгоритм применяется в случае не равномерной яркости фона или объекта

Шум и шумоподавление

Причинами возникновения шума могут быть

• Несовершенство приборов (фотоаппаратов, теле/видеокамер)
• Обработка изображений с потерей данных

Виды шума

1. Соль и перец – это случайные чёрные и белые пиксели
   
2. Импульсный – это случайные белые пиксели
   
3. Гауссов – это колебания яркости, распределённые по нормальному закону
   

Ниже представлены изображения с различным шумом

Для устранения Гауссова шума применяется фильтр Гаусса.

Для устранения шума соль и перец и импульсного применяется медианный фильтр.

Retinex

Это метод выравнивания освещения на изображении. Идея заключается в следующем. Само изображение формируется как произведение низких и высоких частот, то есть самого освещения и объекта.
где l – это освещение, а r – это сам объект.

Алгоритм Single Scale Retinex (SSR)

Многомасштабный вариант алгоритма Retinex

Алгоритм Multi Scale Retinex (MSR)

Ниже приведены изображения до и после обработки методом Retinex.

1. Marcelo Bertalmío, Vicent Caselles, Edoardo Provenzi (2009) Issues About Retinex Theory and Contrast Enhancement. IJCV, Vol. 83, pages 101–119.
2. Nigel W. Daw (17 November 1967). “Goldfish Retina: Organization for Simultaneous Colour Contrast”. Science 158 (3803): 942 4.doi:10.1126/science.158.3803.942. PMID 6054169.
3. Bevil R. Conway (2002). Neural Mechanisms of Color Vision: Double-Opponent Cells in the Visual Cortex. Springer. ISBN 1-4020-7092-6.
4. G. A. Woodell, D. J. Jobson, Z. Rahman Scene Context Dependency of Pattern Constancy of Time Series Imagery Visual Information Processing XVII, Proc. SPIE 6978, (2008)
5. Z. Rahman, D. J. Jobson, and G. A. Woodell, Retinex Processing for Automatic Image Enhancement, Journal of Electronic Imaging, January 2004.

Все статьи автора «ProgRoman»