TENGLASH ALGORITMLARINI QOYISHASI

YArim TONLI TASVIRLAR GISTOGRAMASI

1 "2 Aleksandrovskaya A.A., Mavrin E.M.

1 Aleksandrovskaya Anna Andreevna - magistratura talabasi; Mavrin Evgeniy Mixaylovich - magistratura talabasi, kafedra axborot tizimlari va telekommunikatsiya,

Moskva davlat universitetining informatika va boshqaruv tizimlari fakulteti texnika universiteti ular. N.E. Bauman, Moskva

Xulosa: ushbu maqola raqamli tasvirni qayta ishlash algoritmlarini, ya'ni histogrammani tenglashtirish algoritmlarini solishtiradi. Uchta algoritm ko'rib chiqiladi: global gistogramma tenglashtirish (GHE), adaptiv gistogramma tenglashtirish (AHE) va kontrastni cheklash bilan moslashtirilgan gistogramma tenglashtirish (CANE). Maqolada tasvirlangan ishning natijasi bir xil tasvirlardagi algoritmlarning ishlashini vizual taqqoslashdir.

Kalit so'zlar: tasvir gistogrammasi, tasvirlarni gistogramma bilan tenglashtirish, COI, kompyuterni ko'rish, ANE, SIANE.

Tasvir sifatini yaxshilash uchun yorqinlik diapazoni, kontrast, aniqlik va ravshanlikni oshirish kerak. Ushbu parametrlarni birgalikda tasvir gistogrammasini tenglashtirish orqali yaxshilash mumkin. Ob'ektlarning konturlarini aniqlashda ko'p hollarda kul rang tasviridagi ma'lumotlar etarli. Yarim ohangli tasvir - bu piksellar rangi haqida emas, balki faqat yorqinligi haqida ma'lumotni o'z ichiga olgan tasvir. Shunga ko'ra, yarim rangli tasvir uchun gistogramma qurish tavsiya etiladi.

Ko'rib chiqilayotgan tasvir intensivligi (yorqinligi) r 0 dan 2bpp gacha bo'lgan n pikseldan iborat bo'lsin, bu erda bpp - bir pikselning yorqinligini kodlash uchun ajratilgan bitlar soni. Kodlash uchun ko'pgina rangli modellarda

Bitta pikselli bitta rangning yorqinligi 1 baytni talab qiladi. Shunga ko'ra, piksel intensivligi 0 dan 255 gacha bo'lgan to'plamda aniqlanadi. Intensivligi r bo‘lgan tasvirdagi piksellar sonining intensivlikning o‘ziga nisbatan grafigi tasvir gistogrammasi deyiladi. Shaklda. 1-rasmda ushbu tasvirlar asosida tuzilgan sinov tasvirlari va gistogrammalarning namunasi ko'rsatilgan:

Guruch. 1. Sinov tasvirlari va ularning gistogrammalari

Shubhasiz, tegishli gistogrammani o'rganish orqali asl tasvir haqida xulosa chiqarish mumkin. Masalan, juda qorong'i tasvirlarning gistogrammalari nolga teng bo'lmagan gistogramma qiymatlarining kontsentratsiyasining nolga yaqin yorqinligi bilan tavsiflanadi, engil tasvirlar uchun esa, aksincha, nolga teng bo'lmagan barcha qiymatlar ekranning o'ng tomonida yig'iladi. gistogramma.

Histogrammani tenglashtirish algoritmlari qayta ishlangan yarim tonna tasvirni yaxshilash uchun mashhur algoritmlardir. Umuman olganda, HE algoritmlari (Histogram Equalization) nisbatan past hisoblash narxiga ega va shu bilan birga yuqori samaradorlikni ko'rsatadi. Ushbu turdagi algoritmning mohiyati berilgan tasvirning ehtimollik taqsimoti funksiyasiga (1) muvofiq yarim ohangli tasvirning darajalarini tartibga solish va buning natijasida yorqinlikni taqsimlashning dinamik diapazoni oshadi. Bu vizual effektlarning yaxshilanishiga olib keladi,

kabi: yorqinlik kontrasti, aniqlik, ravshanlik.

p(i) = -, i = 0. .255, n

Bu erda p(i) - yorqinligi i bo'lgan pikselning paydo bo'lish ehtimoli, asl tasvir gistogrammasining normallashtirilgan funktsiyasi, k - qayta ishlangan tasvirning piksel koordinatalari, g (k) - tenglashtirilgan tasvir.

Gistogrammani tenglashtirish algoritmlari ikki turga bo'linadi: mahalliy (adaptiv) gistogramma tenglashtirish va global gistogramma tenglashtirish. Global usulda bitta diagramma tuziladi va butun tasvirning gistogrammasi tenglashtiriladi (3-a rasm). Mahalliy usulda (3b-rasm) ko'p sonli gistogrammalar tuziladi, bunda har bir gistogramma qayta ishlangan tasvirning faqat bir qismiga to'g'ri keladi. Bu usul mahalliy kontrastni yaxshilaydi

tasvirlar, bu sizga odatda yaxshi ishlov berish natijalarini olish imkonini beradi.

Mahalliy ishlov berish algoritmlarini quyidagi turlarga bo'lish mumkin: bir-birining ustiga chiqadigan mahalliy ishlov berish birliklari, bir-birining ustiga chiqmaydigan mahalliy ishlov berish birliklari va qisman bir-biriga o'xshash mahalliy ishlov berish birliklari (2-rasm).

Guruch. 2. Ishning illyustratsiyasi har xil turlari tasvirni qayta ishlashning mahalliy algoritmlari: a) bir-birining ustiga chiqqan mahalliy ishlov berish bloklari, b) bir-birining ustiga chiqmaydigan mahalliy ishlov berish bloklari, c) qisman bir-biriga mos keladigan mahalliy ishlov berish bloklari.

Bir-biriga yopishgan blok algoritmi eng yaxshi ishlov berish natijasini beradi, lekin sanab o'tilganlar orasida eng sekin hisoblanadi. Bir-birining ustiga chiqmaydigan bloklarning algoritmi, aksincha, kamroq ishlov berish vaqtini talab qiladi, qolgan barcha narsalar teng, lekin qayta ishlangan bloklar bir-birining ustiga chiqmasligi sababli, yakuniy tasvirda yorqinlikning keskin o'zgarishi mumkin. Murosali yechim qisman bir-biriga mos keladigan blok algoritmidir. Moslashuvchan gistogrammani tenglashtirish algoritmlarining kamchiliklari orasida tasvir parametrlarini haddan tashqari kuchaytirish va natijada yakuniy tasvirdagi shovqinning oshishi mumkin.

Yuqoridagi algoritmning takomillashtirilgan versiyasi kontrastli cheklangan adaptiv gistogramma tenglashtirish (CLAHE) algoritmidir (4c-rasm). Asosiy xususiyat ushbu algoritmdan cheklovdir

gistogramma diapazoni qayta ishlangan blokdagi piksellarning yorqinlik qiymatlarini tahlil qilishga asoslangan (2), natijada olingan tasvir tabiiyroq va kamroq shovqinli ko'rinadi.

bu erda qo'shish - gistogramma funktsiyasi qiymatining o'sish koeffitsienti, ps - chegara qiymatidan oshib ketgan piksellar soni. Gistogrammaning o'zgarishi tasviri 3-rasmda ko'rsatilgan.

Guruch. 3. CLAHE algoritmida gistogramma diapazonini cheklash

Shuni ta'kidlash kerakki, klassik SILIB algoritmi qayta ishlangan bloklar orasidagi chegaralarni yo'q qilish uchun ikki chiziqli interpolyatsiyadan foydalanadi.

Guruch. 4. Gistogrammani tenglashtirish algoritmlari natijalari: a) global gistogramma tenglashtirish (HE), b) adaptiv gistogramma tenglashtirish (ANE), c) kontrastni cheklash bilan moslashuvchi gistogramma tenglashtirish (CANE)

Qayta ishlash natijalarini vizual taqqoslashda eng yaxshi usul CLAHE hisoblanadi (3c-rasm). Ushbu usul bilan ishlangan tasvir AHE tomonidan ishlangan tasvirga qaraganda kamroq shovqinga ega va yorqinlik kontrasti tabiiyroq. Global tenglashtirish usuli bilan qayta ishlangan tasvir bilan solishtirganda, CLAHE usuli qayta ishlangan tasvirning nozik va xira detallarining ravshanligini yaxshilaydi, shuningdek, kontrastni oshiradi, lekin AHE usulidagi kabi bo'rttirilgan emas. Shuningdek, quyida MATLAB 2016 dasturlash muhitida ko'rib chiqilayotgan usullarning bajarilish vaqtini taxmin qiluvchi jadval keltirilgan.

Jadval 1. Ko'rib chiqilganning taxminiy bajarilish vaqti

bajarish vaqti

Dastur nomi c Bajarish vaqti

ko'rib chiqilgan usul bo'yicha usul, c usuli, c

CLAHE 0,609 0,519

Ma'lumotnomalar

1. Chichvarin N.V. Signallarni aniqlash va tanib olish // Milliy kutubxona. N.E. Bauman [Elektron resurs] 2016, Kirish rejimi: https://ru.bmstu.wiki/Correction_of_brightness_and_contrast_ of images (kirish sanasi: 05.03.2019).

2. Gonsales R.K. , Vuds R.E. . Raqamli tasvirni qayta ishlash, 3-nashr, Nyu-Jersi: Pearson Education, 2008. 950 pp.

3. Gupta S., Kaur Y. Raqamli tasvir uchun turli xil mahalliy va global kontrastni kuchaytirish usullarini ko'rib chiqish // Kompyuter ilovalari xalqaro jurnali [Elektron resurs] 2014 yil, URL: https://pdfs.semanticscholar.org/7fb1/bf8775a1a1eaad9b3d1f4 5bc302adc. 2019).

4. Ma J., Fan X. , Yosh S. X. , Zang X. , Ztsu Ks. . Suv osti tasvirini yaxshilash uchun kontrastli cheklangan adaptiv histogramma tenglashtirishga asoslangan termoyadroviy // Preprints [Elektron resurs] 2017, URL: https: //www. preprintlar. org/manuscript/201703.0086/v 1 (Kirish sanasi: 03/05/2019).

Tasvirni qayta ishlash, vizualizatsiya va tahlil qilish

Image Processing Toolbox™ tasvirni qayta ishlash, tahlil qilish, vizuallashtirish va algoritmlarni ishlab chiqish uchun mos yozuvlar-standart algoritmlar va ish jarayoni ilovalarining keng qamrovli to‘plamini taqdim etadi. Siz tasvirni segmentatsiyalash, tasvirni yaxshilash, shovqinni kamaytirish, geometrik o'zgarishlar,va chuqur o'rganish va an'anaviy, tasvirni qayta ishlash usullaridan foydalangan holda ro'yxatdan o'tish xaritasini yarating. 2D, 3D va o'zboshimchalik bilan katta hajmdagi tasvirlar uchun ishlov berish asboblar to'plamini qo'llab-quvvatlash.

Rasmlarni qayta ishlash asboblar to'plami ilovalari tasvirni qayta ishlashning umumiy ish oqimlarini avtomatlashtirishga imkon beradi. Tasvir ma'lumotlarini interaktiv tarzda segmentlash, tasvirni ro'yxatdan o'tkazish usullarini solishtirish va katta ma'lumotlar to'plamlarini ommaviy qayta ishlashingiz mumkin. Vizualizatsiya xususiyatlari va ilovalari tasvirlar, 3D hajmlari va videolarni o'rganish imkonini beradi; kontrastni sozlash; gistogramma yaratish; va ko'rinadigan joylarni nazorat qilish (KINGS).

Algoritmlarni ko'p yadroli protsessor va GPUlarda ishga tushirish orqali tezlashtirishingiz mumkin. Ko'pgina asboblar paneli funktsiyalari kompyuterni ko'rish tizimini joylashtirish va prototip tahlili uchun C/C++ kodini yaratishni qo'llab-quvvatlaydi.

Ishni boshlash

Tasvirga ishlov berish asboblar to‘plami asoslarini o‘rganing

Import, eksport va konvertatsiya

Tasvir ma'lumotlarini import va eksport qilish, tasvir turlari va sinflarini aylantirish

Namoyish va tadqiqot

Tasvirni ko'rsatish va o'rganish uchun interfaol vositalar

Geometrik o'zgartirish va tasvirni ro'yxatga olish

Intensivlik korrelyatsiyasi, xususiyatlarni moslashtirish yoki nazorat nuqtalarini xaritalashdan foydalangan holda tasvirlarni masshtablash, aylantirish, boshqa N-D transformatsiyalarini bajarish va tekislash

Displeyni filtrlash va yaxshilash

Kontrastni tuzatish, morfologik filtrlash, xiralashtirish, ROI asosida ishlov berish

Displey segmentatsiyasi va tahlili

Hudud tahlili, struktura tahlili, piksel va tasvir statistikasi

Tasvirni qayta ishlash uchun chuqur o'rganish

Konvolyutsion neyron tarmoqlardan foydalangan holda tasvirni denozlash va past aniqlikdagi tasvirlardan yuqori aniqlikdagi tasvirlarni yaratish kabi tasvirni qayta ishlash vazifalarini bajaring (Deep Learning Toolbox™ talab qilinadi)

Tasvirni oldindan qayta ishlash- tasvir sifatini yaxshilash jarayoni, uning maqsadi asl nusxa asosida avtomatik tahlil qilish uchun moslashtirilgan eng aniq tasvirni olishdir.

Raqamli tasvir nuqsonlarining quyidagi turlarini ajratish mumkin:

• Raqamli shovqin
• Rang nuqsonlari (yorqinlik va kontrastning etarli emasligi yoki haddan tashqari ko'pligi, noto'g'ri rang ohangi)
• Xiralashtirish (fokus)

Tasvirni oldindan qayta ishlash usullari tadqiqot maqsadlariga bog'liq va quyidagi ish turlarini o'z ichiga olishi mumkin:

Shovqinli tasvirlarni filtrlash

Raqamli tasvir shovqini- fotosensorlar va ulardan foydalanadigan qurilmalarning elektronikasi tomonidan kiritilgan tasvir nuqsoni. Uni bostirish uchun quyidagi usullar qo'llaniladi:

Nuqtalarni chiziqli o'rtacha hisoblash keyingi eshik - shovqinni olib tashlash algoritmlarining eng oddiy turi. Ularning asosiy g'oyasi nuqtaning yangi qiymati sifatida ma'lum bir mahalladagi nuqtalarning o'rtacha arifmetik qiymatini olishdir.

Jismoniy jihatdan bunday filtrlash quyidagi shaklga ega bo'lgan konvolyutsiya matritsasi bilan tasvir piksellarini kesib o'tish orqali amalga oshiriladi:

Misol:

div - normalizatsiya koeffitsienti, shuning uchun o'rtacha intensivlik o'zgarishsiz qoladi. U matritsa koeffitsientlarining yig'indisiga teng, misolda div = 6.

Gauss xiralashishi(chiziqli konvolyutsiya turi) tasvir piksellarini konvolyutsiya matritsasi bilan kesib o'tish orqali amalga oshiriladi, bu quyidagicha ko'rinadi:

5x5 matritsa normal (Gauss) qonuniga muvofiq to'ldiriladi. Quyida bir xil matritsa mavjud, bu erda koeffitsientlar allaqachon normallashtirilgan, shuning uchun ushbu matritsa uchun div bittaga teng.

Loyqalik kuchi matritsaning o'lchamiga bog'liq.

Yuqori chap pikselda chap va yuqorida "qo'shnilar" yo'q, shuning uchun bizda matritsa koeffitsientlarini ko'paytirish uchun hech narsa yo'q!

Ushbu muammoni hal qilish oraliq tasvirni yaratishni talab qiladi. G'oya o'lchamlari bilan vaqtinchalik tasvirni yaratishdir

kenglik + 2 bo'shliq / 2, balandlik + 2 bo'shliq / 2, bu erda

kengligi va balandligi - filtrlangan tasvirning kengligi va balandligi;

bo'shliq - konvolyutsiya matritsasining o'lchami.

Kirish tasviri tasvirning markaziga ko'chiriladi va qirralari tasvirning eng tashqi piksellari bilan to'ldiriladi. Loyqalik oraliq buferga qo'llaniladi, so'ngra natija undan olinadi.

Median filtri tasvirni ketma-ket skanerdan o'tkazuvchi va har qadamda filtr oynasiga tushgan elementlardan birini qaytaruvchi oyna filtri.

Oynaga "tushgan" piksellar o'sish tartibida tartiblanadi va tartiblangan ro'yxatning o'rtasida joylashgan qiymat tanlanadi.

Median filtri odatda shovqinni kamaytirish yoki tasvirni "silliq" qilish uchun ishlatiladi.

Aniqlikni yaxshilash uchun tasvir quyidagi filtr ishlatiladi (div = 1):

Morfologik transformatsiyalar

Morfologik filtrlash binar tasvir elementlarini kengaytirish (kengayish) yoki toraytirish (eroziya) uchun ishlatiladi.

Dilatatsiya(morfologik kengayish) - biron bir shablon bilan tasvirning yoki tasvirning tanlangan maydonining konvolyutsiyasi. Shablon har qanday shakl va o'lchamga ega bo'lishi mumkin. Shu bilan birga, unda ajralib turadigan yagona narsa yetakchi pozitsiya(langar), bu konvolyutsiyani hisoblashda joriy piksel bilan birlashtiriladi.

Ikkilik tasvir qora va oq nuqtalarning (piksellarning) tartiblangan to'plamidir (tartibli to'plam). Rasm piksellarining maksimal intensivligi bitta, minimali esa nolga teng.

Dilatatsiyani qo'llash shablonni butun tasvir bo'ylab o'tkazish va shablon bilan qoplangan tasvir piksellarining mahalliy maksimal intensivligi uchun qidiruv operatorini qo'llashdan iborat. Agar maksimal 1 bo'lsa, shablon langari joylashgan nuqta oq bo'ladi. Ushbu operatsiya rasmdagi yorug'lik joylarining o'sishiga olib keladi, piksellar kul rang bilan belgilanadi, ular kengayishni qo'llash natijasida oq bo'ladi.

Eroziya(morfologik torayish) - kengayishning teskari operatsiyasi. Eroziyaning ta'siri dilatatsiyaga o'xshaydi, yagona farq shundaki, mahalliy minimal qidiruv operatori qo'llaniladi. Agar minimal 0 bo'lsa, shablon langari joylashgan nuqta qora bo'ladi. O'ngdagi rasmda kulrang piksellar eroziya natijasida qora rangga aylanadigan piksellardir.

Operatsiya " Dilatatsiya" - mantiqiy "yoki" ning analogi, operatsiya " Eroziya" mantiqiy "va" ning analogidir.

Morfologik operatsiyalarning natijasi asosan ishlatiladigan shablon (struktura elementi) bilan belgilanadi. Boshqa strukturaviy elementni tanlash orqali siz tasvirni qayta ishlashning turli muammolarini hal qilishingiz mumkin:

• Shovqinni kamaytirish.
• Ob'ektning chegaralarini tanlash.
• Ob'ektning skeletini tanlash.

Tasvirlarning yorqinligi va kontrastini tuzatish

Yorqinlik piksel ranglari qora rangdan qanchalik farq qilishini aniqlaydigan xususiyatdir. Misol uchun, raqamli fotosurat quyoshli ob-havoda olingan bo'lsa, uning yorqinligi sezilarli bo'ladi. Boshqa tomondan, agar fotosurat kechqurun yoki tunda olingan bo'lsa, unda uning yorqinligi past bo'ladi.

Kontrast tasvirdagi piksellar ranglarining qanchalik xilma-xilligining xarakteristikasidir. Piksel rang qiymatlarining tarqalishi qanchalik ko'p bo'lsa, tasvirning kontrasti shunchalik katta bo'ladi.

Barcha element-element transformatsiyalari bilan tasvirni tavsiflovchi ehtimollik taqsimoti qonuni o'zgaradi. Chiziqli kontrast bilan, ehtimollik zichligi shakli saqlanib qoladi, lekin umumiy holatda, ya'ni. chiziqli transformatsiya parametrlarining ixtiyoriy qiymatlari bilan o'zgartirilgan tasvirning ehtimollik zichligi parametrlari o'zgaradi.

Chiziqli bo'lmagan ishlov berishdan o'tgan tasvirlarning ehtimollik xususiyatlarini aniqlash tahlilning bevosita vazifasidir. Tasvirga ishlov berishning amaliy masalalarini hal qilishda teskari masalani qo'yish mumkin: ehtimollik zichligining ma'lum turidan foydalanish p f(f) va kerakli ko'rinish p g(g) kerakli transformatsiyani aniqlang g= ϕ( f) qaysi asl tasvir tobe bo'lishi kerak. Raqamli tasvirni qayta ishlash amaliyotida tasvirni teng ehtimolli taqsimotga aylantirish ko'pincha foydali natijalar beradi. Ushbu holatda

Qayerda g min va g max - aylantirilgan tasvirning minimal va maksimal yorqinligi qiymatlari. Keling, ushbu muammoni hal qiladigan konvertorning xususiyatlarini aniqlaylik. Mayli f Va g funktsiyasi bilan bog'langan g(n, m) = j( f(n, m)), A P f(f) Va bet(g) – kirish va chiqish yorqinligini taqsimlashning integral qonunlari. (6.1) ni hisobga olgan holda biz quyidagilarni topamiz:

Bu ifodani ehtimollik ekvivalentlik shartiga almashtirish

oddiy o'zgarishlardan so'ng biz munosabatni olamiz

xususiyatni ifodalaydi g(n, m) = j( f(n, m)) hal qilinayotgan muammoda. (6.2) ga binoan, asl tasvir chiziqli bo'lmagan transformatsiyaga uchraydi, uning xarakteristikasi P f(f) asl tasvirning integral taqsimot qonuni bilan aniqlanadi. Shundan so'ng, chiziqli kontrast operatsiyasi yordamida natija belgilangan dinamik diapazonga keltiriladi.

Shunday qilib, ehtimollik zichligi o'zgarishi asl tasvir uchun kümülatif taqsimot haqidagi bilimlarni o'z ichiga oladi. Qoidaga ko'ra, bu haqda ishonchli ma'lumot yo'q. Analitik funktsiyalar bo'yicha yaqinlashish, taxminiy xatolar tufayli, kerakli natijalardan sezilarli farqlarga olib kelishi mumkin. Shuning uchun tasvirni qayta ishlash amaliyotida taqsimotlarni o'zgartirish ikki bosqichda amalga oshiriladi.

Birinchi bosqichda asl tasvirning gistogrammasi o'lchanadi. Kulrang shkalasi, masalan, butun son oralig'iga tegishli bo'lgan raqamli tasvir uchun gistogramma 256 raqamdan iborat jadvaldir. Ularning har biri ma'lum yorqinlikka ega tasvirdagi (ramka) nuqtalar sonini ko'rsatadi. Ushbu jadvaldagi barcha raqamlarni rasmdagi namunalar soniga teng bo'lgan umumiy namuna hajmiga bo'lish orqali biz tasvir yorqinligini taqsimlash ehtimolini taxmin qilamiz. Bu taxminni q bilan belgilaymiz p f(f q), 0 ≤ f q≤ 255. U holda kümülatif taqsimotning bahosi quyidagi formula bilan olinadi:

Ikkinchi bosqichda nochiziqli transformatsiyaning o'zi (6.2) amalga oshiriladi, bu chiqish tasvirining zarur xususiyatlarini ta'minlaydi. Bunday holda, noma'lum haqiqiy kümülatif taqsimot o'rniga, uning gistogramma asosidagi taxmini qo'llaniladi. Buni hisobga olgan holda, taqsimot qonuniyatlarini o'zgartirishdan iborat bo'lgan tasvirni elementlarga ko'ra o'zgartirishning barcha usullari gistogramma usullari deb ataladi. Xususan, chiqish tasviri bir xil taqsimotga ega bo'lgan transformatsiya deyiladi gistogrammani tenglashtirish (nivelirlash).

E'tibor bering, gistogrammani o'zgartirish protseduralari butun rasmga ham, uning alohida qismlariga ham qo'llanilishi mumkin. Ikkinchisi statsionar bo'lmagan tasvirlarni qayta ishlashda foydali bo'lishi mumkin, ularning xususiyatlari turli sohalarda sezilarli darajada farqlanadi. Bunday holda, gistogrammani qayta ishlashni alohida hududlarga - qiziqish sohalariga qo'llash orqali yaxshiroq ta'sirga erishish mumkin. To'g'ri, o'qish va boshqa barcha sohalarning qiymatlari o'zgaradi. 6.1-rasmda tasvirlangan metodologiyaga muvofiq bajarilgan tenglashtirish misoli ko'rsatilgan.

Haqiqiy tasvirlash tizimlarida olingan ko'plab tasvirlarning o'ziga xos xususiyati qorong'u joylarning muhim qismi va yuqori yorqinlikka ega bo'lgan nisbatan kam sonli joylardir.

6.1-rasm – Tasvir gistogrammasini tenglashtirishga misol: a) asl tasvir va uning gistogrammasi c); b) o'zgartirilgan tasvir va uning gistogrammasi d)

Gistogrammani tenglashtirish bir xil taqsimlangan yorqinlik diapazonlarining integral maydonlarini tenglashtirishga olib keladi. Asl (6.1-rasm a) va qayta ishlangan (6.1 b-rasm) tasvirlarni taqqoslash shuni ko'rsatadiki, qayta ishlash jarayonida yuzaga keladigan yorqinlikning qayta taqsimlanishi vizual idrok etishning yaxshilanishiga olib keladi.

Hammaga salom. Hozir ilmiy maslahatchim va men nashrga monografiya tayyorlayapmiz, unda biz raqamli tasvirni qayta ishlash asoslari haqida oddiy so'zlar bilan aytib berishga harakat qilamiz. Ushbu maqolada tasvir sifatini yaxshilash uchun juda oddiy, ammo ayni paytda juda samarali usul - gistogramma tenglashtirish ko'rsatilgan.

Oddiylik uchun biz ko'rib chiqishimizni monoxrom tasvirlardan boshlaymiz (ya'ni, piksel rangi haqida emas, balki faqat yorqinlik haqida ma'lumotni o'z ichiga olgan tasvirlar). Tasvir gistogrammasi qiymatlar to'plamida aniqlangan diskret H funksiyasi bo'ladi, bu erda bpp - bir pikselning yorqinligini kodlash uchun ajratilgan bitlar soni. Garchi shart bo'lmasa-da, gistogrammalar ko'pincha har bir H[i] qiymatini tasvirdagi piksellarning umumiy soniga bo'lish orqali diapazonga normallashtiriladi. Jadvalda. 1-rasmda sinov tasvirlari va ular asosida qurilgan gistogrammalarning namunalari ko'rsatilgan:
Jadval 1. Tasvirlar va ularning gistogrammalari

Tegishli gistogrammani diqqat bilan o'rganib chiqib, asl tasvirning o'zi haqida ba'zi xulosalar chiqarishingiz mumkin. Masalan, juda qorong'i tasvirlarning gistogrammalari gistogrammaning nolga teng bo'lmagan qiymatlari yorqinlik darajasining nol atrofida to'planganligi bilan tavsiflanadi va juda engil tasvirlar uchun, aksincha, nolga teng bo'lmagan barcha qiymatlar to'plangan. gistogrammaning o'ng tomoni.
Intuitiv ravishda, inson idroki uchun eng qulay bo'lgan gistogrammasi bir xil taqsimotga yaqin bo'lgan tasvir bo'ladi degan xulosaga kelishimiz mumkin. Bular. Vizual sifatni yaxshilash uchun natijaning histogrammasi barcha mumkin bo'lgan yorqinlik qiymatlarini va taxminan bir xil miqdorda bo'lishi uchun tasvirga o'zgartirish qo'llanilishi kerak. Ushbu transformatsiya gistogramma tenglashtirish deb ataladi va 1-listda ko'rsatilgan kod yordamida amalga oshirilishi mumkin.
Listing 1. Gistogrammani tenglashtirish protsedurasini amalga oshirish

1. TCGrayscaleImage protsedurasi. Histogramma tenglashtirish;
2. const
3. k = 255;
4. h: double ning [ 0 .. k ] massivi;
5. i, j: so'z;
6. boshlanishi
7. i uchun: = 0 dan k gacha
8. h[i] := 0 ;
9. h[ yumaloq (k * o'z . Piksel [ i, j] ) ] : = h[ yumaloq (k * o'z . Piksel [ i, j] ) ] + 1 ;
10. i uchun: = 0 dan k gacha
11. h[ i] : = h[ i] / (o'z . Balandlik * o'z . Kenglik );
12. i uchun: = 1 dan k gacha
13. h[ i] : = h[ i - 1 ] + h[ i] ;
14. i uchun: = 0 o'ziga. Balandligi - 1 dona
15. j uchun: = 0 o'ziga. Kengligi - 1 dona
16. o'zini. Piksellar [ i, j] : = h[ yumaloq (k * o'z . Piksellar [ i, j] ) ] ;
17. oxiri ;

Gistogrammani tenglashtirish, aksariyat hollarda, tasvirning dinamik diapazonini sezilarli darajada kengaytiradi, bu esa ilgari sezilmagan tafsilotlarni ochishga imkon beradi. Jadvalda ko'rsatilganidek, bu effekt ayniqsa qorong'u tasvirlarda namoyon bo'ladi. 2. Bundan tashqari, tenglashtirish protsedurasining yana bir muhim xususiyatini ta'kidlash joiz: parametrlarni (diafragma va gradatsiyani o'zgartirish konstantalari) o'rnatishni talab qiluvchi ko'pgina filtrlar va gradatsiya transformatsiyalaridan farqli o'laroq, gistogrammani tenglashtirish operator aralashuvisiz to'liq avtomatik rejimda amalga oshirilishi mumkin.
Jadval 2. Tasvirlar va ularning gistogrammalari tenglashtirilgandan keyin


Tenglashdan keyin gistogrammalarda o'ziga xos sezilarli bo'shliqlar mavjudligini osongina payqashingiz mumkin. Buning sababi, chiqish tasvirining dinamik diapazoni asl tasvirga qaraganda kengroqdir. Shubhasiz, bu holda, 1-listda muhokama qilingan xaritalash barcha gistogramma qutilarida nolga teng bo'lmagan qiymatlarni ta'minlay olmaydi. Agar siz hali ham chiqish gistogrammasining yanada tabiiy ko'rinishiga erishishingiz kerak bo'lsa, siz uning ba'zi mahallalarida i-gistogramma cho'ntagining qiymatlarini tasodifiy taqsimlashdan foydalanishingiz mumkin.
Shubhasiz, gistogrammani tenglashtirish monoxrom tasvirlarning sifatini yaxshilashni osonlashtiradi. Tabiiyki, shunga o'xshash mexanizmni rangli tasvirlarga qo'llamoqchiman.
Aksariyat tajribaga ega bo'lmagan ishlab chiquvchilar tasvirni uchta RGB rang kanali sifatida tasavvur qilishadi va har bir rang uchun gistogramma tenglashtirish tartibini qo'llashga harakat qilishadi. Ba'zi kamdan-kam hollarda bu muvaffaqiyatli bo'lishi mumkin, lekin ko'p hollarda natija shunday bo'ladi (ranglar g'ayritabiiy va sovuq). Buning sababi, RGB modeli insonning rang idrokini to'g'ri ifodalamaydi.
Keling, boshqa rang maydoni - HSI haqida o'ylab ko'raylik. Ushbu rang modeli (va u bilan bog'liq bo'lgan boshqalar) rassomlar va dizaynerlar tomonidan juda keng qo'llaniladi, chunki ular bizga ranglarning rangi, to'yinganligi va intensivligi haqidagi ko'proq tanish tushunchalar bilan ishlashga imkon beradi.
Agar biz RGB kubining oq-qora diagonali yo'nalishi bo'yicha proektsiyasini ko'rib chiqsak, biz olti burchakli burchakka ega bo'lamiz, uning burchaklari asosiy va ikkinchi darajali ranglarga mos keladi va barcha kulrang soyalar (kubning diagonalida joylashgan) olti burchakning markaziy nuqtasida proyeksiya qilinadi (1-rasmga qarang):

Guruch. 1. Rangli kubning proyeksiyasi
Ushbu model RGB modelida mavjud bo'lgan barcha ranglarni kodlay olishi uchun vertikal yorug'lik (yoki intensivlik) o'qini (I) qo'shish kerak. Natijada olti burchakli konus (2-rasm, 3-rasm):


Guruch. 2. HSI piramidasi (cho'qqilari)
Ushbu modelda rang (H) qizil o'qga nisbatan burchak bilan belgilanadi, to'yinganlik (S) rangning sofligini tavsiflaydi (1 butunlay sof rangni anglatadi, 0 esa kulrang soyaga mos keladi). To'yinganlik qiymati nolga teng bo'lsa, ohang hech qanday ma'noga ega emas va aniqlanmagan.


Guruch. 3. HSI piramidasi
Jadvalda. 3-rasmda tasvirning HSI komponentlariga parchalanishi ko'rsatilgan (ton kanalidagi oq piksellar nol to'yinganlikka to'g'ri keladi):
Jadval 3. HSI rang maydoni


Rangli tasvirlarning sifatini yaxshilash uchun intensivlik kanaliga tenglashtirish tartibini qo'llash eng samarali deb hisoblanadi. Bu aynan jadvalda ko'rsatilgan. 4
Jadval 4. Turli rang kanallarini tenglashtirish


Umid qilamanki, siz ushbu materialni hech bo'lmaganda qiziqarli va eng foydali deb topdingiz. Rahmat.