PAIC Curs Oct 16.2017

10/13/2017
MODELE DE PRELUCRARE A
IMAGINILOR COLOR
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
Extinderea directa a tehnicilor scalare la imagini color (vectoriale) :
abordare marginale
abordare cu transformari liniare

transformari fixe
transformari adaptive
abordare cu transformari neliniare
Nici una dintre aceste abordari nu este pur vectoriala si este

posibil ca rezultatele sa nu fie dintre cele mai bune (mai ales prin
crearea de “culori false” - culori care “nu se potrivesc” cu imaginea
initiala).
C. VERTAN
1
10/13/2017
Scheme de aplicare a tehnicilor de prelucare scalare

(imagini cu nivele de gri) la imagini color
1. Abordarea marginala : decompunere RGB
R’
Prelucrare
R scalara
Prelucrare G’
G scalara
Prelucrare B’
B scalara
C. VERTAN

2. Abordarea prin transformare liniara fixa (luminanta + crominante)

Transformare in
Prelucrare Y’
Transformare directa
Y R’
R scalara
C1 Prelucrare C’1 G’
G scalara
d
C’2
C
nversa
C2 B’
Prelucrare
scalara
B
C. VERTAN
2
10/13/2017

3. Abordarea prin transformare liniara adaptiva (decorelare)
I1 I’1 R’
Prelucrare
R scalara
Decorelaree
Recorelarre
I2 I’2 G’
Prelucrare
G scalara
I3 I’3 B’
Prelucrare
B scalara
C. VERTAN

4. Abordarea prin transformare neliniara

Transformare in
Prelucrare Y’
V R’
R scalara
S G’
G
d
nversa
H B’
C. VERTAN
3
10/13/2017
OPERATII DE PRELUCRARE
A IMAGINILOR
C. VERTAN
Prelucrare = Black Box
“Image In, Image Out”
Analiza imaginilor este

“Image In, Description Out”
C. VERTAN
4
10/13/2017
Tipuri de operatii de prelucrare
Clasificare dupa numarul de pixeli din imaginea

initiala folositi ppentru calculul valorii unui ppixel
din imaginea prelucrata.
operatii punctuale
operatii de vecinatate
operatii integrale
C. VERTAN
Operatii punctuale
coloana T coloana
c c
linia linia
li i
l l
imagine initiala f imagine prelucrata g
g ( l ,c ) = T ( f ( l ,c ))
Noua valoare a oricarui pixel din imaginea prelucrata rezulta din
transformarea valorii pixelului din imaginea initiala, situat in
pozitia curenta de prelucrat.
C. VERTAN
5
10/13/2017
Operatori de vecinatate
coloana T coloana
c c
linia
li i linia
l l
V
imagine initiala f imagine prelucrata g
((
g ( l ,c ) = T f V( l ,c ) ))
combinarea unui numar oarecare de valori ale pixelilor din imaginea
initiala, situati in vecinatatea pixelului curent prelucrat.
C. VERTAN
Operatii integrale
T coloana
c
linia
l
imagine prelucrata g
imagine initiala f

combinarea valorilor tuturor ale pixelilor din imaginea initiala.
C. VERTAN
6
10/13/2017
TEHNICI DE IMBUNATATIRE A
IMAGINILOR COLOR
C. VERTAN
Sunt cele mai simple si spectaculoase prelucrari - se pot obtine

efecte puternice de modificare a aparentei imaginilor cu operatii
simple.
Scopull imbunatatirii
S i b t ti ii este
t realizarea
li uneii vizibilitati
i ibilit ti maii bune
b a
imaginii in ansamblul ei sau a anumitor componente ale acesteia.
Efectele nu pot fi masurate in mod obiectiv - nu putem introduce

formule care sa defineasca “o imagine de calitate”. Operatiile sunt
specifice aplicatiei si utilizatorului.
C. VERTAN
7
10/13/2017
Exemplu: transformare
punctuala tipica
nivel de gri nou = T (nivel de gri initial) (transformare punctuala)
L-1
Tb
Ta
0
0 a b L-1
C. VERTAN
Exista o multitudine de astfel de transformari care pot modifica

aspectul imaginii (si implicit contrastul acesteia).
Stabilirea parametrilor de definitie este insa o problema.
O tehnica automata de imbunatatire trebuie sa detecteze care este

“defectul” imaginii (in ce fel imaginea nu are vizibiliate buna) si
sa gaseasca transformarea optima de modificare a valorilor nivelelor
de gri.
Definirea prelucrarii automate implica :

caracterizarea continutului imaginii
determinarea transformarii nivelelor de gri
C. VERTAN
8
10/13/2017
Intinderea maxima a contrastului
Ta = 0 Tb=L-1
Tb = L − 1
se foloseste intreaga gama de nivele
d grii disponibile
de di ibil
se obtine constrastarea maxim posibila
Ta=0
0 a b L-1
a=?
b=?
C. VERTAN
a si b se determina astfel ca cel mult P% din valorile nivelelor de

gri sa fie saturate la negru si alb
aceasta inseamna ca avem cam P% / 2 ppixeli cu valori mai mici ca

a si P%/2 pixeli cu valori mai mari ca b.
aceasta inseamna ca
H(a) = P/2
1-H(b) = P/2
P poate fi ales in jur de 5%.
C. VERTAN
9
10/13/2017
original
rezultat, P=5%
C. VERTAN
Egalizarea
histogramei
Histograma = functie ce asociaza fiecarui nivel de gri posibil
probabilitatea [sa] de aparitie in imagine.
h( ) = numar pixeli
h(u) i li de
d nivel
i l de
d grii “u”
“ ” / numar total
t t l pixeli
i li
M −1N −1
1
h( u ) =
MN
∑ ∑ δ ( f ( m ,n ) − u ), u = 0 ,1,..., L − 1
m =0 n = 0
Histograma este o functie de densitate de probabilitate.

L −1
∑ h( u ) = 1
u =0
Histograma descrie continutul “de culoare/ de gri” al imaginii.
C. VERTAN
10
10/13/2017
Egalizarea
histogramei
Se poate face distinctia intre imagini intunecate / luminoase.
Se pot face presupuneri asupra numarului de tipuri de componente

din imagine.
Histograma nu reflecta distributia spatiala a valorilor.
C. VERTAN
Egalizarea
histogramei
Imaginea ideala:
este folosit tot intervalul de nivele de gri
toate nivelele de gri sunt egal probabile
Imaginea dorita va avea deci o histograma uniforma.

hinitial hegalizat
T
nivel de gri
nivel de gri
Care este transformarea ?

C. VERTAN
11
10/13/2017
Egalizarea
Reamintire 1 : functii de o variabila aleatoare histogramei
η = f (ξ )
f este bijectiva
Relatie intre functiile de densitate de probabilitate :
1
wη ( y ) = wξ ( x )
f'( x )
y = f −1 ( x )
La TTI : se stie densitatea de probabilitate initiala si transformarea
La PI : se stiu densitatile de probabilitate.
C. VERTAN
Egalizarea
histogramei
Reamintire 2 : functia de repartitie transforma
orice variabila aleatoare intr-o variabila aleatoare uniforma
{ }
x
Fξ ( x ) = ∫ wξ ( t )dt = Prob ξ ( i ) ≤ x
−∞
Daca histograma este functie de densitate de probabilitate, functia

de repartitie asociata va fi histograma cumulativa.
u H
H ( u ) = ∑ h( i ), u = 0 ,1,..., L − 1 1
i=0
0
nivel de gri
C. VERTAN
12
10/13/2017
Egalizarea
histogramei
Functia de modificare a nivelului de gri este histograma cumulativa
(functia de repartitie a nivelelor de gri).
v = T ( u ) = [( L − 1 )H ( u ) + 0 ,5]
⎡ H( u ) − H( 0 ) ⎤
v = T ( u ) = ⎢( L − 1 ) + 0 ,5 ⎥
⎣ 1 − H(0 ) ⎦
… sau alte
lt variante
i t asemanatoare
t
C. VERTAN
Egalizarea
imagine initiala
histogramei
h(i)
imagine egalizata nivel

de gri
C. VERTAN
13
10/13/2017
Egalizarea
Aspect “in pieptene” al histogramei egalizate. histogramei
h(i)
initial :
216 nivele gri diferite
dupa egalizare:
176 nivele gri diferite
nivel
Numarul de nivele de gri diferite se micsoreaza. de gri
C. VERTAN
Egalizarea
histogramei
C. VERTAN
14
10/13/2017
Histogramele nu sunt egalizate (mai curand sunt egalizate

nivelele de gri lipsa);
Numarul de nivele de gri diferite nu se mareste (transformarile

sunt punctuale)
Trebuie gasita o alta abordare.
C. VERTAN
Egalizarea
Limitarea esentiala provine din caracterul discret perfecta a
al functiei de schimbare a valorilor nivelelor de gri
(aceasta este o asociere “unu la unu”). histogramei
Corectia ppoate sa pprovina numai din realizarea unei distinctii

suplimentare intre pixelii avand un acelasi nivel de gri. La limita
se pune problema stabilirii unei relatii de ordonare a tuturor
pixelilor, astfel incat sa nu fie doi pixeli “egali”.
O relatie de ordonare a pixelilor trebuie sa verifice:
xpx Reflexivitate
x p y si y p x ⇒ x = y Anti-simetrie
x p y si y p z ⇒ x p z
tranzitivitate
C. VERTAN
15
10/13/2017
Egalizarea
Cum sa facem distinctia intre pixelii avand un acelasi
nivel de gri ? Prin intorducerea de caracteristici
perfecta a
suplimentare - un pixel va deveni descris de un histogramei
vector de caracteristici si doar un scalar.
Ordonarea vectorilor este ordinea lexicografica - se ordoneaza dupa

valoarea primei caracteristici, in caz de egalitate dupa valoarea celei
de-a doua caracteristici s.a.m.d.
Vor trebui deci considerate suficient de multe caracteristici

suplimentare pentru ca sa nu existe doi pixeli “egali” (se exclud
cazurile fara solutie, ca acela al unei imagini perfect uniforme).
Caracteristici : nivel de gri mediu pentru diferite vecinatati ale

pixelului.
C. VERTAN
Egalizarea
perfecta a
vecinatati pentru histogramei
calculul nivelului de
gri mediu
Pixelii se ordoneaza intr-un sir de MN pozitii :

P( m1 ,n1 ) p P( m2 ,n2 ) p ... p P( mMN ,nMN )
Egalizarea : primii MN /L pixeli capata valoarea 0, urmatorii MN /L
pixeli capata valoarea 1, …, ultimii MN /L pixeli capata valoarea L.
C. VERTAN
16
10/13/2017
D. Coltuc, P. Bolon, and J.-M. Chassery. Exact histogram specification.

IEEE Transactions on Image Processing, 15(5):1143–1152, 2006.
Sunt necesare pana la 6 vecinatati pe care sa se calculeze media locala.
C. VERTAN
C. VERTAN
17
10/13/2017
C. VERTAN
Extindere : specificarea histogramei - obtinerea unei imagini

a carei histograma are o forma impusa.
varianta : se foloseste ordonarea totala

varianta
i t : se face
f o transformare
t f de
d egalizare
li sii o functie
f ti
inversa de egalizare.
T2-1(T1)
T2
T1
C. VERTAN
18
10/13/2017
C. VERTAN
C. VERTAN
19
10/13/2017
C. VERTAN
Cod de specificare perfecta

a histogramei
C. VERTAN
20
10/13/2017
Egalizarea
perfecta:
Alta varianta
Numarul de nivele de gri diferite nu se mareste (transformarile
sunt punctuale)
Trebuie gasita o alta abordare, care sa permita crearea de noi

nivele de gri.
Daca vreau sa pastrez principiul “aproape punctual”, trebuie

sa “inmultesc” numarul de nivele de ggri diferite din imaginea
g
initiala.
La limita, renunt la cuantizarea nivelelor de gri.
C. VERTAN
Imagine primara ideala, Aproximare a imaginii

cu valori si suport continuu ideale de intrare,
(imaginea ce a fost discretizata) generata din imaginea
discreta.
Imagine discretizata
(imaginea de intrare)
C. VERTAN
21
10/13/2017
Daca valorile din imagine sunt continue, pot sa le consider

pe toate diferite, si deci usor de transformat.
O conditie mai relaxata sugereaza folosirea valorii continue

in mod analog caracteristicilor suplimentare ale pixelului.
Fie u imaginea cu nivele de gri cuantizate, f imaginea ideala
initiala, si f aproximarea lui f. Relatia de ordine este:
(adica ordonez pixelii dupa vectori cu 2 componente: gri cuantizat

si gri continuu aproximativ)
C. VERTAN
Cum obtin aproximarea?

Mila Nikolova, and Gabriele Steidl: “Fast Ordering Algorithm for
Exact Histogram Specification”
IEEE TRANS. IMAGE PROCESSING, VOL. 23, NO. 12, DEC. 2014
Minimizam o functie de cost corespunzand abordarii “Total Variation”.
Termen de
Termen de regularizare
g
potrivire
C. VERTAN
22
10/13/2017
Ambele functii (Ψ si Φ) sunt cazuri particulare ale unei familii

de functii θ(t,α) avand numeroase constrangeri matematice …
C. VERTAN
Egalizarea
perfecta:
Alta varianta
C. VERTAN
23
10/13/2017
Structural Image Similarity Metric
TEHNICI DE EGALIZARE A HISTOGRAMEI

IMAGINILOR COLOR
ABORDARI NE-VECTORIALE
C. VERTAN
24
10/13/2017

1. Abordarea marginala : decompunere RGB
R’
Prelucrare
R scalara
Prelucrare G’
G scalara
Prelucrare B’
B scalara
C. VERTAN

2. Abordarea prin transformare liniara fixa (luminanta + crominante)

Transformare in
Prelucrare Y’
Y R’
R scalara
C1 Prelucrare C’1 G’
G scalara
d
C’2
C
nversa
C2 B’
Prelucrare
scalara
B
C. VERTAN
25
10/13/2017

4. Abordarea prin transformare neliniara
Transformare in
Transformare directa V Prelucrare Y’ R’
R scalara
S G’
G
d
nversa
H B’
C. VERTAN
original RGB
YCC HSV
26
10/13/2017
original RGB
YCC HSV
original RGB
YCC HSV
27
10/13/2017
original RGB
YCC HSV
TEHNICI DE EGALIZARE A HISTOGRAMEI

IMAGINILOR COLOR
ABORDARI VECTORIALE
C. VERTAN
28
10/13/2017
Histograma
color
Histograma = functie ce asociaza fiecarei culori posibile
h( ) = numar pixeli
h(u) i li de
d culoare
l “c” / numar total
t t l pixeli
i li
M −1N −1
1
h( c ) =
MN
∑ ∑ δ ( f ( m ,n ) − c ), c ∈ C
m =0 n =0
Histograma este o functie de densitate de probabilitate.
∑ h( c ) = 1
c
Histograma descrie continutul “de culoare” al imaginii.
C. VERTAN
Histograma
color
Histograma = functie ce asociaza fiecarei culori posibile
1 M−1N−1
h( r,g,b ) = ∑∑δ (R( m,n ) − r)δ (G( m,n ) − g)δ (B( m,n ) −b),
MN m=0 n=0
(r,g,b)∈C
C. VERTAN
29
10/13/2017
Histograma
%
color
culori
Histograma nu ofera informatie

asupra
p distributiei spatiale
p a
culorilor.
C. VERTAN
Egalizarea directa a histogramei color [Pitas]
1 M−1N−1
h( r,g,b ) = ∑∑δ (R( m,n ) − r)δ (G( m,n ) − g)δ (B( m,n ) −b),
MN m=0 n=0
(r,g,b)∈C
Conditia de normare poate fi scrisa si ca
∑∑∑ h( r , g ,b ) = 1, cu r , g ,b ∈ { 0 ,1,..., L − 1 }
r g b
Functia
u ct a de repartitie
epa t t e asociata
asoc ata (histograma
( stog a a cumulativa)
cu u at va) :
r0 g 0 b0
H ( r0 , g 0 ,b0 ) = ∑ ∑∑ h( r , g ,b )
r =0 g =0 b = 0
C. VERTAN
30
10/13/2017
[Pitas]
Se specifica direct histograma color dorita si histograma cumulativa
asociata :
1
h( r , g ,b ) = (histograma uniforma)
L3
r0 g 0 b0
( r0 − 1 )( g 0 − 1 )( b0 − 1 )
H ( r0 , g 0 ,b0 ) = ∑ ∑∑ h( r , g ,b ) =
r =0 g =0 b =0 L3
Pentru fiecare culoare existenta in imagine, (r0,g0,b0), se cauta o
noua culoare, (r’0,g’0,b’0), astfel ca :
H ( r0 , g 0 ,b0 ) ≅ H ( r'0 , g'0 ,b'0 )
C. VERTAN
[Pitas]
Cum relatia “aproximativ egal” admite o potentiala multime de
solutii, se restrange numarul acestora, impunand ca :
H ( r0 , g 0 ,b0 ) ≤ H ( r'0 , g'0 ,b'0 )
Solutia aleasa este “prima culoare corespunzatoare”, deci
“primul” triplet (r’0,g’0,b’0) pentru care :
( r'0 −1 )( g'0 −1 )( b'0 −1 )
H ( r0 , g 0 ,b0 ) ≤
L3
se calculeaza pentru toate

se masoara din valorile
culorile posibile
particulare din imagine
Se bazeaza pe ordonarea implicita a culorilor.

C. VERTAN
31
10/13/2017
[Pitas]
C. VERTAN
Metoda de “decimare” a histogramei

Seamana cu cuantizarea culorilor prin taiere mediana
(Median Cut Color Quantization - Heckbert, ‘80)
Principiu
P i i i : spatiul
i l de
d culoare
l este partitionat
ii in
i modd iterativ
i i in
i
volume mai mici in care “se face ceva”. Partitionarea continua
pana cand se atinge o limita legata de dimensiunea volumelor
sau de continutul lor.
Pentru simplitate se alege un spatiu de culoare cu geometrie

regulata - cubul RGB.
RGB
G
B R
C. VERTAN
32
10/13/2017
“decimarea”
1. Spatiul curent este cubul RGB initial
2. Spatiul cubic curent este partitionat in 8 cuburi egale (subspatii)

(taieturi prin plane mediatoare)
3. Pentru fiecare subspatiu cubic se calculeaza deplasamentul echivalent
deplasarii culorii medii in centrul geometric al spatiului; toate culorile
din volum sunt modificate cu deplasamentul astfel determinat.
4. Fiecare subspatiu cubic devine spatiu curent.

Algoritmul se reia de la 2 daca nu se verifica conditiile de oprire :
spatiul
ti l curentt este
t dde di
dimensiune
i 1 sau
spatiul curent contine o singura culoare
C. VERTAN
“decimarea”
C. VERTAN
33
10/13/2017
Metoda de “explozie” a histogramei
Se bazeaza pe o extindere a intervalului de variatie a culorilor

constransa de caracteristici specifice imaginii date; aceste
catracteristici sunt inglobate in “culoarea
culoarea de referinta
referinta”, care
in principiu poate fi culoarea medie din imagine.
Fiecare culoare originala va fi modificata independent, in raport

cu culoarea de referinta, printr-o tehnica de egalizare scalara
de histograma (urmand unei etape de reducere a dimensiunii
vectorilor de culoare).
culoare)
C. VERTAN
“explozia”
1. Se alege culoarea de referinta din imagine, C0.
(sistemul de reprezentare a culorii este RGB, sau

Lab)
• C0
Ci •
2. Pentru fiecare culoare C din imagine C•
se construieste cilindrul cu axa CC0 si raza d

se selecteaza culorile Ci din imagine ce sunt incluse in cilindru
fiecare culoare Ci se pproiecteaza ppe dreapta
p CC0
se introduce o axa de coordonate c = CC0
se determina coordonata ci ce corespunde culorii Ci
se determina transformarea de egalizare pentru scalarii ci
se aplica transformarea doar pentru culoarea C.
C. VERTAN
34
10/13/2017
“explozia”
C. VERTAN
“Egalizarea” histogramei in vecinatati adaptive
noua valoare a fiecarui pixel este determinata intr-o

vecinatate a sa,, obtinuta pprin cresterea regiunilor
g
functia de modificare a valorilor este o intindere de

histograma (intindere a contrastului), realizata pe luminanta,
pastrand media vecinatatii; intinderea este realizata cu
un factor proportional cu dispersia luminantei in regiune.
C. VERTAN
35
10/13/2017
C. VERTAN
C. VERTAN
36
10/13/2017
Alte tehnici de imbunatatire
C. VERTAN
Image Enhancement by Gradient Distribution

Specification
Y. Gong and I. F. Sbalzarini, ACCV 2015

C. VERTAN
37
10/13/2017
Fct. de repartitie a derivatei Modele parametrice apriori ale Fct.

de ordin 1, resp. 2 in imagine de repartitie a derivatei de ordin 1 si
2 in imagini naturale
C. VERTAN
Factorul de naturalitate Nf amplifica liniar canalele deculoare

(prelucrare marginala).
D
Daca iimaginile
i il suntt naturale,
t l asemanatoaret cu modelele
d l l
invatate, prelucrarea este de calitate.
C. VERTAN
38
10/13/2017
39
10/13/2017
Retinex
C. VERTAN
40
10/13/2017
The Single Scale Retinex is given by
Ri (x,y)=log Si (x,y) – log [F(x,y) * Si (x,y) ]
Where
F(x,y) = K exp(-r2 / c2 )--- Surround Function

c- Scalar value and selection of K is that
r- √ x2 + y2
∫∫ F(x,y) dx dy =1
C. VERTAN
|
| I(x,y)
|
MSR
|
Log
|
| W1
|
|
F1(x,y) *
| -
W2 +
|
| + + Gain/
| F2(x,y) * Σ Log Σ offset MSRCR
| W3 +
|
| F3(x,y) *
|
α
CRF
CR Log
C. VERTAN
41
10/13/2017
The color restoration is calculated using the expression
Ci(x,y) (x y)] – log[ Σ Ii(x,y)]}

(x y) = β{log[α Ii (x,y)] (x y)]}
Where
β- Gain Constant
α- Controls the strength of non-linearity
The Final representation of MSRCR is represented as
R MSRCRi (x, y) = G [Ci (x, y) * RMSRi (x, y) + b]
Where
G- Gain Constant and
b- Gain Offset value
C. VERTAN
42
10/13/2017
43

PAIC Curs Oct 16.2017

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

PAIC Curs Oct 16.2017

Încărcat de

Drepturi de autor:

Formate disponibile

10/13/2017

Extinderea directa a tehnicilor scalare la imagini color (vectoriale) :

abordare cu transformari liniare

abordare cu transformari neliniare

Nici una dintre aceste abordari nu este pur vectoriala si este

Scheme de aplicare a tehnicilor de prelucare scalare

1. Abordarea marginala : decompunere RGB

Scheme de aplicare a tehnicilor de prelucare scalare

2. Abordarea prin transformare liniara fixa (luminanta + crominante)

Scheme de aplicare a tehnicilor de prelucare scalare

3. Abordarea prin transformare liniara adaptiva (decorelare)

Scheme de aplicare a tehnicilor de prelucare scalare

4. Abordarea prin transformare neliniara

Prelucrare = Black Box

“Image In, Image Out”

Analiza imaginilor este

Tipuri de operatii de prelucrare

Clasificare dupa numarul de pixeli din imaginea

imagine initiala f imagine prelucrata g

imagine initiala f imagine prelucrata g

Noua valoare a oricarui pixel din imaginea prelucrata rezulta din

Sunt cele mai simple si spectaculoase prelucrari - se pot obtine

Efectele nu pot fi masurate in mod obiectiv - nu putem introduce

Exista o multitudine de astfel de transformari care pot modifica

Stabilirea parametrilor de definitie este insa o problema.

O tehnica automata de imbunatatire trebuie sa detecteze care este

Definirea prelucrarii automate implica :

Intinderea maxima a contrastului

se obtine constrastarea maxim posibila

a si b se determina astfel ca cel mult P% din valorile nivelelor de

aceasta inseamna ca avem cam P% / 2 ppixeli cu valori mai mici ca

P poate fi ales in jur de 5%.

Histograma este o functie de densitate de probabilitate.

Se pot face presupuneri asupra numarului de tipuri de componente

Histograma nu reflecta distributia spatiala a valorilor.

Imaginea dorita va avea deci o histograma uniforma.

Care este transformarea ?

La TTI : se stie densitatea de probabilitate initiala si transformarea

La PI : se stiu densitatile de probabilitate.

Daca histograma este functie de densitate de probabilitate, functia

imagine egalizata nivel

Histogramele nu sunt egalizate (mai curand sunt egalizate

Numarul de nivele de gri diferite nu se mareste (transformarile

Trebuie gasita o alta abordare.

Corectia ppoate sa pprovina numai din realizarea unei distinctii

O relatie de ordonare a pixelilor trebuie sa verifice:

Ordonarea vectorilor este ordinea lexicografica - se ordoneaza dupa

Vor trebui deci considerate suficient de multe caracteristici

Caracteristici : nivel de gri mediu pentru diferite vecinatati ale

Pixelii se ordoneaza intr-un sir de MN pozitii :

D. Coltuc, P. Bolon, and J.-M. Chassery. Exact histogram specification.

Extindere : specificarea histogramei - obtinerea unei imagini

varianta : se foloseste ordonarea totala

Cod de specificare perfecta

Trebuie gasita o alta abordare, care sa permita crearea de noi

Daca vreau sa pastrez principiul “aproape punctual”, trebuie

La limita, renunt la cuantizarea nivelelor de gri.

Imagine primara ideala, Aproximare a imaginii

Daca valorile din imagine sunt continue, pot sa le consider

O conditie mai relaxata sugereaza folosirea valorii continue

Fie u imaginea cu nivele de gri cuantizate, f imaginea ideala

initiala, si f aproximarea lui f. Relatia de ordine este:

(adica ordonez pixelii dupa vectori cu 2 componente: gri cuantizat