Documente Academic
Documente Profesional
Documente Cultură
~Egalarea histogramei
Potrivirea histogramelor ;
Teoria potrivirii histogramelor ;
Teoria potrivirii histogramelor: cazul discret ;
Potrivirea histogramei în practică ;
Egalizarea histogramei adaptive ;
Operații asupra histogramelor în imaginile color ;
Ce reprezintă imaginile?
O imagine digitală poate fi considerată ca o reprezentare discretă a datelor care
posedă atât informații spațiale (aspect) cât și de intensitate (culoare). De asemenea
o imagine poate fi considerată ca un semnal multidimensional.
Aspecte ale imaginilor
Imaginea digitală bidimensională I(m,n) reprezintă răspunsul unor senzori la
poziții fixe în coordonatele carteziene 2-D și sunt derivate de la semnalul spațial
I(x,y) printr-un proces de eșantionare frecvent denumit discretizare, iar indicii m și
n destinați respectiv rândurilor și coloanelor imaginii. Discretizarea apare în mod
natural cu anumite tipuri de senzori de imagine (cum ar fi camere CCD) și practic
determină o mediere locală a semnalului continuu peste unele regiuni mici în
domeniul de recepție. Elementele individuale sau pixelii imaginii sunt astfel
menționate prin indecii lor 2-D (m,n).Ca urmare a convenției Matlab,I(m,n)
reprezintă răspunsul pixelului situat la rândul și coloana n pornind de la o origine
din stânga sus a imaginii.
următoarea transformare: ,
unde (n,m) sunt indecși ai unui pixel individual în imaginea gri și (n,m,c) este
canalul individual al locației pixelului (n,m) în imaginea color pentru canalul c: în
roșu r, albastru b și verde g. După cum putem observa și în ecuația de mai sus, o
imagine gri reprezintă o sumă ponderată a canalelor de culoare roșie, verde și
albastru. Coeficienții (α,β si γ) sunt setați proporțional cu răspunsul perceptual al
ochiului uman pentru fiecare din culorile roșu, verde și albastru. Ochiul uman este
natural mult mai senzitiv la roșu și verde deschis și prin urmare aceste culori
primesc ponderi mai mari pentru a asigura ca echilibrul intensității în imaginea gri
obținută, să fie similar cu cel al imaginii color RGB. Conversia de la RGB la
imaginile în nuanțe gri este o transformare ireversibilă: informațiile pierdute în
conversie nu mai pot fi recuperate.
Spațiul de culoare perceptiv
Spațiul de culoare perceptiv este o cale alternativă de reprezentare a imaginilor
color, într-o manieră care este mult mai binevenită percepției și înțelegerii umane a
culorilor, decât în reprezentarea RGB. Există mai multe reprezentări a imaginilor
color, însă noi ne vom concentra mai mult pe spațiul de nuanță, saturație și valoare
(HSV), popular în aplicațiile de analiză a imaginii. Din perspectiva analizei
imaginilor, această reprezentare permite separarea culorilor după gradul de
luminozitate. O imagine RGB poate fi transformată în HSV după următoarea
imagine:
Formarea imaginilor
Cum este formată o imagine ?
Procesul de formare a imaginii poate fi rezumat ca un număr mic de elemente
cheie. În general, o imagine digitală s poate fi formalizată ca un model matematic
ce cuprinde o reprezentare funcțională a scenei (funcția obiectului o ) și cea a
procesului de capturare ( funcția de împărțire a punctelor(PSF) p). În plus, o
imagine conține încă și un zgomot n(din engleză noise). Astfel o imagine are
următoarea formulă:
Elementele cheie prezentate mai sus sunt:
PSF descrie modul în care informațiile despre funcția obiectului sunt răspândite ca
rezultat al înregistrării datelor. Este o caracteristică a instrumentului de imagine
(adică camera ) și este o funcție deterministică (care operează în prezența
zgomotului).
Funcția obiectului. Aceasta descrie obiectul (sau scena ) care este afișat și modul
în care lumina este reflectată de la acea structură către instrumentul de formare a
imaginii.
Zgomotul. Aceasta este o funcție nedeterministă care, în cel mai bun caz, poate fi
descrisă doar în termeni de distribuție a zgomotului statistic (de exemplu
Gaussian). Zgomotul este doar o funcție stochastică care este o consecință a tuturor
perturbațiilor externe nedorite care apar în timpul înregistrării datelor de imagine.
Egalarea histogramei
Este una din cele mai utilizate tehnici de îmbunătățire a imaginilor. Inițial, vom
presupune ca vom avea imagini în scara gri, notate cu Iintrare(x) . Dacă variabila
x este continuă și normalizată să se situeze în intervalul [0,1], atunci aceasta ne
permite să considerăm histograma normalizată a imaginii ca o funcție de densitate
a probabilității (PDF) px(x), care definește probabilitatea unor valori ale scarei gri
care apar în vecinătatea lui x. În mod similar putem nota și imaginea gri de ieșire
după egalarea histogramei ca Iiesire(y) cu funcția PDF corespunzătoare py(y).
Esența problemei de egalare a histogramei este aceea că căutăm o funcție de
transformare y=f(x) care să se potrivească între valorile imaginii de intrare și cea
de ieșire și care va transforma intrarea PDF px(x) pentru a produce rezultatul dorit
PDF py(y). Un rezultat standard din teoria probabilității elementare afirmă că:
Potrivirea histogramelor
Egalarea histogramei nu este cu siguranță o soluție pentru toate situațiile. Există
multe situații în care egalizarea produce efecte destul de nedorite. O tehnica strâns
legată, cunoscută sub denumirea de potrivire a histogramei ( mai este cunoscută și
ca specificația histogramei), este uneori mai potrivită și poate fi folosită atât ca
mijloc de îmbunatățire a contrastului vizual, cât și pentru regularizarea unei
imagini înainte de procesarea sau analiza ulterioară. Ideea care stă la baza potrivirii
histogramelor este foarte simplă. Având în vedere imaginea inițială (de
intrare)Iintrare și histograma sa corespunzătoare px(x) , căutam să efectuăm o
transformare f(x) asupra valorilor intensității de intrare astfel încât imaginea
transformată (de iesire)Iieșire să aibă o histogramă dorită pz(Z) . Adesea,
histograma țintă este luată dintr-un model sau o imagine de tip similar.
Teoria potrivirii histogramelor
Vom încerca să analizăm problema cum să obținem histograma țintă și pur și
simplu vom presupune că este cunoscută. Deci sarcina noastră de potrivire poate fi
formulată după cum urmează. X
Nivelurile intensităților de intrare vor fi notate prin variabila x (0 ≤ ≤ 1) și funcția
PDF a imaginii de intrare notată px(X) cu Similar nivelurile de ieșire ale
intensității vor fi notate cu variabila z (0) Z
funcția PDF corespunzătoare notată cu pz(Z). Sarcina noastră de potrivire a
histogramei poate fi apoi formulată ca derivarea asocierii f(x) între valorile
intensității de intrare x și cele de ieșire z astfel incât valorile asociate intensității de
ieșire să aibă PDF-ul dorit pz(Z)
Distribuția cumulativă (CDF) Cx(X) a imaginii de intrare poate fi reprezentată ca
definiție în felul urmator:
;
În mod similar, CDF Cz(Z) a imaginii este dată de integrala ieșirii PDF:
;
Un punct cheie în rationamentul nostru este recunoașterea faptului că ambele
transformări sunt irevirsibile. Mai precis, un PDF arbitrar f(x) este legat de CDF
p(X) prin relația:
;
Astfel, cunoașterea unui CDF determină în mod unic PDF-ul; și dacă CDF este
cunoscut, atunci și PDF-ul este cunoscut și calculabil prin acest diferențial explicit.
Rezultă că dacă putem defini o asociere f(x) între intensitățile de intrare (x) și
intensitățile de ieșire (z) astfel încât CDF-urile de intrare și de ieșire să fie identice,
garantăm astfel că PDF-urile corespunzătoare de asemenea vor fi aceleași. În
consecință cerem ca CDF-urile definite anterior, Cx(X) si Cz(Z) sa fie egale pentru
asocierea Z=f(x)
;
Definiția pentru această asociere este fundamentală pentru capacitatea de a asocia
intrarea Cx(x) la Cz(z) și, prin urmare, PDF-ul de intrare px(x) la PDF-ul de ieșire
pz(z).
;
Unde xj sunt valorile la nivelul de intensitate j al imaginii de intrare, N numarul
total de pixeli în acea imagine si k={0,1,2,…,L-1} , unde L este numarul
posibilelor niveluri de gri în imagine. Sub aceeași manieră se calculează și CDF-ul
discret Cz(l) al imaginii de ieșire:
;
unde zj sunt valorile la nivelul de intensitate j al imaginii de ieșire, N numarul total
de pixeli în acea imagine și l={0,1,2,…,L-1} , unde L este numărul posibilelor
niveluri de gri în imagine. În cele din urma, vom alcătui versiunea discretă a
transformării anterioare f(x)=c1z[Cx(x)] și trebuie să găsim asocierea C1z atunci
când intrarea pentru ea este CDF-ul imaginii de intrare, Cx().La fel ca și în
exemplul anterior la egalizarea histogramei, această asociere definește în mod
eficient o tabelă de căutare între valorile pixelilor de intrare și de ieșire care pot fi
ușor și eficient de calculat.
Potrivirea histogramei în practică
Potrivirea histogramei extinde principiile egalizării histogramelor prin
generalizarea formei a histogramei țintă. Este o tehnica de îmbunătățire automată
în care transformarea necesară este derivată dintr-o histogramă țintă specificată de
distribuție. În practică, histograma țintă de distribuție t va fi extrasă dintr-o imagine
de referință existentă, sau va corespunde unei funcții matematice specificată cu
proprietățile necesare. În continuare vom specifica un PDF liniar ca ținta de
distribuție t și vom încerca să observăm potrivirea histogramei.
Exemplu:
Fig 9.Potrivirea histogramei aplicat unei imagini.
Este evident din această figură 9 că histogramă dorită a imaginii de ieșire nu
produce o ieșire cu caracteristici deosebit de perfecte. În general, alegerea unei
histograme ținte adecvate presupune cunoașterea structurilor din imaginea de
intrare și necesită îmbunătățiri. O situație în care alegerea histogramei de ieșire
poate fi fixată esențial, este atunci când imaginea examinată este un exemplu de
clasa dată, dar a fost afectată de factori straini.
Un exemplu în acest sens este o secvență de fețe în poziția frontală. Aceasta
histogramă a unei fețe date poate fi afectată de iluminarea intensității și de efectele
de umbrire. O față capturată în condiții ideale ar putea furniza histograma dorită
pentru a corecta aceste efecte de ilumare și de umbrire înainte de utilizarea
ulterioară a imaginii de intrare, transformate pentru recunoașterea facială.
Uneori histograma globală a unei imagini poate avea o distribuție largă, în timp ce
histograma regiunilor locale este foarte înclinată către un capăt al spectrului de gri.
În asemenea cazuri, de multe ori este de dorit să se îmbunatățească contrastul
acestor regiuni locale, dar egalizarea histogramei globale este ineficientă. Acest
lucru poate fi rezolvat prin egalizarea histogramei adaptive.
Termenul de adaptiv implică faptul că diferite regiuni ale imaginii sunt procesate
diferit în dependență de proprietățile locale.
Există mai multe variante ale egalizării histogramei adaptive, dar poate cea mai
simplă și cea mai utilizată este abordarea asa-numită fereastră glisantă. În această
metodă, imaginea de bază este împărțită în regiuni locale vecine N x M (de
exemplu 16 x 16 pixeli). Fiecare regiune este înconjurată de o regiune mai mare,
care este folosită pentru a calcula tabelul de căutare pentru egalizarea histogramei
adecvate pentru regiunea interioară.
Acest lucru în general este eficient în creșterea contrastului local, dar pot apărea
‚artefacte bloc’ ca rezultat al procesării fiecărei astfel de regiuni izolate, iar
artefactele la limitele dintre ferestrele interioare pot avea tendința de a produce
impresia unei imagini care constă dintr-un număr de blocuri nepotrivite.
Artefactele pot în general fi reduse prin mărirea dimensiunii regiunii exterioare față
de regiunea interioară.
O metodă alternativă pentru egalizareă histogramei adaptive poate fi aplicată cu
succes după următoarele etape:
O rețea regulată de puncte este suprapusă peste imagine. Spațierea între punctele
rețelei în această abordarea este o variabilă, dar în general este de câteva zeci de
pixeli.
Pentru fiecare punct al grilei, se determină o regiune dreptunghiulară cu dublul
distanței dintre grilă. Astfel o regiune dată are o suprapunere de 50% cu vecinii săi
imediați din nord,sud,est și vest.
Valoarea transformată a unui pixel dat din imagine este calculată ca o combinație
ponderată a valorilor de ieșire din cele patru tabele de căutare din apropiere,
utilizând următoarea formulă bilineară:
;
unde a și b reprezintă distanța până la marginea regiunii de la pixelul dat. Această
formulă acordă o importanță adecvată regiunilor vecine căror aparțin punctul de
calcul. De exemplu un punct localizat exact pe un punct al grilei derivă numai la
valoarea sa egală din vecinatatea sa înconjurătoare, în timp ce un punct care este
echidistant față de cele 4 puncte cele mai apropiate ale rețelei, este o combinație
echilibrată a tuturor celor 4 regiuni regiuni învecinate.
Fig 10.Egalizarea histogramei adaptive.Vecinătate de 4 regiuni.
În figura de mai sus ce urmează avem rezultatul exemplului dat unde vedem
aplicarea egalizării histogramei asupra unei imagini color RGB, utilizând
reprezentarea HSV. Se observă că impresia subiectivă de culoare (cromaticitatea) a
fost menținută, însă efectul de egalizare a componentului de intesitate în cadrul
histogramei, este evident în rezultat.