Documente Academic
Documente Profesional
Documente Cultură
PRELUCRARI PUNCTUALE
Prelucrari in domeniul spatial
opereaza direct asupra
pixelilor.
g(x,y) = T[f(x,y)]
unde
f(x,y) imaginea originala
T un operator definit pe
o vecinatate a lui (x,y)
2
Prelucrari punctuale
vecinatate = 1x1 pixel
g depinde numai de valoarea lui f in (x,y)
T = transforma nivelul de gri
s = T(r)
unde
r = nivelul de gri al lui f(x,y)
3
Prelucrari punctuale: obiectiv
Imbunatatirea imaginilor
Imbunatatirea trebuie judecata in
functie de aplicatia avuta in vedere
Rezultatul prelucrarii mai potrivit
aplicatiei in cauza
O metoda utila pentru imbunatatirea
unui tip de imagini poate esua in cazul
altui tip de imagini.
4
Transformarea identica
Lasa imaginea nemodificata
g(x,y)=T(f(x,y)
s=T(r)
T=?
5
Transformarea identica
Lasa imaginea nemodificata
g(x,y)=T(f(x,y)
s=T(r)
T(r)=r
6
Transformarea liniara
s=T(r)= cr;
c>1 s=min(cr,L-1)
7
Transformarea liniara
s=T(r)= cr;
c<1
8
Transformare liniara
Utilizeaza mai bine gama
dinamica (in functie de continut)
Expandeaza [r1,r2]->[s1,s2]
Contracta [0,r1]->[0,s1]
Contracta [r2,0]->[s2,L-1], L=2B
s1
r 0 r r1
r1
s2 s1 s1r2 s2 r1
s r r1 r r2
r2 r1 r2 r1
2 B 1 s2 s2 r2
2 B 1 r r (2 1) 2 B 1 r r2 r 2 B 1
B
2 2 9
Transformare logaritmica
Afisarea imaginilor cu rang dinamic mare
s c log(1 r )
Afisarea spectrului (transformata Fourier)
11
Corectie de gamma (=2.5)
s=r1/
s=r
12
Corectie de gamma
(a) Imagine MRI fractura de coloana
vertebrala
Imaginea e intunecoasa < 1
(b) transformare cu = 0.6
(c) transformare cu = 0.4
(cel mai bun resultat)
(d) transformare cu = 0.3
a b
c d
13
Input gray level, r
Corectie de gamma
(a) Imagine aeriana
Imaginea e spalacita > 1
(b) transformare cu = 3
(c) transformare cu = 4
(d) transformare cu = 5
a b
c d
14
Input gray level, r
Negativul imaginii
T: Transforma negrul in alb….
16
Binarizare cu prag
c if r m
s
0 if r m
m: prag
17
“Felierea” nivelelor de gri
(graylevel slicing)
Evidentierea nivelelor
din intervalul [AB]
Restul nivelelor:
Nivel de gri constant
Raman neschimbate
18
“Felierea” planelor de biti
(bitplane slicing)
Evidentierea contributiei
fiecarui plan
8-biti => 8-plane
Extragerea planului k =>
SI logic cu o masca avand
1 pe pozitia k si 0 in rest.
Planul 3 => 00000100 Planul 6
Planul 8 (MSB)
1 byte
Planul 8 (MSB)
20
Variabila aleatoare
X:S->R
21
Functie de repartitie
22
Functie de repartitie
Proprietati
23
Densitate de probabilitate
Densitatea de probabilitate se defineste
ca derivata functiei de repartitie
Proprietati
24
Medii (momente) statistice
Speranta (media):
Continuu:
Discret:
Varianta
Continuu:
Discret:
25
Medii
Momente centrate: VA sunt normalizate
prin scaderea mediei:
26
Ergodicitate
27
Egalizare de histograma:
modelare statistica
28
Modelare statistica
Se demonstreaza ca daca functia de repartitie a lui r
este strict crescatoare (inversabila), transformarea
prin care se obtine o variabila aleatoare s cu
repartitie uniforma in [0,1] este:
r
s T ( r ) pr ( w )dw
0
Transformarea T este functia de repartitie a lui r
29
Egalizare: Algoritm
Functia de repartitie => histograma cumulativa
Transforma r, cu r=0,..,L-1, in s:
r
h ( k )
r s ( L 1) kLo1
k o
h ( k )
30
Exemplu
Numar pixeli
6
2 3 3 2 5
4 2 4 3 4
3 2 3 5 3
2
2 4 2 4
1
nivel
Imagine 4x4
0 1 2 3 4 5 6 7 8 9
Nivele: [0,9]
histograma
31
Gray
0 1 2 3 4 5 6 7 8 9
Level(j)
No. of
0 0 6 5 4 1 0 0 0 0
pixels
k
n
j 0
j 0 0 6 11 15 16 16 16 16 16
6 11 15 16 16 16 16 16
k nj
s 0 0 / / / / / / / /
j 0 n 16 16 16 16 16 16 16 16
3.3 6.1 8.4
sx9 0 0 9 9 9 9 9
3 6 8
32
Exemplu
Numar pixeli
6
3 6 6 3 5
8 3 8 6 4
6 3 6 9 3
2
3 8 3 8
1
Imagine egalizata
0 1 2 3 4 5 6 7 8 9
Nivele: [0,9] Nivel
Histograma egalizata
33
Exemplu: Lena
1
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
700 700
600 600
500 500
400
400
300
300
200
200
100
100
0
0
34
0 50 100 150 200 250
0 50 100 150 200 250
Egalizare/transformare liniara
Generalizeaza egalizarea de
histograma
Sa se determine transformarea care
modifica imaginea astfel incat
histograma ei sa aiba o forma
predefinita (specificata)
Ex: gaussiana, suma de gaussiene,
exponentiala, logaritmica etc.
36
Specificare: modelare statistica
r in [0,1] cu ddp pr(r)
s in [0,1] cu ddp ps(s) (specificata)
Se egalizeaza r si s:
u=T(r)
v=G(s)
Presupunem T si G strict monotone (inversabile)
Se considera egalitatea intre u si v
T(r)=G(s)
Se determina transformarea S:
S=G-1(T(r))
Nu are solutie exacta – se rezolva numeric.
37
Specificare: exemplu
700
600
500
400
300
200
100
Original
0 50 100 150 200 250 300
38
Concluzii
Rezultatul depinde doar de pixel
In general transformari ale nivelului de gri
In aceeasi categorie intra si transformarile
intre diversele spatii color (RGB->HSV etc.)
Operatii de complexitate redusa
1 operatie/pixel
Adecvate pt implementari de timp real
Transformari reversibile
T strict monotona
Operatii intregi
39