PRELUCRAREA IMAGINILOR

PRELUCRARI PUNCTUALE
Prelucrari in domeniul spatial
 opereaza direct asupra
pixelilor.
g(x,y) = T[f(x,y)]
unde
 f(x,y) imaginea originala

 g(x,y) imaginea prelucrata

 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)

 s = nivelul de gri al lui g(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)

Valoare maxima: 8127304 10

Corectie de gamma
 Tubul catodic (CRT) are o caracteristica
stralucire – tensiune de tipul u, cu  de
ordinul 1,8-2,5
 Imaginea devine intunecoasa

 Corectia: transformarea imaginii inainte de

afisare dupa o lege:
s=r1/

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….

 Explicitati T, reprezentati grafic,

histograma imaginii transformate
15
Negativul imaginii
 s=T(r)=L-1-r

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)

Planul 1 (LSB) Planul 4 Planul 1 19

Egalizare de histograma

 Transformarea imaginii astfel incat

histograma sa devina plata:
 Imbunatatire a contrastului – nivelele
de gri ocupa toata scala
 Imagine echilibrata - toate nivelele de
gri exista si sunt egal reprezentate
 Fundamentarea algoritmului clasic
de EH se bazeaza pe notiunea de
variabila aleatoare

20
Variabila aleatoare

 Variabila aleatoare X– functie

definita pe o multime de
evenimente cu valori reale

X:S->R

 VA - Pune in corespondenta fiecare

eveniment cu un numar real

21
Functie de repartitie

 Functie de repartitie (CDF)-

probabilitatea ca variabila aleatoare
X sa ia valori mai mici sau egale cu
o valoare specificata x:

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:

 Ecart tip:  (radical din varianta)

26
Ergodicitate

 Mediile temporale tind spre mediile

statistice
 Medii statistice – medii pe ansamblul
realizarilor
 Medii temporale – medii pe o singura
realizare

27
Egalizare de histograma:
modelare statistica

 Nivelul de gri r: variabila aleatoare in [0,1]

 Histograma normalizata a imaginii:

densitatea de probabilitate pr(r)

 Sa se determine transformarea T astfel

incat variabila aleatoare s=T(r) sa aiba
repartitie uniforma pe [0,1]
 Repartitie uniforma => ps(s)=1

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

 (L-1)s are repartitie uniforma in [0,L-1]

29
Egalizare: Algoritm
 Functia de repartitie => histograma cumulativa
 Transforma r, cu r=0,..,L-1, in s:
 r

  h ( k ) 
r  s  ( L  1) kLo1 
 
 
k o
h ( k )


 Se aproximeaza o distributie uniforma:

histograma se intinde pe toata scara (pana
la alb) cat mai uniform posibil

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

Original Histograma cumulativa Egalizare

800 800

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

Transformare liniara Original Egalizare

800
800 800
700
700 700
600
600 600
500
500 500
400
400 400
300
300 300
200
200 200
100
100 100
0
0 0
35
0 50 100 150 200 250
0 50 100 150 200 250 0 50 100 150 200 250
Specificare de histograma

 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

Histograma liniara Egalizare

800

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