1 / 87

Képoperációk

Képoperációk. Vámossy Zoltán 2004 (Bebis, Ribeiro, Trucco Vierri és Cohen alapján). CV rendszer általános modellje. Képoperációk osztályozása. Képtérben történő műveletek Pont alapú transzformációk Maszk, vagy ablak alapú transzformációk Teljes képre vonatkozó transzformációk

alan-webb
Download Presentation

Képoperációk

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Képoperációk Vámossy Zoltán 2004 (Bebis, Ribeiro, Trucco Vierri és Cohen alapján)

  2. CV rendszer általános modellje

  3. Képoperációk osztályozása • Képtérben történő műveletek • Pont alapú transzformációk • Maszk, vagy ablak alapú transzformációk • Teljes képre vonatkozó transzformációk • Geometriai transzformációk • Frekvencia tartományban módszerek

  4. Pont alapú módszerek • g(x,y) = T[f(x,y)], T egy pixelen operál • Legegyszerűbb, elemi képfeldolgozási műveletek • Intenzitás transzformáció, ami egy régi értéket egy újra cserél valamilyen fgv. alapján • Általában a kontraszt fokozására használják

  5. Pont alapú: identitás, v. egység • g(x,y) = f(x,y)

  6. Pont alapú: negálás • g(x, y) = 255 - f(x, y) • Sötét háttérben szürke, vagy fehér elemek kiemelésére

  7. Pont alapú: kontraszt növ./csökk. • Szürkeségi értékek nyújtása úgy, hogy több információt lássunk

  8. Pont alapú: intenzitás szintre vágás 1. • Az intenzitás értékek egy tartományát emeli ki

  9. Pont alapú: intenzitás szintre vágás 2. • Dupla küszöbölés

  10. Pont alapú: kontraszt nyújtás • Nagyobb kontraszt érdekében: sötétítés m alatt, világosítás m fölött

  11. Pont alapú: nem lineáris transzformációk • A hatvány és gyök függvényeket is alkalmazhatunk transzformálásra

  12. Pont alapú: nem lineáris transzformációk • Tetszőleges fgv-t használhatunk, ami 1 -> 1, vagy sok -> 1 leképzést hajt végre • Logaritmikus skálázás: sötét régiókat jobban szét húzza, világosakat tömöríti g(x, y) = c * log [1.0 + f(x, y)], ahol c konstans

  13. Logaritmikus tr. példa • Fourier transzformáció esetében • Széles intenzitás spektrumot le lehet fedni

  14. Hatvány és gyök függvények • g(x, y) = c * f(x, y)γ, ahol c és γ pozitív konstans • Gamma értékétől függően vagy a sötét értékeket transzformálja világosabbá, vagy fordítva

  15. Gamma korrekció • Gamma különböző értékeinél ugyanaz az MRI kép (γ < 1, 0.6, 0.4, 0.3), illetve (γ > 1, 3, 4, 5)

  16. Pont alapú: küszöbölés

  17. Pont alapú: hisztogram műveletek • Alacsony kontrasztú képek, vagy túl sötétek, vagy túl világosak, vagy csak egy szűk intenzitás tartományban jellemzőek a szürkeségi értékek • Magas kontrasztú képek nagy sötét és nagy világos foltokat tartalmaznak • Jó kontrasztú képek • Intenzitások széles tartománya • Általában nincs domináns intenzitás érték

  18. Pont alapú: hisztogram műveletek • A hisztogram – az intenzitások gyakorisága – a kép kontrasztosságáról ad információt • Halmozott hisztogram: az adott szintig az intenzitások hány százalékát tartalmazza a kép

  19. Pont alapú: hisztogram széthúzás • Lineáris skálázás • A képen előforduló [min, max] intervallumot skálázza a [0, L - 1] teljes intervallumra.

  20. Pont alapú: hisztogram széthúzás • Tudjuk, hogy 0 = a * min + b és L - 1 = a * max + b • Ezérta = (L - 1) / (max - min)b = -min * a = -min * (L - 1) / (max - min) • Végüls = T(r) = (L - 1)(r - min) / (max - min)

  21. Pont alapú: hisztogram széthúzás

  22. Pont alapú: kontraszt széthúzás • Lineáris skálázás, hasonlít a hisztogram széthúzáshoz, de • A képen előforduló [min, max] intervallum helyett egy [low, high] intervallumot skáláz a [0, L - 1] teljes intervallumra.

  23. Pont alapú: kontraszt széthúzás

  24. Példa: hisztogram és kontraszt széthúzás

  25. Pont alapú: hisztogram kiegyenlítés • A hisztogram kiegyenlítés olyan transzformáció, amely az intenzitás szinteket úgy transzformálja, hogy az egyenletes legyen • Gyakorlatban ez nem működik

  26. Pont alapú: hisztogram kiegyenlítés • Eredeti hisztogram • Cél

  27. Pont alapú: hisztogram kiegyenlítés • Eredeti hisztogram • Cél • Monoton nő, eléri a maximális intenzitás értéket

  28. Pont alapú: hisztogram kiegyenlítés

  29. Pont alapú: hisztogram kiegyenlítés • Színes kép esetén színenként is végezhetjük • Lokálisan is végezhető, kisebb képrészekre

  30. Bit-síkonkénti vágás I. • A bitsíkok közül a magasabbak tartalmazzák a lényegi információ javarészét • A szteganográfia alapja: alacsonyabb bitekben idegen adatot tárolunk

  31. Bit-síkonkénti vágás (példa) 7 6 5 4 3 2 1 0

  32. Teljes képre vonatkozó transzformációk • Az eredmény pixelérték olyan műveleten alapszik, amely két vagy több képet használ • Általában minden output pixel ugyanabban a helyzetben marad

  33. Teljes képre: összeadás • Két képen lévő információ kombinálásakor hasznos • O(r, c) = a * I1(r, c) + (1-a) * I2(r, c)

  34. Teljes képre: átlagolás • Képminőség javítható több kép átlagával O(r, c) = I(r, c) + n(r, c), n additív zaj • Sok zajos kép esetén a zaj átlaga 0, a várható érték maga a kép

  35. Teljes képre: kivonás • Változásdetektálás • O(r, c) = |I1(r, c) - I2(r, c)|

  36. Teljes képre: szorzás/osztás • Fényesség beállításra használható

  37. Teljes képre: and/or I. • AND: Kép adott részének kimaszkolása • Or: másik kép adott részének hozzáadása

  38. Teljes képre: and/or II. • AND • OR

  39. Geometriai transzformációk • Eltolás: r’ = r + tr c’ = c + tc • Skálázás r’ = sr r c’ = sc tc • Elforgatás r’ = r0 + (r - r0)cos(β) - (c - c0)sin(β) c’ = c0 + (r - r0)sin(β) + (c - c0)cos(β) • Affin transzformáció r’ = a11r + a12c + b1 c’ = a21r + a22c + b2

  40. Geometriai tr.: problémák • A transzformált pixelkoordináták nem a képen belülre esnek • A transzformált pixelkoordináták nem egészek • Nem felel meg kölcsönösen egymásnak az input kép minden pixele az output minden pixelének

  41. Geometriai tr.: 3. probléma • Megoldás: az outputból kiindulva az inverz transzformációval számoljunk

  42. Geometriai tr.: 2. probléma • A környező pixelekből interpolálunk • 0-ad rendű interpoláció (nearest neighbor)

  43. Geometriai tr.: 2. probléma • A környező pixelekből interpolálunk • Magasabb rendű interpoláció (bicubic, spline stb.)

  44. Geometriai tr.: 2. probléma Spline függvények – Interpoláció Ez a rész innen származik: Bruce Cohen http://www.cgl.ucsf.edu/home/bic

  45. Célok • Diszkrét adatok interpolációja folytonos függvényekkel • Az egy dimenziós technika átvitele két dimenzióba

  46. Résztémák • Pontok összekötése – szakaszonként folytonos lineáris interpoláció • Minden részintervallumra lineáris egyenlet meghatározása az adatokból • Az így kapott “Spline bázisfüggvények” lineáris kombinációja • Vonaldarabkák összekötése – sima, szakaszonként másodrendű interpoláció • A függvényadat és a meredekség használata a harmadrendű interpolációhoz minden intervallumban • Lineáris kombinációjaa “Cubic spline bázisfüggvényeknek” • 2D interpoláció

  47. Pontok összekötése Írjunk egy formulát 5 adatpont összekötésére szakaszonként lineáris interpolációs függvénnyel

  48. Írjunk egy formulát n pont összekötésére

  49. Interpoláció lineáris spline bázissal A “lineáris spline függvény” megközelítés magába foglalja “bázisfüggvények”megválasztásátúgy, hogy az interpolációs függvényegyszerű lineáris kombinációval írható le:

  50. Bázis függvények lineáris kombinációja

More Related