画像を空間的に小さな領域 (ピクセル) に分割し、各ピクセルは 2 次元座標 (整数) を持ちます。

影響

各ピクセルの明るさまたはグレー値は、対応するグレー レベルにマッピングされ、各グレー レベルは一般に整数で表されます。

量子化されたグレースケール レベルの数 L=256 の場合、値の範囲は 0 ～ 255 の整数であり、8 ビットを使用してグレースケール画像ピクセルのグレースケール値を表すことができます。これは 8 ビット量子化と呼ばれます。

画像のピクセル数とは、ビットマップ画像に含まれる水平方向と垂直方向のピクセル数を指します。単純に画素数を増やすだけでは画像の表示効果を向上させることはできません。画像の表示効果はディスプレイの画素数と解像度によって決まります。

画像解像度は、単位印刷長さあたりの画像内に分布するピクセル数を指し、主にデジタル画像情報の密度を特徴付けるために使用され、画像の鮮明さを決定します。単位サイズの領域では、画像の解像度が高くなるほど、画像に含まれるピクセルの数が増え、ピクセルの密度が高まり、デジタル画像の鮮明度が高くなります。

画像サイズによって、画像ファイルの保存に必要な記憶領域が決まります。計算式は、通常、バイト (B) 単位で測定されます。バイト数 = (ビットマップの高さ × ビットマップの幅 × 画像の深さ) / 8 です。計算式から、画像ファイルの保存サイズはピクセル数に直接関係していることがわかります。

画像の色とは、デジタル画像内で可能な最大数の色の種類を指し、赤、緑、青の 3 つの原色の比率を変更することで、任意の色に簡単に混合できます。

画像深度は、画像のビット深度とも呼ばれ、画像内の各ピクセルが占めるビット数を指します。画像の各ピクセルに対応するデータは、通常、1 バイト以上で表すことができ、データ深度が深くなるほど、より多くのビットが必要になり、対応する色の表現がより豊富になります。

画像の色相とは、原色に対応するさまざまな画像の色の明暗を指します（たとえば、RGB 形式のデジタル画像の原色には、赤、緑、青が含まれます）。日常生活における色相の調整は、色相の調整です。原色の明るさ。色相の範囲は 0 ～ 255 で、合計 256 個の色相が含まれます。たとえば、最も単純なグレースケール イメージは、色相を白から黒までの 256 個の色相に分割します。 RGB画像では、赤、緑、青の3色の明暗を特徴づける必要があり、例えば赤の色調を濃くすると赤っぽい画像になり、緑の色調を濃くすると赤味が強くなる傾向があります。深くすると、画像は濃い緑色になる傾向があります。

画像の彩度は、画像内の色の純度を示します。自然風景の写真の彩度は、オブジェクトの反射または投影の特性によって異なります。デジタル画像処理では、彩度は通常、単色に混ざる白色光の割合によって測定され、単色に混ざる白色光が多いほど彩度は低くなり、逆に彩度は高くなります。

画像の明るさは、デジタル画像に含まれる色の明るさと暗さを指します。値の範囲は通常 0% ～ 100% です。

画像のコントラストとは、画像内の異なる色のコントラスト、または画像内の明暗のコントラストを指します。コントラストが大きいほど、色の間の明るさの違い、または黒と白の違いが大きくなります。たとえば、グレースケール画像のコントラストを高めると、画像内の黒と白の違いがより明確になり、画像がより鮮明に見えます。コントラストを極限まで高めると、グレースケール画像が白黒画像になります。

コンピュータのデザインシステムでは、画像素材をより便利かつ効果的に処理するために、通常、画像素材は異なるレイヤーに配置され、画像は複数の画像が重ね合わされて構成されているとみなすことができます。画像処理ソフトウェアを使用すると、他のレイヤーの画像内容に影響を与えることなく、各レイヤーを独立して処理できます。新しい画像ファイルを作成すると、システムはその背景レイヤーを自動的に作成します。これは、他の画像処理作業を実行できるキャンバスに相当します。画像に複数のレイヤーがある場合、各レイヤーのピクセル数、チャネル数、形式は同じになります。

以下の2つの条件のうちどちらかが満たされた場合

このとき、2 つの点 p と q は m 個に隣接していると言われます。

画像処理でよく使われる座標変換はアフィン変換です

アイデンティティ変換

翻訳変換

回転変換

スケール変換

せん断変形

マッピングされる位置に最も近い入力ピクセルのグレー値が補間結果として選択されます。

短所: 隣接するピクセルのグレー値が大きく変化すると、その微細な構造が粗くなります。

隣接する 4 つの点のグレー値に応じて、x 方向と y 方向に 2 回補間が実行されます。補間関数は双曲放物面方程式です。

これは最近傍法を改良したもので、双曲放物面を 4 つの隣接する既知の点に当てはめます。

短所: 双一次補間計算法は、隣接する 4 点の影響を考慮しているため、一般に良好な結果が得られます。ただし、この方法にはローパスフィルター特性があるため、高周波成分が失われ、画像の輪郭がぼやけてしまいます。より正確なグレースケール補間効果を得たい場合は、高次の補間補正を使用できます。

隣接する 16 点のグレー値に基づいて補間します

画像をフーリエ変換します。これは、波を取得するのではなく、画像を空間領域 (つまり、元のピクセル表現) から周波数領域に変換します。周波数領域では、画像は異なる周波数の波の一連の組み合わせとして表されます。この変換により、低周波成分 (滑らかな領域など、画像のゆっくりと変化する部分を表す) や高周波成分 (エッジなどの急速に変化する部分を表す) を含む、画像内のさまざまな周波数成分の分布を確認できるようになります。と詳細）。

周波数ドメインでは、画像に高周波フィルターまたは低周波フィルターを適用することを選択できます。

詳細については、「画像強化のための周波数ドメイン フィルタリング」を参照してください。

フィルタリングされた周波数領域データは、逆フーリエ変換によって空間領域に変換されます。この逆変換の結果は、周波数領域フィルタリングの効果を反映する修正された画像です。

空間領域法

周波数領域法

スムーズ

研ぐ

画像の周波数特性分析によると、画像全体のコントラストとダイナミックレンジは画像情報の低周波部分（画像全体を指します）に依存し、エッジの輪郭や局所的な詳細は画像情報の低周波部分に依存すると一般に考えられています。画像の高周波部分に依存します。

したがって、画像処理には 2 次元デジタル フィルタリング手法が使用されます。たとえば、ハイパス フィルタを使用するとエッジの輪郭や画像の詳細を強調することができ、ローパス フィルタを使用すると画像を滑らかにしてノイズを低減できます。

グレースケール値が反転し、黒が白になります

画像反転操作は、画像内の低グレー領域を強調して、明るくしたり目立つようにするためによく使用されます。

画像の本体がグレースケールで明るい場合、反転操作により本体が暗くなる場合があります。

明るいグレースケールで画像の被写体を強調するには、ヒストグラム等化やコントラスト強調など、他の画像強調技術を使用することが必要になることがよくあります。反転操作は、画像内の暗い細部を強調する場合により適しています。

画像の各部分のコントラストを強化し、画像内の 2 つのグレー値の間のダイナミック レンジを実際に増加させます。

逆に、元の画像のダイナミック レンジが大きすぎて、一部の表示デバイスの許容ダイナミック レンジを超える場合があります。この場合、元の画像をそのまま使用すると、一部のディテールが失われる可能性があります。

数学関数を適用して、画像内の各ピクセルのグレースケール値を調整します。

線形変換

非線形変換

すでに均一なヒストグラム: 画像のヒストグラムがすでに均一に分布している場合、または輝度分布が均一分布に非常に近い場合は、ヒストグラム等化を実行してもコントラストが変わらない可能性があります。

特殊な輝度分布: 一部の特殊な輝度分布状況では、ヒストグラム均等化により一部の領域でディテールが失われ、これらの領域のコントラストが低下する可能性があります。

輝度値の極端な集中: 画像内のピクセルの大部分が輝度範囲の端 (非常に明るいまたは非常に暗い) に集中している場合、ヒストグラムの均等化によってこれらの領域のコントラストが低下する可能性があります。

C(x,y)=A(x,y) B(x,y)

M 個の画像の平均は次のように定義されます。

応用

C(x,y) = A(x,y) - B(x,y)

応用

C(x,y) = A(x,y) * B(x,y)

応用

C(x,y) = A(x,y)/ B(x,y)

応用

AND (AND): p AND q と書きます (p・q または pq と書くこともできます)

または (OR): p OR q と書きます (p q と書くこともできます)

COMPLEMENT (COMPLEMENT、否定または否とも呼ばれることが多い): NOT q と書かれます ( と書くこともできます)

基本的

主効果

実装プロセス

テンプレートフォーム

アルゴリズム原理

アルゴリズムの特徴

近傍平均法

メディアンフィルター

基本的な考え方

アルゴリズムのアイデア

一階微分演算子

2階微分演算子

高周波と低周波

周波数領域フィルタリングを使用すると、画像の特定の内容を選択的に強調または抑制することができます。ローパス フィルターを使用して高周波成分を削減し、画像を滑らかにすることができます。

スムースに属します

理想ローパスフィルター (ILPF)

バターワース ローパス フィルター (BLPF)

指数ローパスフィルター (ELPF)

ラダーローパスフィルター(TLPF)

フィルター効果の比較

画像のエッジはスペクトルの高周波成分に対応するため、ハイパス フィルターを使用して画像のエッジを抽出できます。

元の画像と重ねるとエッジが鮮明になり、画像が鮮明になります。

研ぎに所属

画像の滑らかな部分に対応するローパス フィルターについては、対応するハイパス フィルターを取得できます。

ハイパス フィルターは (1-ローパス フィルター) と表現できます。

準同型フィルタリング技術は、画像の照明反射結像原理に基づいたフィルタリング手法です。

周波数領域では、画像の輝度範囲の圧縮とコントラストの向上を同時に行うことができるため、照明の不均一によるイメージングに特に適しています。

観察者または撮像システムによって得られる画像は、一般に、ターゲット上の反射光に依存します。これは、①シーンに入射する可視光の量、②シーン内のターゲットからの反射光の量に分けられます。

画像は照明成分と反射成分の積として表されます。

照明成分と反射成分は異なる周波数帯域にあり、対数法を使用してそれらの乗算を加算に変更し、これら 2 つの部分に異なる処理を使用できます。

照明成分は低周波であり、低周波を抑えることで照明ムラをなくすことができます。同時に、高周波成分を強調して画像の細部を強調することができます。

同時に、低周波を減らし高周波を強調し、画像のダイナミックレンジを圧縮し、さまざまな部分のコントラストを向上させます。

すべてのサブ領域の合計 (和集合) には画像内のすべてのピクセルが含まれる必要があります。または、セグメンテーションでは画像内の各ピクセルが特定のサブ領域に分割される必要があります。

各サブ領域は互いに重なり合わず、または 1 つのピクセルが同時に 2 つの領域に属することはできません。

同じ領域に属するピクセルは、いくつかの同じ特性を持ち、領域の境界が明確である必要があります。

異なる領域に属するピクセルは、いくつかの異なる特性を持つ必要があります。

同じサブ領域内のピクセルが接続されている必要があります。

方法: 画像ピクセルのグレー値の類似性に基づいて、しきい値を選択して、類似したグレー値を持つ領域を見つけます。領域の外側の輪郭がターゲット オブジェクトのエッジです。

方法: 画像ピクセルのグレー値の不連続性に従って、最初に点、線、エッジを見つけてから、領域を決定します。

閾値分割法

地域の成長

分割マージ

形態学的セグメンテーション

エッジ検出セグメンテーション法

ハフ変換

画像には、ターゲットと背景のグレースケール特性の違い、画像内の各ピクセルの所有権の決定、および最終的にバイナリ画像を生成するためのセグメント化が含まれます。

適切なセグメンテーションのしきい値を決定する

各ピクセル値をしきい値と比較して、ピクセルの所有権を割り当てます。

計算は簡単です

ターゲットと背景のコントラストが強い画像セグメンテーションに特に効果的です。

重なり合わない領域は、常に閉じた接続された境界で定義できます。

テクスチャ、色などの他の機能に一般化できます。

ターゲットと背景の内部のピクセル グレースケール値は非常に似ていますが、それらの接合部の両側のピクセル グレースケールは大きく異なります。画像のヒストグラムは、基本的にターゲットと背景の 2 つの単峰ヒストグラムを重ね合わせたものと見なすことができます。背景。ターゲットと背景の間のグレースケールの差が比較的大きい場合、画像のヒストグラムは二峰性になるはずです。

ヒストグラムの下部のグレー値 (最小値) をしきい値 T とします。

ノイズ干渉の影響を受けやすいため、最小値は望ましいしきい値ではありません。

改善する

画像ヒストグラムに二重山谷現象がないか、閾値に二重山谷現象があったとしても谷点は正確な閾値点ではない。

セグメンテーション エラーの確率を最小限に抑えます。最小エラー確率しきい値とも呼ばれます。

ターゲットと背景の確率とそのグレー分布の確率密度関数を設定します。

しきい値 t を指定して、各クラスのセグメンテーション エラーの確率を求めます。

このしきい値の下で合計セグメンテーション エラー確率 e(t) を求めます。

最適な閾値 T は、総分割エラー確率 e(t) の最小値から計算されます。

選択された閾値などは、領域分割対象と背景領域との間の全体的な差異を最大化するものであり、領域分割結果はある程度最適なレベルに達していると考えることができる。領域間のこの違いは、分散によって説明されることがよくあります。

分散はしきい値 k の関数です。k が変化すると、領域間の分散も変化します。これは、最大クラス間分散しきい値とも呼ばれます。

最大クラス間分散しきい値を解決するプロセスでは、他のパラメーターを手動で設定する必要はなく、コンピューターによって完全に自動的に選択されます。これは 2 つの領域のセグメンテーションに適用できるだけでなく、複数の領域の状況にも拡張できます。

合格

グレースケールで段差や屋根の変化がある画像内のピクセルのコレクション。

画像のセグメンテーションは、画像内のさまざまな領域の境界を見つけることによって実現されます。これは、境界に基づく画像セグメンテーション手法の大きなクラスです。

高精度: より多くの真のエッジが含まれ、より少ない偽エッジが含まれます。

高精度: 検出されたエッジは真の境界上にある必要があります。

単一ピクセル幅: 選択性が高く、エッジに独自に反応します。

「交差微分アルゴリズム」と同じ

Roberts、Prewitt、Sobel などのオペレータには 2 方向のテンプレートのみが含まれており、検出できるエッジ方向はほとんどありません。差分テンプレートの方向が多いほど、より多くの方向のエッジを検出できます。

キルシュ演算子

キャニーオペレーター

特徴

効果

テンプレート

最初に画像が平滑化され、次にラプラス演算子を使用してエッジが検出され、2 次微分演算子がノイズに敏感であるという問題が解決されます。

エッジ結合の目的は、不連続なエッジを接続して閉じた境界を形成することです。

エッジ検出結果の各点 (x、y) の特性を分析し、小さな近傍 (3x3 または 5x5) 内のすべての類似点を接続して、共通の特性を持つ領域の境界を形成します。

ある空間と別の空間の双対関係を利用して、元の空間の問題を双対空間に変換して解くと、双対空間では問題が比較的単純になります。

ステップ

既存の問題点と改善点

特徴

円検出用

楕円の検出用

一部のセグメンテーション方法では、特定の条件が考慮されません。

領域拡張はボトムアップのセグメンテーション方法です。

まず領域の数とその特性を決定し、次にそのシードをクラスタリングの中心として使用して、画像内の同じ特性を持つ隣接するピクセルを領域にマージし続けます。それらは融合し、最終的には異なる特性を持つ領域を形成します。この分割方法は領域拡張とも呼ばれます。

シードポイントの選択

類似性基準（成長基準）の決定

成長停止条件の決定

領域の成長は、シード、類似性基準などによって大きく影響されます。

分割/マージはトップダウンのセグメンテーション方法です。

画像全体を開始して段階的に連続的に分割し、同時に同じ特徴を持つ隣接する領域を分割できなくなるまで結合し、最終的に各部分領域を取得します。

分裂的なアプローチ

融合の実践

具体的な操作

内部機能: グレースケール機能、カラー機能、テクスチャ機能など。

外部特性: 面積、周囲長、真円度など...

領域と背景の境界線（隙間）の長さ

境界点の数

Ao はターゲットの面積、AMER は最小の外接長方形の面積です。 R 値は 0 ～ 1 です。

ターゲットが長方形の場合、R の値は最大 1 になります。ターゲットが円形の場合、R の値は小さくなり、0 に近づきます。

各境界セグメントに方向コードを与える

開始点を選択し、開始点から開始して、開始点に戻ってエンコードを終了するまで境界に沿ってエンコードします。

開始点: 赤い点

方向: 時計回り

4チェーンコード: 000033333322222211110011

始点sの座標を(5,5)とし、反時計回りに4方向チェーンコードと8方向チェーンコードを用いて領域境界を表現します。

4ウェイチェーンコード: (5,5)111232323000

8方向チェーンコード: (5,5)2224556000

この定義から、開始点、平行移動、回転、およびスケーリングの選択はすべて元の境界シーケンスに影響を及ぼし、それによってフーリエ変換後の結果に影響を与えることがわかります。

フーリエ記述子は、幾何学的変換に対して不変になるように改良および調整できます。具体的な方法は次のとおりです。 1) 開始点の変更と回転は F(u) の位相にのみ影響し、振幅には影響しないため、無視できます。 2) 変換は F(u) の DC 成分に影響しますが、DC を除去することで除去できます。 3) スケールの変更により F(u) が全体的に拡大または縮小されますが、これは最大係数で除算して正規化することで除去できます。 以上の処理を経て、最終的なフーリエリーフは幾何変換の不変性を有することになる。