이미지를 작은 영역(픽셀)으로 공간적으로 나누고, 각 픽셀은 2차원 좌표(정수)를 갖습니다.

영향

각 픽셀의 밝기 또는 회색 값은 해당 회색 레벨에 매핑되며, 각 회색 레벨은 일반적으로 정수로 표시됩니다.

양자화된 계조 레벨의 수 L=256인 경우, 값 범위는 0부터 255까지의 정수이고, 8비트는 계조 이미지 픽셀의 계조 값을 표현하는데 사용될 수 있는데, 이를 8비트 양자화라고 한다.

이미지 픽셀 수는 비트맵 이미지에 가로 및 세로로 포함된 픽셀 수를 나타냅니다. 단순히 픽셀 수를 늘리는 것만으로는 이미지의 표시 효과를 향상시킬 수 없습니다. 이미지의 표시 효과는 디스플레이의 픽셀 수와 해상도에 따라 결정됩니다.

이미지 해상도는 단위 인쇄 길이당 이미지에 분포된 픽셀 수를 의미하며, 이미지의 선명도를 결정하는 디지털 이미지 정보의 밀도를 특성화하는 데 주로 사용됩니다. 단위 크기 영역에서 이미지의 해상도가 높을수록 포함된 픽셀 수가 많아지고 픽셀의 밀도가 높아지며 디지털 이미지의 선명도가 높아집니다.

이미지 크기는 이미지 파일을 저장하는 데 필요한 저장 공간을 결정하며 일반적으로 바이트(B) 단위로 측정됩니다. 계산 공식은 바이트 수 = (비트맵 높이 × 비트맵 너비 × 이미지 깊이) / 8입니다. 이미지 파일의 저장 크기는 픽셀 수와 직접적인 관련이 있음을 계산 공식을 통해 알 수 있습니다.

이미지 색상은 디지털 이미지에서 가능한 가장 많은 색상 유형을 말하며, 빨간색, 녹색, 파란색의 3원색 비율을 변경하여 어떤 색상이든 쉽게 혼합할 수 있습니다.

이미지의 비트 심도라고도 알려진 이미지 심도는 이미지의 각 픽셀이 차지하는 비트 수를 나타냅니다. 이미지의 각 픽셀에 해당하는 데이터는 일반적으로 1바이트 이상으로 표현될 수 있습니다. 데이터 깊이가 깊을수록 더 많은 비트가 필요하고 해당 색상 표현이 더 풍부해집니다.

이미지 색상은 기본 색상에 해당하는 다양한 이미지 색상의 밝기와 어두움을 나타냅니다. 예를 들어 RGB 형식의 디지털 이미지의 기본 색상에는 빨간색, 녹색, 파란색이 포함됩니다. 일상 생활에서 색상의 조정은 다음과 같습니다. 기본 색상의 밝기. 색상 범위는 0부터 255까지이며 총 256개의 색상이 있습니다. 예를 들어 가장 간단한 회색조 이미지는 색상을 흰색에서 검정색까지 256개의 색상으로 나눕니다. RGB 이미지에서는 빨간색, 녹색, 파란색의 세 가지 색상의 명암을 특성화해야 합니다. 예를 들어 빨간색 톤이 짙어지면 이미지가 어두운 빨간색으로 변하는 경향이 있고, 녹색 톤이 짙어지면 이미지가 어두워지는 경향이 있습니다. 심도가 깊어지면 이미지가 짙은 녹색으로 변하는 경향이 있습니다.

이미지 채도는 이미지의 색상 순도를 나타냅니다. 자연스러운 장면 사진의 채도는 물체의 반사 또는 투영 속성에 따라 달라집니다. 디지털 이미지 처리에서 채도는 일반적으로 단색에 혼합된 백색광의 비율로 측정됩니다. 단색에 혼합된 백색광이 많을수록 채도는 낮아지고, 반대로 채도는 높아집니다.

이미지 밝기는 디지털 이미지에 포함된 색상의 밝기와 어두움을 의미합니다. 이는 물체 자체의 밝기와 어둠에 대한 인간의 눈의 인식입니다. 값 범위는 일반적으로 0%~100%입니다.

이미지 대비는 서로 다른 색상 간의 대비 또는 이미지의 밝은 부분과 어두운 부분의 대비를 나타냅니다. 대비가 클수록 색상 간의 밝기 차이가 커지거나 흑백 간의 차이가 커집니다. 예를 들어, 회색조 이미지의 대비를 높이면 이미지의 검은색과 흰색의 차이가 더 뚜렷해지며 이미지가 더 선명해집니다. 대비를 극도로 높이면 회색조 이미지가 흑백 이미지가 됩니다.

컴퓨터 디자인 시스템에서는 영상 자료를 보다 편리하고 효과적으로 처리하기 위해 일반적으로 서로 다른 레이어에 배치되며, 이미지는 여러 레이어의 이미지가 겹쳐져 구성된 것으로 간주할 수 있습니다. 이미지 처리 소프트웨어를 사용하면 다른 레이어의 이미지 내용에 영향을 주지 않고 각 레이어를 독립적으로 처리할 수 있습니다. 새 이미지 파일을 생성하면 시스템은 자동으로 해당 파일에 대한 배경 레이어를 생성합니다. 이는 다른 이미지 처리 작업을 수행할 수 있는 캔버스와 같습니다. 이미지에 여러 레이어가 있는 경우 각 레이어의 픽셀 수, 채널 및 형식은 동일합니다.

다음 두 가지 조건 중 하나를 충족하는 경우

그러면 두 점 p와 q는 m 인접하다고 합니다.

영상 처리에서 일반적으로 사용되는 좌표 변환은 아핀 변환(affine Transformation)입니다.

정체성 변화

번역 변환

회전 변환

규모 변환

전단변환

매핑된 위치에 가장 가까운 입력 픽셀의 회색 값이 보간 결과로 선택됩니다.

단점: 인접한 픽셀의 회색 값이 크게 변경되면 미세 구조가 거칠어집니다.

인접한 4개 점의 회색값에 따라 x, y 방향으로 2번 보간을 수행합니다. 보간 함수는 쌍곡선 포물면 방정식입니다.

이것은 쌍곡선 포물면이 4개의 인접한 알려진 점에 맞춰지는 최근접 이웃 방법의 개선입니다.

단점: 쌍선형 보간 계산 방법은 인접한 네 지점의 영향을 고려했기 때문에 일반적으로 만족스러운 결과를 얻을 수 있습니다. 그러나 이 방법에는 저역 통과 필터링 특성이 있어 고주파 성분이 손실되고 이미지 윤곽이 흐려집니다. 보다 정확한 그레이스케일 보간 효과를 얻으려면 고차 보간 보정을 사용할 수 있습니다.

인접한 16개 점의 회색 값을 기준으로 보간합니다.

푸리에 이미지를 변환합니다. 파동을 얻는 대신 이미지를 공간 영역(즉, 원래 픽셀 표현)에서 주파수 영역으로 변환합니다. 주파수 영역에서 이미지는 서로 다른 주파수의 파동의 일련의 조합으로 표현됩니다. 이 변환을 통해 저주파 성분(매끄러운 영역과 같이 이미지에서 천천히 변화하는 부분을 나타냄)과 고주파 성분(가장자리와 같이 빠르게 변화하는 부분을 나타냄)을 포함하여 이미지의 다양한 주파수 성분의 분포를 볼 수 있습니다. 및 세부 사항).

주파수 영역에서는 이미지에 고주파 필터 또는 저주파 필터를 적용하도록 선택할 수 있습니다.

자세한 내용은 이미지 향상을 위한 주파수 영역 필터링을 참조하세요.

필터링된 주파수 영역 데이터는 역 푸리에 변환을 통해 다시 공간 영역으로 변환됩니다. 이 역변환의 결과는 주파수 영역 필터링의 효과를 반영하는 수정된 이미지입니다.

공간 영역 방법

주파수 영역 방법

매끄러운

갈다

영상의 주파수 특성 분석에 따르면, 일반적으로 전체 영상의 대비와 동적 범위는 영상 정보의 저주파 부분(전체 영상을 나타냄)에 따라 달라지는 반면, 가장자리 윤곽선과 국부적인 세부 사항은 이미지에서는 고주파 부분에 따라 달라집니다.

따라서 이미지 처리에는 2차원 디지털 필터링 방법이 사용됩니다. 예를 들어 고역 통과 필터를 사용하면 가장자리 윤곽과 이미지 세부 정보를 강조하는 데 도움이 되고, 저역 통과 필터를 사용하면 이미지를 부드럽게 하고 노이즈를 줄일 수 있습니다.

그레이스케일 값이 반전되어 검정색이 흰색이 됩니다.

이미지 반전 작업은 종종 이미지의 낮은 회색 영역을 강화하여 더 밝거나 더 두드러지게 만드는 데 사용됩니다.

그레이스케일에서 이미지의 본체가 더 밝을 경우, 반전 작업으로 인해 본체가 더 어두워질 수 있습니다.

밝은 회색조로 이미지 피사체를 향상하려면 히스토그램 균등화 또는 대비 향상과 같은 다른 이미지 향상 기술을 사용해야 하는 경우가 많습니다. 반전 작업은 이미지의 어두운 디테일을 향상시키는 데 더 적합합니다.

이미지 각 부분의 대비를 강화하고 실제로 이미지의 두 회색 값 사이의 동적 범위를 늘립니다.

반대로 원본 이미지의 동적 범위가 너무 커서 일부 디스플레이 장치에서 허용되는 동적 범위를 초과하는 경우가 있습니다. 이 경우 원본 이미지를 직접 사용하면 일부 세부 정보가 손실될 수 있습니다.

수학 함수를 적용하여 이미지의 각 픽셀의 회색조 값을 조정합니다.

선형변환

비선형 변환

이미 균일한 히스토그램: 이미지의 히스토그램이 이미 균일하게 분포되어 있거나 밝기 분포가 균일한 분포에 매우 가까운 경우 히스토그램 균등화를 수행해도 대비가 변경되지 않을 수 있습니다.

특수 밝기 분포: 일부 특수 밝기 분포 상황에서는 히스토그램 균등화로 인해 일부 영역에서 디테일 손실이 발생하여 해당 영역의 대비가 감소할 수 있습니다.

휘도 값의 극단적인 집중: 이미지의 많은 픽셀이 휘도 범위의 맨 끝 부분(매우 밝거나 매우 어두움)에 집중되어 있는 경우 히스토그램 균등화로 인해 해당 영역의 대비가 감소할 수 있습니다.

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

M개 이미지의 평균은 다음과 같이 정의됩니다.

애플리케이션

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

애플리케이션

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

애플리케이션

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

애플리케이션

AND(AND): p AND q로 표기(p·q 또는 pq로도 표기 가능)

Or (OR): p OR q로 표기 (p q로도 표기 가능)

COMPLEMENT(COMPLEMENT, 종종 부정 여부라고도 함): NOT q로 작성됨( 로 작성할 수도 있음)

근본적인

주효과

구현 프로세스

템플릿 양식

알고리즘 원리

알고리즘 특성

이웃 평균 방법

중앙값 필터

기본 사상

알고리즘 아이디어

1차 미분 연산자

2차 미분 연산자

고주파수와 저주파수

주파수 영역 필터링을 사용하여 이미지의 특정 내용을 선택적으로 강화하거나 억제할 수 있습니다. 저역 통과 필터링을 사용하면 고주파 성분을 줄여 이미지 평활화를 달성할 수 있습니다.

스무스에 속한다

이상적인 저역 통과 필터(ILPF)

버터워스 저역 통과 필터(BLPF)

지수 저역 통과 필터(ELPF)

래더 로우 패스 필터(TLPF)

필터 효과 비교

이미지 가장자리는 스펙트럼의 고주파 성분에 해당하므로 고역 통과 필터를 사용하여 이미지 가장자리를 추출할 수 있습니다.

원본 이미지와 겹쳐서 가장자리를 더 선명하게 만들어 이미지를 선명하게 만들 수 있습니다.

샤프닝에 속합니다

영상의 매끄러운 부분에 해당하는 저역 통과 필터에 대해 해당 고역 통과 필터를 얻을 수 있습니다.

고역통과 필터는 다음과 같이 표현될 수 있습니다. (1-저역통과 필터)

동형 필터링 기술은 이미지의 조명 반사 이미징 원리를 기반으로 하는 필터링 방법입니다.

주파수 영역에서는 영상의 밝기 범위를 압축하는 동시에 대비를 향상시키는 것이 가능하며, 이는 고르지 못한 조명으로 인해 발생하는 영상에 특히 적합합니다.

관찰자 또는 이미징 시스템에 의해 획득된 이미지는 일반적으로 대상의 반사광에 따라 달라지며, 이는 ① 장면에 입사되는 가시광선의 양 ② 장면의 대상에서 반사되는 빛의 양으로 구분됩니다.

이미지는 조명 성분과 반사 성분의 곱으로 표현됩니다.

조명 구성 요소와 반사 구성 요소는 서로 다른 주파수 대역에 있습니다. 로그 방법을 사용하여 곱셈을 덧셈으로 변경한 다음 이 두 부분에 대해 서로 다른 처리를 사용할 수 있습니다.

조명 성분은 저주파에 있으며, 저주파를 억제하여 조명의 불균일성을 제거할 수 있습니다. 동시에 고주파 성분을 강화하여 이미지 세부 사항을 강조할 수 있습니다.

동시에 저주파를 줄이고 고주파를 강화하며 이미지의 동적 범위를 압축하고 다양한 부분 간의 대비를 향상시킵니다.

모든 하위 영역의 합(합집합)에는 이미지의 모든 픽셀이 포함되어야 하며, 분할은 이미지의 각 픽셀을 특정 하위 영역으로 나누어야 합니다.

각 하위 영역은 서로 겹치지 않거나 하나의 픽셀이 동시에 두 영역에 속할 수 없습니다.

동일한 영역에 속하는 픽셀은 동일한 특성을 가져야 하며 영역 경계가 명확해야 합니다.

서로 다른 지역에 속하는 픽셀은 서로 다른 특성을 가져야 합니다.

동일한 하위 영역의 픽셀을 연결해야 합니다.

방법: 영상 픽셀의 회색값 유사성을 바탕으로 임계값을 선택하여 유사한 회색값을 갖는 영역을 찾습니다. 영역의 외곽선이 대상 개체의 가장자리입니다.

방법: 이미지 픽셀의 회색 값의 불연속성에 따라 먼저 점, 선 및 가장자리를 찾은 다음 영역을 결정합니다.

임계값 분할 방법

지역 성장

분할 병합

형태학적 분할

가장자리 감지 분할 방법

허프 변환

이미지에는 다음이 포함됩니다. 둘 사이의 회색조 특성에 차이가 있습니다. 이미지의 각 픽셀의 소유권을 결정하고 최종적으로 이진 이미지를 생성합니다.

적절한 분할 임계값 결정

각 픽셀 값을 임계값과 비교하여 픽셀 소유권 할당

계산은 간단하다

대상과 배경 사이의 대비가 강한 이미지 분할에 특히 효과적입니다.

겹치지 않는 영역은 항상 닫히고 연결된 경계로 정의할 수 있습니다.

질감, 색상 등과 같은 다른 특성으로 일반화될 수 있습니다.

대상과 배경 내부의 픽셀 회색조 값은 매우 유사한 반면, 접합 양쪽의 픽셀 회색조는 매우 다릅니다. 이미지의 히스토그램은 기본적으로 대상과 배경의 두 개의 단봉 히스토그램이 중첩된 것으로 간주할 수 있습니다. 배경. 대상과 배경 사이의 회색조 차이가 상대적으로 큰 경우 이미지의 히스토그램은 이중 모드여야 합니다.

히스토그램 하단의 회색 값(최소값)을 임계값 T로 사용합니다.

잡음 간섭에 취약하므로 최소값은 원하는 임계값이 아닙니다.

개선하다

영상 히스토그램에는 이중 피크와 밸리 현상이 없거나, 임계값에 이중 피크와 밸리 현상이 있더라도 밸리 지점은 정확한 임계점이 아닙니다.

최소 오류 확률 임계값이라고도 알려진 분할 오류 확률을 최소화합니다.

대상과 배경의 확률과 회색 분포 확률 밀도 함수를 설정합니다.

임계값 t가 주어지면 각 클래스의 분할 오류 확률을 찾습니다.

이 임계값 아래에서 총 분할 오류 확률 e(t)를 찾습니다.

최적 임계값 T는 전체 분할 오류 확률 e(t)의 최소값으로부터 계산됩니다.

선택된 임계값 등은 분할 대상과 배경 영역 간의 전체적인 차이를 최대화하여 어느 정도 분할 결과가 최적 수준에 도달했다고 볼 수 있습니다. 지역 간의 이러한 차이는 종종 분산으로 설명됩니다.

분산은 임계값 k의 함수입니다. k가 변경되면 영역 간 분산도 변경됩니다. 분산을 최대화하는 k를 선택합니다. 이를 최대 클래스 간 분산 임계값이라고도 합니다.

최대 클래스 간 분산 임계값을 해결하는 과정에서는 다른 매개변수를 수동으로 설정할 필요가 없으며 컴퓨터에 의해 완전히 자동으로 선택됩니다. 이는 두 지역의 분할에만 적용 가능한 것이 아니라 여러 지역의 상황에도 확장될 수 있습니다.

통과하다

회색조로 계단이나 지붕이 변경되는 이미지의 픽셀 모음입니다.

이미지 분할은 이미지에서 서로 다른 영역의 경계를 찾아 수행됩니다. 경계를 기반으로 한 대규모 이미지 분할 방법입니다.

높은 정확도: 더 많은 실제 가장자리를 포함하고 더 적은 거짓 가장자리를 포함합니다.

높은 정확도: 감지된 가장자리는 실제 경계에 있어야 합니다.

단일 픽셀 너비: 매우 선택적이고 가장자리에 고유하게 반응합니다.

"교차 미분 알고리즘"과 동일

Roberts, Prewitt 및 Sobel과 같은 연산자는 두 방향의 템플릿만 포함하며 가장자리 방향을 거의 감지할 수 없습니다. 차등 템플릿의 방향이 많을수록 더 많은 방향의 가장자리를 더 많이 감지할 수 있습니다.

키르쉬(Kirsch) 연산자

캐니 오퍼레이터

특징

효과

주형

2차 미분 연산자가 잡음에 민감한 문제를 극복하기 위해 먼저 영상을 평활화한 후 라플라스 연산자를 사용하여 가장자리를 검출합니다.

모서리 결합의 목적은 불연속 모서리를 연결하여 닫힌 경계를 형성하는 것입니다.

에지 감지 결과에서 각 점(x, y)의 특성을 분석하고, 작은 이웃(3x3 또는 5x5)의 유사한 점을 모두 연결하여 공통 특성을 갖는 영역의 경계를 형성합니다.

한 공간과 다른 공간의 이중적 관계를 이용하여 원래 공간의 문제를 이중공간으로 전환하여 해결하고, 이중공간에서는 문제가 상대적으로 단순해진다.

단계

기존 문제점 및 개선사항

특징

원 검출용

타원 감지용

일부 분할 방법은 특정 조건을 고려하지 않습니다.

지역 성장은 상향식 분할 방법입니다.

먼저 영역의 수와 해당 특성을 결정한 다음 시드를 클러스터링 센터로 사용하여 이미지에서 동일한 특성을 가진 인접한 픽셀을 영역에 계속 병합합니다. 병합 프로세스는 계속됩니다. 병합되어 최종적으로 서로 다른 특성을 갖는 영역을 형성합니다. 이 분할 방법을 영역 확장이라고도 합니다.

시드 포인트 선택

유사성 기준(성장 기준) 결정

성장 정지 조건 결정

지역 재배는 종자, 유사성 기준 등에 의해 크게 영향을 받습니다.

분할-병합은 하향식 분할 방법입니다.

전체 이미지에서 시작하여 단계적으로 연속적으로 분할하고, 동시에 더 이상 분할할 수 없을 때까지 동일한 특성을 갖는 인접한 영역을 병합하여 최종적으로 각 하위 영역을 얻습니다.

분열적인 접근 방식

병합의 실천

특정 작업

내부 기능: 그레이스케일 기능, 색상 기능, 텍스처 기능...

외부 특성: 면적, 둘레, 원형도 등

영역과 배경 사이의 경계선(간격)의 길이

경계점 수

Ao는 대상의 면적이고 AMER는 가장 작은 둘러싸는 직사각형의 면적입니다. R 값은 0과 1 사이입니다.

대상이 직사각형인 경우 R은 최대값 1을 취하고, 대상이 원인 경우 R 값은 가늘고 구부러진 대상의 경우 R 값이 작아지고 0에 가까워집니다.

각 경계 세그먼트에 방향 코드 제공

시작점을 선택하고 시작점부터 시작하여 시작점으로 돌아올 때까지 경계선을 따라 인코딩하여 인코딩을 종료합니다.

시작점: 빨간 점

방향: 시계방향

4-체인 코드: 000033333322222211110011

시작점 s의 좌표를 (5,5)로 하고, 4방향 체인코드와 8방향 체인코드를 반시계방향으로 사용하여 영역경계를 표현한다.

4방향 체인 코드: (5,5)111232323000

8방향 체인 코드: (5,5)2224556000

정의에서 시작점 선택, 이동, 회전 및 크기 조정이 모두 원래 경계 시퀀스에 영향을 미쳐 푸리에 변환 후 결과에 영향을 미친다는 것을 알 수 있습니다.

푸리에 설명자는 기하학적 변환에 불변하도록 개선 및 조정될 수 있습니다. 구체적인 방법은 다음과 같습니다. 1) 시작점의 변경 및 회전은 진폭이 아닌 F(u)의 위상에만 영향을 미치므로 무시할 수 있습니다. 2) 변환은 DC를 제거하여 제거할 수 있는 F(u)의 DC 구성 요소에 영향을 미칩니다. 3) 스케일 변화는 F(u)의 전체 확대 또는 축소를 유발하며, 이는 최대 계수로 나누어 정규화함으로써 제거될 수 있습니다. 위의 처리를 거쳐 최종 푸리에 리프는 기하학적 변환의 불변성을 갖게 됩니다.