Divida espacialmente a imagem em pequenas áreas (pixels), cada pixel possui uma coordenada bidimensional (inteiro)

Influência

O brilho ou valor de cinza de cada pixel é mapeado para o nível de cinza correspondente, e cada nível de cinza é geralmente representado por um número inteiro.

Se o número de níveis de escala de cinza quantizados L=256, o intervalo de valores é um número inteiro de 0 a 255, e 8 bits podem ser usados ​​para representar o valor da escala de cinza do pixel da imagem em escala de cinza, que é chamado de quantização de 8 bits.

O número de pixels da imagem refere-se ao número de pixels contidos na imagem bitmap horizontal e verticalmente. Simplesmente aumentar o número de pixels não pode melhorar o efeito de exibição da imagem. O efeito de exibição da imagem é determinado pelo número de pixels e pela resolução da tela.

A resolução da imagem refere-se ao número de pixels distribuídos na imagem por unidade de comprimento de impressão. É usada principalmente para caracterizar a densidade da informação da imagem digital, que determina a clareza da imagem. Numa área de tamanho unitário, quanto maior for a resolução da imagem, maior será o número de pixels que ela contém, mais densos serão os pixels e maior será a clareza da imagem digital.

O tamanho da imagem determina o espaço de armazenamento necessário para armazenar o arquivo de imagem, que geralmente é medido em bytes (B). A fórmula de cálculo é: número de bytes = (altura do bitmap × largura do bitmap × profundidade da imagem) / 8. Pode-se observar pela fórmula de cálculo que o tamanho de armazenamento do arquivo de imagem está diretamente relacionado ao número de pixels.

A cor da imagem refere-se ao maior número de tipos de cores possíveis em uma imagem digital. Ao alterar as proporções das três cores primárias: vermelho, verde e azul, ela pode ser facilmente misturada em qualquer cor.

A profundidade da imagem, também conhecida como profundidade de bits da imagem, refere-se ao número de bits ocupados por cada pixel da imagem. Os dados correspondentes a cada pixel da imagem geralmente podem ser representados por 1 ou mais bytes. Quanto mais profunda a profundidade dos dados, mais bits serão necessários e mais rica será a representação de cores correspondente.

O matiz da imagem refere-se ao brilho e à escuridão de várias cores da imagem correspondentes às cores primárias (por exemplo, as cores primárias das imagens digitais no formato RGB incluem vermelho, verde e azul. O ajuste do matiz na vida diária é o ajuste de). o brilho das cores primárias. A tonalidade varia de 0 a 255, incluindo um total de 256 tonalidades. Por exemplo, a imagem mais simples em tons de cinza divide a tonalidade em 256 tonalidades, do branco ao preto. Nas imagens RGB é necessário caracterizar o brilho e a escuridão das três cores vermelho, verde e azul. Por exemplo, se o tom vermelho for mais profundo, a imagem tenderá a ser vermelho escuro, e se o tom verde for mais profundo. aprofundado, a imagem tenderá a ser verde escura.

A saturação da imagem indica a pureza das cores da imagem. A saturação de uma foto de cena natural depende das propriedades refletivas ou projetadas do objeto. No processamento digital de imagens, a saturação é geralmente medida pela proporção de luz branca misturada em uma cor sólida. Quanto mais luz branca misturada em uma cor sólida, menor será a saturação e, inversamente, maior será a saturação.

O brilho da imagem refere-se ao brilho e à escuridão das cores contidas nas imagens digitais. É a percepção do olho humano do brilho e da escuridão do próprio objeto. A faixa de valores geralmente é de 0% a 100%.

O contraste da imagem refere-se ao contraste entre cores diferentes ou ao contraste entre claro e escuro em uma imagem. Quanto maior o contraste, maior será a diferença de brilho entre as cores ou maior será a diferença entre preto e branco. Por exemplo, aumentar o contraste de uma imagem em tons de cinza tornará a diferença entre preto e branco na imagem mais distinta, fazendo com que a imagem pareça mais nítida. Quando o contraste é aumentado ao extremo, a imagem em tons de cinza torna-se uma imagem em preto e branco.

Em sistemas de design de computador, para processar materiais de imagem de forma mais conveniente e eficaz, eles geralmente são colocados em diferentes camadas, e a imagem pode ser considerada composta por várias camadas de imagens sobrepostas. Usando software de processamento de imagem, cada camada pode ser processada de forma independente, sem afetar o conteúdo da imagem de outras camadas. Ao criar um novo arquivo de imagem, o sistema criará automaticamente uma camada de fundo para ele, que equivale a uma tela na qual outros trabalhos de processamento de imagem podem ser realizados. Se uma imagem tiver múltiplas camadas, cada camada terá o mesmo número de pixels, canais e formato.

Se uma das duas condições a seguir for atendida

Então dizemos que os dois pontos p e q são m adjacentes.

A transformação de coordenadas comumente usada no processamento de imagens é a transformação afim

transformação de identidade

transformação de tradução

transformação de rotação

transformação de escala

transformação de cisalhamento

O valor de cinza do pixel de entrada mais próximo da posição para a qual ele está mapeado é selecionado como resultado da interpolação.

Desvantagens: Quando o valor de cinza dos pixels adjacentes muda significativamente, sua estrutura fina se torna áspera.

De acordo com o valor de cinza de quatro pontos adjacentes, a interpolação é realizada duas vezes nas direções x e y. A função de interpolação é a equação parabolóide hiperbólica

É uma melhoria no método do vizinho mais próximo, pelo qual um parabolóide hiperbólico é ajustado a quatro pontos conhecidos adjacentes.

Desvantagens: O método de cálculo de interpolação bilinear geralmente pode obter resultados satisfatórios porque foi considerada a influência de quatro pontos adjacentes. No entanto, este método possui propriedades de filtragem passa-baixa, o que causa a perda de componentes de alta frequência e desfoca o contorno da imagem. Se quiser obter um efeito de interpolação em escala de cinza mais preciso, você pode usar a correção de interpolação de ordem superior.

Interpolar com base no valor de cinza de 16 pontos adjacentes

Transformação de Fourier da imagem. Em vez de obter uma onda, isto converte a imagem do domínio espacial (ou seja, a representação original do pixel) para o domínio da frequência. No domínio da frequência, uma imagem é representada como uma série de combinações de ondas de diferentes frequências. Essa transformação nos permite ver a distribuição de diferentes componentes de frequência na imagem, incluindo componentes de baixa frequência (representando partes da imagem que mudam lentamente, como áreas suaves) e componentes de alta frequência (representando partes que mudam rapidamente, como bordas e detalhes).

No domínio da frequência, você pode optar por aplicar um filtro de alta frequência ou um filtro de baixa frequência à imagem.

Para obter detalhes, consulte Filtragem no domínio de frequência para aprimoramento de imagem

Os dados filtrados no domínio da frequência são então convertidos de volta para o domínio espacial através da transformada inversa de Fourier. O resultado desta transformação inversa é uma imagem modificada que reflete o efeito da filtragem no domínio da frequência.

método de domínio espacial

método de domínio de frequência

suave

afiado

De acordo com a análise das características de frequência da imagem, acredita-se geralmente que o contraste e a faixa dinâmica de toda a imagem dependem da parte de baixa frequência das informações da imagem (referindo-se à imagem geral), enquanto os contornos das bordas e detalhes locais na imagem dependem da parte de alta frequência.

Portanto, métodos de filtragem digital bidimensional são usados ​​para processamento de imagem. Por exemplo, o uso de um filtro passa-alta pode ajudar a destacar os contornos das bordas e os detalhes da imagem, enquanto o uso de um filtro passa-baixa pode suavizar a imagem e reduzir o ruído.

Os valores da escala de cinza são invertidos, o preto fica branco

As operações de inversão de imagem são frequentemente usadas para aprimorar áreas com pouco cinza em uma imagem, tornando-as mais brilhantes ou mais proeminentes.

Se o corpo principal da imagem estiver mais claro em tons de cinza, a operação de inversão poderá tornar o corpo principal mais escuro.

Para aprimorar assuntos de imagem com tons de cinza mais claros, muitas vezes é necessário usar outras técnicas de aprimoramento de imagem, como equalização de histograma ou aprimoramento de contraste. A operação de inversão é mais adequada para realçar detalhes escuros na imagem.

Aumente o contraste de cada parte da imagem e aumente realmente a faixa dinâmica entre dois valores de cinza na imagem.

Pelo contrário, por vezes a gama dinâmica da imagem original é demasiado grande e excede a gama dinâmica permitida de alguns dispositivos de visualização. Neste caso, se a imagem original for utilizada directamente, alguns detalhes podem ser perdidos.

Ajusta o valor da escala de cinza de cada pixel da imagem aplicando uma função matemática

transformação linear

transformação não linear

Histograma já uniforme: se o histograma de uma imagem já estiver distribuído uniformemente ou se a distribuição do brilho estiver muito próxima do uniforme, a realização da equalização do histograma poderá não alterar seu contraste.

Distribuição especial de brilho: Em algumas situações especiais de distribuição de brilho, a equalização do histograma pode causar perda de detalhes em algumas áreas, o que pode reduzir o contraste nessas áreas.

Concentrações extremas de valores de luminância: Se uma grande proporção de pixels em uma imagem estiver concentrada nas extremidades da faixa de luminância (muito claro ou muito escuro), a equalização do histograma poderá resultar na redução do contraste nessas áreas.

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

A média de imagens M é definida como

aplicativo

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

aplicativo

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

aplicativo

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

aplicativo

AND (AND): escrito como p AND q (também pode ser escrito como p·q ou pq)

Ou (OR): escrito como p OR q (também pode ser escrito como p q)

COMPLEMENTO (COMPLEMENTO, também frequentemente chamado de negação ou não): escrito como NOT q (também pode ser escrito como )

Fundamental

efeito principal

Processo de implementação

formulário de modelo

Princípio do algoritmo

Características do algoritmo

Método médio de vizinhança

filtro mediano

conceito básico

Ideias de algoritmo

Operador diferencial de primeira ordem

operador diferencial de segunda ordem

alta frequência e baixa frequência

A filtragem no domínio da frequência pode ser usada para aprimorar ou suprimir seletivamente certos conteúdos de uma imagem. A filtragem passa-baixa pode ser usada para reduzir componentes de alta frequência para obter suavização da imagem.

pertence a suave

Filtro passa-baixo ideal (ILPF)

Filtro passa-baixa Butterworth (BLPF)

Filtro passa-baixo exponencial (ELPF)

Filtro passa-baixa escada (TLPF)

Comparação de efeito de filtro

As bordas da imagem correspondem a componentes de alta frequência no espectro, portanto filtros passa-alta podem ser usados ​​para extrair bordas da imagem.

Sobrepô-la à imagem original pode tornar as bordas mais nítidas, tornando a imagem mais nítida.

Pertence à afiação

Para o filtro passa-baixa correspondente à parte lisa da imagem, pode-se obter o filtro passa-alta correspondente.

Um filtro passa-alta pode ser expresso como (1 filtro passa-baixa)

A tecnologia de filtragem homomórfica é um método de filtragem baseado no princípio de imagem por reflexão de iluminação da imagem.

No domínio da frequência, é possível comprimir simultaneamente a faixa de brilho da imagem e aumentar o contraste, o que é especialmente adequado para imagens causadas por iluminação irregular.

A imagem obtida pelo observador ou sistema de imagem geralmente depende da luz refletida no alvo, que é dividida em ① a quantidade de luz visível incidente na cena ② a quantidade de luz refletida do alvo na cena;

A imagem é representada como o produto do componente de iluminação e do componente de reflexão

O componente de iluminação e o componente de reflexão estão em bandas de frequência diferentes. Você pode usar o método logarítmico para transformar sua multiplicação em adição e, em seguida, usar tratamentos diferentes para essas duas partes.

O componente de iluminação está em baixa frequência e a baixa frequência pode ser suprimida para eliminar iluminação irregular. Ao mesmo tempo, os componentes de alta frequência podem ser aprimorados para realçar os detalhes da imagem.

Ao mesmo tempo, reduz as frequências baixas e aumenta as frequências altas, comprime a faixa dinâmica da imagem e melhora o contraste entre várias partes.

A soma (união) de todas as sub-regiões deve incluir todos os pixels da imagem, ou a segmentação deve dividir cada pixel da imagem em uma determinada sub-região.

Cada sub-região não se sobrepõe ou um pixel não pode pertencer a duas regiões ao mesmo tempo.

Pixels pertencentes à mesma área devem ter as mesmas características e os limites da área devem ser claros.

Pixels pertencentes a regiões diferentes devem ter algumas características diferentes.

É necessário que os pixels da mesma sub-região estejam conectados.

Método: Com base na similaridade do valor de cinza dos pixels da imagem, selecionando um limite, encontre a área com valor de cinza semelhante. O contorno externo da área é a borda do objeto alvo.

Método: De acordo com a descontinuidade do valor de cinza do pixel da imagem, primeiro encontre os pontos, linhas e bordas e depois determine a área.

método de segmentação de limite

crescimento regional

mesclagem dividida

Segmentação morfológica

método de segmentação por detecção de borda

Transformação de Hough

A imagem contém: alvo e fundo; existem diferenças nas características da escala de cinza entre os dois;

Determine limites de segmentação apropriados

Compare cada valor de pixel com um limite para atribuir a propriedade do pixel

O cálculo é simples

Particularmente eficaz para segmentação de imagens com forte contraste entre o alvo e o fundo.

Regiões não sobrepostas sempre podem ser definidas com limites fechados e conectados

Pode ser generalizado para outros recursos, como textura, cor, etc.

Os valores da escala de cinza dos pixels dentro do alvo e do fundo são altamente semelhantes, enquanto as escalas de cinza dos pixels em ambos os lados de sua junção são muito diferentes. O histograma da imagem pode ser basicamente considerado como a superposição de dois histogramas unimodais do alvo e. o fundo. Se a diferença na escala de cinza entre o alvo e o fundo for relativamente grande, o histograma da imagem deverá ser bimodal.

Tome o valor cinza na parte inferior (valor mínimo) do histograma como o limite T.

Suscetível à interferência de ruído, o valor mínimo não é o limite desejado.

Melhorar

O histograma da imagem não possui pico duplo e fenômeno de vale, ou mesmo se o limiar tiver pico duplo e fenômeno de vale, o ponto de vale não é um ponto limite preciso;

Minimize a probabilidade de erro de segmentação, também conhecido como limite mínimo de probabilidade de erro.

Defina a probabilidade do alvo e do fundo e sua função de densidade de probabilidade de distribuição cinza;

Dado um limite t, encontre a probabilidade de erro de segmentação de cada classe;

Encontre a probabilidade total de erro de segmentação e(t) abaixo deste limite;

O limite ideal T é calculado a partir do valor mínimo da probabilidade total de erro de segmentação e(t).

O limite selecionado, etc., maximiza a diferença geral entre o alvo da segmentação e a área de fundo. Até certo ponto, o resultado da segmentação pode ser considerado como tendo atingido o nível ideal. Esta diferença entre regiões é frequentemente descrita pela variância.

A variância é uma função do limite k. Quando k muda, a variância entre regiões também muda. Selecione o k que maximiza a variância, que também é chamado de limite máximo de variância entre classes.

O processo de resolução do limite máximo de variância entre classes não requer configuração manual de outros parâmetros e é selecionado de forma totalmente automática pelo computador. Não é aplicável apenas à segmentação de duas regiões, mas também pode ser estendido à situação de múltiplas regiões.

passar

A coleção desses pixels em uma imagem que possui uma mudança de degrau ou telhado em escala de cinza.

A segmentação de imagens é obtida encontrando os limites de diferentes áreas da imagem. É uma grande classe de métodos de segmentação de imagens baseados em limites.

Alta precisão: contém mais arestas verdadeiras e menos arestas falsas;

Alta precisão: as bordas detectadas devem estar nos limites verdadeiros;

Largura de pixel único: Altamente seletivo, com resposta única às bordas.

O mesmo que "Algoritmo de Diferenciação Cruzada"

Operadores como Roberts, Prewitt e Sobel contêm apenas modelos em duas direções e podem detectar poucas direções de arestas. Quanto mais direções o modelo diferencial tiver, mais arestas em mais direções poderão ser detectadas.

Operador Kirsch

Operador astuto

Características

efeito

modelo

A imagem é suavizada primeiro e depois as bordas são detectadas usando o operador Laplace para superar o problema de que o operador diferencial de segunda ordem é sensível ao ruído.

O objetivo da união de arestas é conectar arestas descontínuas para formar um limite fechado.

Analise as características de cada ponto (x, y) nos resultados da detecção de borda conecte todos os pontos semelhantes em uma pequena vizinhança (3x3 ou 5x5) para formar o limite de uma região com características comuns;

Usando a relação dual entre um espaço e outro espaço, o problema no espaço original é convertido em seu espaço dual para ser resolvido, e o problema se torna relativamente simples no espaço dual.

etapa

Problemas existentes e melhorias

Características

Para detecção de círculo

Para detecção de elipses

Alguns métodos de segmentação não levam em consideração determinadas condições.

O crescimento regional é um método de segmentação de baixo para cima.

Primeiro determine o número de regiões e suas características; em seguida, encontre uma semente representativa para cada região, use a semente como centro de agrupamento para mesclar continuamente pixels adjacentes com as mesmas características na região. Repita o processo de fusão; se fundem e finalmente formam regiões com características diferentes. Este método de segmentação também é chamado de expansão de região.

Seleção do ponto inicial

Determinação do critério de similaridade (critério de crescimento)

Determinação das condições de parada de crescimento

O crescimento da região é altamente influenciado por sementes, critérios de similaridade, etc.

Split-merge é um método de segmentação de cima para baixo.

A partir de toda a imagem, ela é continuamente dividida passo a passo e, ao mesmo tempo, áreas adjacentes com as mesmas características são mescladas até que não possam mais ser divididas e, finalmente, cada sub-região é obtida.

abordagem divisiva

A prática da fusão

Operações específicas

Recursos internos: recursos de escala de cinza, recursos de cores, recursos de textura,...

Características externas: área, perímetro, circularidade, etc...

O comprimento da linha limite (lacuna) entre a área e o fundo

número de pontos de limite

Ao é a área do alvo e AMER é a área do menor retângulo envolvente. O valor R está entre 0 e 1.

Quando o alvo é um retângulo, R assume o valor máximo de 1; quando o alvo é um círculo, o valor de R é para alvos delgados e curvos, o valor de R torna-se menor e fica próximo de 0.

Dê a cada segmento limite um código de direção

Selecione o ponto inicial, comece a partir do ponto inicial e codifique ao longo do limite até retornar ao ponto inicial e terminar a codificação.

Ponto de partida: ponto vermelho

Direção: sentido horário

Código de 4 cadeias: 000033333322222211110011

Sejam as coordenadas do ponto inicial s (5,5) e use códigos de cadeia de 4 direções e códigos de cadeia de 8 direções no sentido anti-horário para representar os limites da área.

Código de cadeia de 4 vias: (5,5)111232323000

Código de cadeia de 8 direções: (5,5)2224556000

Pode-se ver pela definição que a seleção do ponto inicial, translação, rotação e escala afetarão a sequência limite original, afetando assim o resultado após a transformada de Fourier.

O descritor de Fourier pode ser melhorado e ajustado para torná-lo invariante às transformações geométricas. Os métodos específicos são os seguintes: 1) A mudança e rotação do ponto inicial afeta apenas a fase de F(u), não a amplitude, e pode ser ignorada; 2) A tradução afetará o componente DC de F(u), que pode ser eliminado removendo DC; 3) As mudanças de escala causarão o aumento ou redução geral de F(u), que pode ser eliminado pela normalização pela divisão pelo coeficiente máximo. Após o processamento acima, a folha de Fourier final apresenta a invariância da transformação geométrica.