Простыми словами о преобразовании фурье. Описание Image Processing Toolbox

ЦОИ заочники / MatLab / Содержание Image Processing Toolbox

Обработка сигналов и изображений Image Processing Toolbox

Описание Image Processing Toolbox

1. Что такое Image Processing Toolbox? Конфигурация системы Сопутствующие продукты 2. Пример 1 — Некоторые основные понятия Считывание и отображение изображений Информация об изображении в рабочем пространстве Улучшение контраста изображений Запись изображений в файл на диск Получение информации о графическом файле 3. Пример 2 — Основы Считывание и отображение изображения Оценка и аппроксимация значений пикселей фона Аппроксимация и просмотр поверхности фона Создание изображения с равномерным фоном Улучшение контраста на обрабатываемом изображении Создание бинарного изображения Определение числа объектов на изображении Анализ матрицы меток Отображение матрицы меток в виде псевдоцветного индексного изображения Измерение свойств объектов на изображении Вычисление статистических свойств объектов изображения 4. Получение помощи Оперативная помощь Демонстрационная версия приложения Image Processing Toolbox Группы новостей MATLAB (MATLAB Newsgroup) Список изображений 5. Примеры Вступительные примеры Пример 1 — Некоторые основные понятия Пример 2 — Основы Считывание данных изображения Визуализация изображений Визуализация индексных изображений Визуализация полутоновых изображений Визуализация бинарных изображений Визуализация полноцветных изображений Специальные подходы к визуализации Добавление палитры Одновременное отображение всех фреймов многофреймового изображения Преобразование многофреймового массива в последовательность Отображение текстуры Модульные средства Вставка средств Pixel Region Tool в текущее окно отображения Создание Pixel Information GUI Увеличение возможностей управления дополнительными средствами в GUI Создание средств сравнения изображения Морфологические примеры Создание структурного элемента Морфологическая операция раскрытия изображений Морфологическая операция эрозии изображений Комбинация морфологических операций раскрытия и эрозии Морфологическая операция заливки отверстий Поиск пиков и впадин Просмотр матрицы меток Выбор объектов на бинарном изображении Поиск площадей объектов на бинарном изображении Вычисление числа Эйлера бинарного изображения Анализ изображений Определение границ Использование квадратичной декомпозиции Детектирование линий с использованием преобразования Хоха Улучшение изображений Регулировка значений интенсивностей в зависимости от диапазона Контрастно-ограниченное адаптивное выравнивание гистограммы Декорреляционное растяжение Удаление шума Использование линейной фильтрации Использование медианной фильтрации Использование адаптивной фильтрации Работа с областями интереса Выбор полигона Фильтрация области Восстановление изображений Устранение размытостей с помощью винеровской фильтрации Устранение размытостей с помощью регуляризационного фильтра Устранение размытостей методом Лаки-Ричардсона Устранение размытостей методом слепой деконволюции Работа с цветом Определение глубины цвета Уменьшение числа цветов на изображении Уменьшение числа цветов на индексном изображении Сглаживание цветовых переходов Выполнение преобразования цветовых пространств Преобразования между устройство-зависимыми цветовыми пространствами 6. Введение Изображения в MATLAB и Image Processing Toolbox Системы координат Типы изображений в приложении Бинарные изображения Индексные изображения Полутоновые изображения Полноцветные изображения Преобразование типов изображений Преобразование цветовых пространств Преобразования классов изображений Потеря информации при преобразованиях Преобразования индексных изображений Работа с последовательностями изображений Пример: Обработка последовательности изображений Многофреймовый массив изображений Арифметические операции с данными изображений Арифметические операции с значениями интенсивностей изображения Формирование серии арифметических операций 7. Считывание и запись данных изображения Получение информации о графическом файле Считывание данных изображения Считывание многомерных изображений из графического файла Запись данных изображения Установка дополнительных форматов -установка параметров Считывание и запись бинарных изображений в однобитном формате Определение типа данных изображения при записи в файл Преобразование форматов графических файлов Считывание и запись данных в файл медицинского формата Считывание метаданных из DICOM-файла Считывание данных изображения из DICOM-файла Запись данных изображения или метаданных в DICOM-файл Использование формата Analyze 7.5 Использование межфайлового формата 8. Визуализация и анализ изображений Обзор Описание установок свойств графических объектов Использование функции imshow для визуализации изображений Описание возможностей увеличения изображения Использование Image Tool для анализа изображений Открытие Image Tool Описание возможностей масштабирования изображения при его визуализации Описание палитры Передача данных изображения из рабочего пространства Передача данных изображения в рабочее пространство Закрытие Image Tool Печатание изображений в Image Tool Использование навигации в приложении Image Tool Обзор других возможностей навигации Работа с опцией Pan Масштабирование изображений Установка увеличения изображения Получение информации о пикселях на изображении Определение значений отдельных пикселей Определение динамического диапазона изображения Просмотр значений пикселей с помощью приложения Pixel Region Tool Измерение некоторых характеристик изображений Использование Distance Tool Измерение координат конечных точек и расстояния между ними Настройка некоторых параметров приложения Distance Tool Получение информации об изображении Регулировка контраста и яркостей изображения Использование приложения Adjust Contrast Tool Пример: Регулировка контраста и яркостей изображения Использование Window/Level Tool Регулировка контраста Просмотр нескольких изображений Визуализация каждого изображения в отдельном окне Визуализация нескольких изображений в одном окне отображения Установка свойств отображения Пространственные преобразования Интерполяция Типы изображений Изменение размеров изображения Поворот изображений Вырезание изображений Выполнение основных пространственных преобразований Линейная фильтрация и проектирование фильтров Линейная фильтрация Свертка Корреляция Фильтрация с использованием функции imfilter Типы данных Опции корреляции и свертки Опция дополнения края изображения Многомерная фильтрация Использование предопределенных типов фильтров Частотные методы преобразований Пример частотного метода Локальные (оконные) методы Создание желательной амплитудно-частотной характеристики Вычисление частотного отклика фильтра Некоторые виды преобразований в обработке изображений 9. Реконструкция изображений Обратное преобразование Радона Пример: восстановление изображения на основе данных параллельных проекций Преобразования Радона для модели головы человека с использованием 90 проекций Проекционные данные с расходящимся пучком Преобразование Фурье Дискретное косинусное преобразование Матрица дискретных косинусных преобразований Дискретные косинусные преобразования и сжатие изображений Преобразования Радона Визуализация преобразований Радона Использование преобразований Радона при детектировании линий Улучшение визуального качества цветных изображений

Читать еще:  Когда ставится ь. Мягкий знак после шипящих: правила и исключения

Описание Image Processing Toolbox. Фильтрование

Как известно, существует множество способов изменения и редактирования изображений с помощью цифровых методов. Результат обработки изображений при этом зависит от того, какие операции вы можете произвести с изображением после того, как оно попало на ваш компьютер: вы можете редактировать RGB -компоненты цветов с целью получения наилучшего цветового баланса. Вы можете увеличить или уменьшить яркость изображения, редактировать его резкость или размывать отдельные элементы с помощью различных графических фильтров. Мы рассмотрим крайне популярные эффекты, повсеместно используемые в компьютерной графике:

  • Инверсия цветов.
  • Размытие.
  • Увеличение резкости.
  • Тиснение.
  • Акварельный эффект.

Матрица – ядро свертки

Данная матрица (3х3 ) содержит три строки по три числа. Для преобразования пикселя изображения он умножается на значение в центре ядра, а значения пикселей, находящихся вокруг данного, умножаются на соответствующие им коэффициенты ядра, после чего все значения суммируются, и мы получаем новое значение для изменяемого пикселя. Данный процесс должен быть последовательно выполнен с каждым пикселем редактируемого изображения.

От коэффициентов ядра зависит то, как изменится редактируемое изображение. Для достижения некоторых эффектов необходимо последовательно применить к изображению не одну, а несколько матриц.

Инверсия цветов

Алгоритм размытия

Для того чтобы определить цвет пикселя, находящегося под центром ядра, необходимо провести умножение весовых коэффициентов ядра с соответствующими значениями цвета редактируемого изображения. После этого результаты суммируются.

Полученное изображение «размыто» по сравнению с оригинальным, так как цвет каждого обработанного пикселя «распространился» среди соседних пикселей.

Чтобы увеличить ядро размытия, вы можете:

  • использовать ядро большего размера (так цвет будет распределяться среди большего количества соседних пикселей);
  • изменять коэффициенты таким образом, чтобы уменьшить влияние центрального коэффициента;
  • выполнить фильтрацию изображения не однократно;

Алгоритм увеличения резкости

Таким образом, результирующее изображение стало более четким, чем оригинал. По сути дополнительные детали возникли из ничего — это просто увеличенный контраст между цветами пикселей.

Алгоритм тиснения

Тиснение выполняется аналогично, но в данном случае мы используем не одну матрицу, а несколько.
Рисунок 3.1 Матрица для фильтра «Тиснение»: шаг первый.
В то время как ядра размытия и резкости имели сумму коэффициентов равную единице, в данном случае сумма весов в ядре тиснения равна . Если сумма коэффициентов не будет равна , мы получим отклонение к какому-то конкретному цвету.

Полученное значение цвета будет дополнительно обработано (усреднено) и приведено к диапазону 0-255 (подробнее вы сможете увидеть при реализации данного фильтра). Меняя значения позиций 1 и -1 , мы можем получить измененное направление подсветки.
Рисунок 3.2. Матрица для фильтра «Тиснение»: шаг второй.

Читать еще:  Игра кошка рожает котят. Игра госпитализация беременной анжелы онлайн

Алгоритм акварелизации

Изображения, сформированные различными оптико-электронными системами и зарегистрированные с помощью разнообразных приёмников искажаются действием помех различного характера. Искажения изображения вносятся всеми компонентами изображающего прибора, начиная с осветительной системой (например, неравномерность освещенности предмета). Искажения, которые вносит оптическая система, известны еще на этапе её проектирования и называются аберрации. Искажения, которые вносят электронные приёмники излучения, например ПЗС-матрицы, называются электронный шум. Помехи затрудняет визуальный анализ изображения и его автоматическую обработку.

Ослабление действия помех достигается фильтрацией. При фильтрации яркость (сигнал) каждой точки исходного изображения, искаженного помехой, заменяется некоторым другим значением яркости, которое признается в наименьшей степени искаженным помехой. Для выполнения фильтрации необходимо выработать принципы таких преобразований, которые основываются на том, что интенсивность изображения изменяется по пространственным координатам медленнее, чем функция помех. В других случаях, наоборот, признаком полезного сигнала являются резкие перепады яркости.

В методах фильтрации при оценке реального сигнала в некоторой точке кадра принимают во внимание некоторое множество (окрестность ) соседних точек, воспользовавшись определенной похожестью сигнала в этих точках. Понятие окрестности является достаточно условным. Окрестность может быть образована лишь ближайшими по кадру соседями, но могут быть окрестности, содержащие достаточно много и достаточно сильно удаленных точек кадра. В этом случае, степень влияния (вес) далеких и близких точек на решения, принимаемые фильтром в данной точке кадра, будет совершенно различной. Таким образом, идеология фильтрации основывается на рациональном использовании данных как из рабочей точки, так и из ее окрестности.

При решении задач фильтрации используют вероятностные модели изображения и помехи, и применяют статистические критерии оптимальности. Это связано со случайным характером помехи и стремлением получить минимальное в среднем отличие результата обработки от идеального сигнала. Многообразие методов и алгоритмов фильтрации связано с большим разнообразием математических моделей сигналов и помех, а также различными критериями оптимальности.

Пусть – значение яркости изображения – полезного сигнала на пересечении i -ой строки и j -го столбца, а наблюдаемое на входе фильтра изображение описывается моделью:

Здесь – значение помехи в точке с координатами (i,j) , f() – функция, описывающая взаимодействие сигнала и помехи, а I и J – число строк и столбцов в кадре соответственно.

На рисунке 1 показаны примеры окрестностей различных типов, изображенные в виде совокупностей точек. Центром окрестностей, рабочей точкой, в которой осуществляется обработка, является точка с координатами (i,j) .

ОСНОВЫ РАБОТЫ С ИЗОБРАЖЕНИЯМИ В В ПАКЕТЕ IMAGE PROCESSING TOOLBOX СРЕДЫ MATLAB

студент магистратуры, кафедра информационных систем и технологий ИИТТ СКФУ, г. Ставрополь

студент магистратуры, кафедра информационных систем и технологий ИИТТ СКФУ, г. Ставрополь

Решение задач в области цифровой обработки и анализа изображений является обширной средой исследований, требующей использование специализированных алгоритмов и методов, а так же многократное тестирование получаемых результатов на основе большой предметной базы изображений из области исследования. Следовательно, крайне важным является выбор гибкой и интерактивной среды разработки приложений. Отвечающей данным требованиям средой высокоуровневого программирования, численных расчетов и визуализации результатов является MATLAB.

Матричная система компьютерной математики MATLAB позволяет анализировать различнные данные, разрабатывать модели, алгоритмы и приложения, имеет удобные инструменты эффективной обработки изображений, сосредоточенных в пакете расширения Image Processing Toolbox. Пакет представляет широкий набор числовых вычислений и функций для создания, обработки и анализа цифровых изображений. Image Processing, имея гибкий интерфейс, позволяет эффективно манипулировать изображениями, разрабатывать интерактивную графику, визуализировать различные наборы данных. Все файлы приложения Image Processing Toolbox обладают индентичными свойствами, что дает возможность использования в комбинации с файлами других приложений, как Signal Processing Toolbox и Wavelet Toolbox. Image Processing Toolbox включает следующие разделы:

  • отображение и исследование изображений DisplayandExploration;
  • импорт, экспорт, конвертация изображений Import, ExportandConversions;
  • улучшение качества изображений ImageEnhancement;
  • работа с цветом изображений Color;
  • регистрация и геометрическая трансформация изображений GeometricTransformationandImageRegistration;
  • анализ изображений ImageAnalysis;
  • генерация программного кода CodeGeneration[3].

Пакет ImageProcessingToolbox не подходит для оперативной работы с изображениями, как Photoshop, Lightroom, Gimp,но даёт возможность очень детально настраивать отображение изображений. Основной направленностью работы пакета является анализ, исследование и разработка математических алгоритмов и методов обработки и визуализации изображения. Можно создавать отображение с несколькими изображениями в одном окне, снабжать их текстом и графикой и создавать специализированные представления, такие как гистограммы, профили, контурные графики. Гибкость создания алгоритмов совместно с матрично-векторным описанием делают пакет способным для решения практически любых задач по разработке графики[4, с. 60].

Читать еще:  Норвежский алфавит. Норвежский язык

Среда MATLAB и пакет ImageProcessingToolbox дают огромные возможности для развития, внедрения новых идей и методов пользователя. Для этого имеется набор сопрягаемых пакетов, направленных на решение всевозможных специфических задач и задач в нетрадиционной постановке. Рассмотрим основные методы работы с изображениями в пакете ImageProcessingToolbox[2, с. 37].

Считывание и отображение изображений.Для считывания изображений из графических файлов используется функция imread. Имя файла должно быть заключено в апострофах.

Функция imread считывает данные из графического формата, представленного как TIFF. Поддерживаются многие графические, в том числе и файлы научных форматов, как HDR, NITF др. Кроме фундаментальной функции отображения imshow, так же используется функция imtool, которая запускает инструментарий ImageTool, предоставляющий интегрированную среду для визуализации изображений и операции по обработке изображений[2, с. 49].

Toolbox располагает множеством функций, объединяющих отображение изображения с визуализацией и вычислением его параметров. Например, считывание изображения pout.tif с вычислением расстояния между точками, выбранными мышкой (рисунок 1):

h = imdistline(gsa): api = iptgetapi(h);

fcn = makeConstrainToRectFcn(‘imline’,… get(gca,’XLim’), get(gca,’Ylim’));

Рисунок 1. Отображение файла pout.tif с вычислением расстояния между двумя точками

Улучшение качества изображения. Улучшение качества изображения является важнейшей задачей редактирования и включает алгоритмы изображения размытых, фильтр деконволюции, а также преобразования между точкой распространения и оптических передаточных функций. Эти функции помогают правильно устранить размытости, вызванные несфокусированной оптикой, движением камеры или предмета во время захвата изображения, а также другие факторы[1, с. 54]. Приведенная ниже программа демонстрирует изменение контрастности монохромного и цветного изображений (рисунок 2):

I = imread(‘pout.tif’); P = imadjust(I);

subplot(221); imshow(I); subplot(222); imshow(I);

RGB2= imadjust(RGB1,[.2.3 0;.6.7 1],[]);

Рисунок 2. Изменение контрастности изображений

Анализ изображения. Анализ изображений является процессом извлечения значимой информации из изображений, таких как нахождение фигур, подсчет объектов, определение цвета, или измерения свойств объекта[3, с. 145]. ImageProcessingToolbox предоставляет полный набор эталонных стандартных алгоритмов и функций визуализации для задач анализа изображений, таких как статистический анализ, выделение признаков, измерения свойств. Например, представленная программа демонстрирует выделение контуров черно-белого изображения и закрашивание их внутренних областей тремя цветами:

I = imread(‘point.png’); BW = im2bw(I, graythresh(I));

imshow(label2rgb(L, @jet, [.5 .5 .5])); hold on

for k = 1:length(B)

plot(boundary(:,2), boundary(:,1), ‘w’, ‘LineWidth’, 2)

Геометрические преобразования. Геометрические преобразования полезны для таких задач, как вращение изображения, уменьшая его разрешение, исправляя геометрические искажения . ImageProcessingToolbox поддерживает простые операции, такие как изменение размера, поворот и кадрирование, а также более сложные 2D геометрические преобразования, такие как аффинные и проективные. В следующем примере, выполнение геометрического преобразования, используется makeresampler, для выполнения проективного преобразования шахматного изображения. Можно также использовать его для получения специальных эффектов или пользовательской обработки (рисунок 4):

I = шахматная (20,1,1);

рисунок; imshow (I)

T = maketform( ‘проективное’, [1 1; 41: 1; 41 41; 41: 1], . [5 5; 40 5; 35 30; -10 30]);

R = makeresampler( ‘кубический’, ‘круговой’);

К = функцииimtransform (I, T, R, ‘Размер’, [100 100], ‘XYScale’, 1);

фигура, imshow (K)

Рисунок 4. Преобразование изображения

ImageProcessingToolbox является полностью функционально законченным пакетом расширения среды MATLAB. Для блочного имитационного моделирования систем и устройств обработки изображений служит пакет расширения AcquisitionToolbox. Для организации фильтрации изображений можно использовать взаимодействие с пакетами SignalProcessingToolbox, WaveletToolbox и др.

ImageProcessingToolbox значительно расширяет возможности базовой системы MATLAB, введен ряд новых алгоритмов и функций. Пакет имеет открытый и удобный доступ, множество функций, написанных на высокоуровневом языке программирования MATLAB, используемом миллионами инженеров и ученых по всем миру в качестве языка технических вычислений. Программные коды дают возможность разбора и модификации самим пользователем. Их можно вводить как в командном, так и программном режимах работы. Использование пакета ImageProcessingToolbox обеспечивает решение всех основных задач работы с изображением, как импорт и экспорт файлов, обработка, анализ, визуализация, улучшение качества и ряда других преобразований.

Источники:

http://studfile.net/preview/1874436/

http://innovakon.ru/settings/opisanie-image-processing-toolbox-filtrovanie.html

http://sibac.info/studconf/tech/xlviii/66605

Ссылка на основную публикацию
Статьи на тему:

Adblock
detector