Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде Matlab (2006) (1246139), страница 43
Текст из файла (страница 43)
6. 15, г) — по одной на каждую из цветных компонент. Несмотря на то, что Я-образная функция преобразования, приведенная на рис. 6.15, е), улучпгает контрастность изображения 6.15, д) по сравнению с рис. 6.15, г), оно также слегка действует и на компоненту цветного тона. На рис. 6.15, д) небольшое изменение цвета почти не заметно глазу, но его ц»«б 2Д можно обнаружить на соответствующей полноцветной полосе рис. 6.15, е). Напомним, что в предыдущем примере было продемонстрировано, что одинаковое изменение цветных компонент может весьма существенно отразиться на цветах КСВ изображения (см. функцию дополнения цветов на рис. 6.14), И Красная, зеленая и синяя компоненты входного изображения из примеров 6.3 и 6.4 отображались одинаково, т.
е. с использованием одной и той же функции преобразования. с1тобы избежать задания трех одинаковых функций, функция 1се позволяет определить функцию «для всех компонент» (кривую КСВ при работе в КСВ пространстве), которая одинаково отображает все компоненты входного изображения. В остальных примерах демонстрируются преобразования, которые по-разному действуют на разные цветовые компоненты. Пример 6.5. Лсевдоцветные отображения.
Как уже отмечалось ранее, когда монохромное изображение представлено в цветовом пространстве КСВ и ластовые компоненты преобразуются независимо друг от друга, результат такого преобразования называется псевдоцветным изображением, в котором входные полутоновые уровни заменены некоторыми цветами.
Такие преобразования могут быть полезными, т.к. глаз человека способен различать миллионы цветов, но он отличает лишь относительно малое число оттенков серого тона. Поэтому псевдоцветные отображения часто используются при желании сделать малые колебания яркости монохромного изображения более заметными и различимыми для глаза и для выделения важных областей на полутоновых изображениях. На самом деле, основное применение псевдоцвета — это зрительная визуализация, т.е.
интерпретация черно-белых событий на изображениях или последовательности изображений с помощью монохромно-цветного преобразования. На рис. 6.16, а) (стр. 230) дана рентгенограмма сварного шва (горизонтальная темная область), в котором имеются щели и раковины (яркие белые черточки по середине изображения). Псевдоцветная версия этого изображения приведена на рис. 6.16, б), которая была построена отображением зеленой и синей компонент входного КСВ-преобразованного изображения с помощью функции из рис.
6.16, в) и г). Обратите внимание на существенное визуальное отличие этих двух изображений. Псевдоцветная полоса в окне С1Л дает представление о составном цветовом отображении. Из рис. 6.16, в) и г) видно, что выбранная интерактивно функция отображает черно-белую шкалу серого тона в цветную полосу между синим и красным цветом, причем желтый зарезервирован за белым цветом. Конечно, желтый цвет соответствует трещинам и раковинам, которые являются главными характеристиками в данном примере.
П Пример 6.6. Балансировка цвета. На рис. 6.17 (стр. 230) показано приложение с полноцветным изображением, в котором выгодно преобразовывать цветовые компоненты независимо друг от друга. Отображения такого типа принято называть цветовой балансировкой или цветовой коррекцией. Раньше для выполнения таких действий требовались высококачественные цветовоспроизводящие системы, а теперь их можно совершить почти на любом персональном компьютере.
Эта процедура используется при улучшении ~~~242 Глава б. Обработка цветньст иэпбраэсений цветных фотографий. Хотя разбалансировку цвета можно установить объективно анализируя (с помощью цветного спектрометра) некоторый известный цвет на изображении, аккуратное визуальное оценивание также возможно, если на изображении имеются белые области, где НСВ или СМУ компоненты должны быть равны между собой. Кроме того, как видно на рис. 6.17, оттенки человеческой кожи могут служить отличным образцами для визуального оценивания, так как человеческий глаз весьма восприимчив даже к малым отклонениям от истинного цвета на этих участках. На рис. 6.17, а) показано отсканированное СМЪ' изображение матери с ребенком с избытком пурпурного цвета (помните, что МАТЬАВ может отображать лишь НОВ версии изображений).
Для простоты и для совместимости с системой МАТЬАВ функция 1се также допускает лишь НОВ (и монохромные) изображения, однако она может обрабатывать входы различных цветовых форматов, указанных в табл. 6.4. Например, чтобы интерактивно модифицировать СМУ компоненты ВСВ изображения й1, следует вызвать функцию 1св в следующем виде: >> Х2 = 1се('1шайе', 11, 'врасе', 'СМУ'); Из рис, 6.17 видно, что неболыпое уменьшение пурпурной компоненты производит ошутимое воздействие на цвет изображения.
О Пример 6.7. Отображения на основе гистограмм. Гистограммная эквализация является процессом преобразования полутоновых изображений, при котором получается монохромное изображение с гистограммой яркости, близкой к гистограмме равномерного распределения. Как обсуждалось в 3 3.3.2, требуемая функция отображения является функцией распределения уровней серых тонов входного изображения. Поскольку цветные изображения состоят из нескольких компонент, монохромную процедуру необходимо приспособить к обработке более одной компоненты и ассоциированной гистограммы. Однако эти преобразования не следует делать независимо друг от друга, иначе можно получить ложные цвета. Правильный подход заключается в приближении к равномерному распределению для компоненты интенсивностей, оставляя сами цвета (компоненты цветового тона) неизменными.
На рис. 6.18, а) (стр. 231) изображена вращающаяся стойка для специй и приправ. Преобразованное изображение на рис. 6.18, б) было получено Н81 преобразованием, приведенном на рис. 6.18, в) и г). Оно выглядит значительно ярче исходного. Теперь стали хорошо различимы форма и текстура деревянного стола, на котором расположена стойка для специй. Компонента интенсивности была преобразована функцией на рис. 6.18, в), которая хорошо аппроксимирует функцию СРГ этой компоненты (которая также построена на этом графике). Фуикпия отображения насыщенности на рис. 6.18, г) была выбрана так, чтобы улучшить общее цветовое восприятие результата эквализации компоненты интенсивности. Отметим, что гистограммы входных и выходных данных всех трех цветовых компонент: цветового тона, насыщенности и интенсивности, приведены, соответственно, на рнс.
6.18, д) и е). Компоненты цветовых тонов остались неизменными (как объяснялось выше), а компоненты насыщенности и интенсивности были б.. П Ф ~ * ~ Ж 24~~3) исправлены. Осталось заметить, что для обработки НСВ изображения в цветовом пространстве ПБ1 мы добавили в аргументы команды хсе пару аргументов 'врасе' и 'Ьвз',О Выходные изображения, построенные в предыдущих примерах этого параграфа, имеют тип НОВ и принадлежат классу п1пс8.
Для монохромных результатов, как в примере 6.3, все три НСВ компоненты идентичны, Более компактную форму представления таких изображений можно получить, применив функцию гбь26гау из табл. 6.3, или воспользовавшись командой » ХЗ 121:,:, 1); где 12 — это НСВ изображение, построенное в 1се, а 13 — стандартное моно- хромное изображение в МАТ1 АВ. 6.5.
Пространственная фильтрация цветных изображений В э 6.4 рассматривались преобразования цветных изображений, которые применяются к отдельным пикселам кажцой цветовой плоскости (компоненты). Следующий уровень сложности соответствует обработке пространственных окрестностей, которая также совершается на каждой цветовой плоскости. Для монохромных изображений этот переходный момент уже обсуждался при рассмотрении преобразований яркости в э 3.2 и при исследовании пространственной фильтрации в Ц 3.4 и 3.5.
Мы будем исследовать пространственную фильтрацию цветных изображений в основном в пространстве НСВ, однако базовая схема применима к любой цветовой модели. Мы будем иллюстрировать методы пространственной обработки цветных изображений на двух примерах процедур линейной фильтрации: сглаживание изображений и повышение резкости изображений. 6.5.1. Сглаживание цветных изображений Если обратиться к рис. 6.10, а) и к Ц 3.4 и 3.5, то сглаживание (пространственная фильтрация) монохромных изображений осуществляется умножением значений всех пикселов в пространственной маске на соответствующие коэффициенты, суммированием и делением суммы на общее число элементов маски. Процесс сглаживания полноцветных изображений с помощью пространственной маски показан на рис. 6,19, б) (стр.
232). Этот процесс (например, в пространстве НСВ) определяется так же, как и при работе с монохромными изображениями, с той лишь разницей, что вместо одиночных, скалярных пикселов приходится работать с векторными величинами в представлении, изложенном в э 6.3. Пусть Я „обозначает множество точек окрестности (маски) с центром в точке (х, у) некоторого цветного изображения. Среднее НСВ векторов этой окрестности задается формулой 1 с(х, у) = — ~ с(э,1), ба она „ где К вЂ” это число пикселов окрестности.
Из свойства сложения векторов (см. Э 6.3) (~~244 б б. Об б б следует, что (4,2)вз,в К б (42)взв ( ' ) ф 2;(,,) В(в,1) с(х,у) = Видно, что каждая компонента этого вектора получается при окрестностном осреднении каждой отдельной цветовой компоненты, которую можно выполнять по схеме стандартного осреднения монохромных изображений. Значит, сглаживание пространственным осреднением можно выполнять независимо на покомпонентной основе. Результат будет совпадать с осреднением в цветовом векторном пространстве. Как уже объяснялось в 3 3.5.1, линейные пространственные фильтры для сглаживания изображений строятся функцией 1ерес1а1, которая имеет три возможные опции: бачегайеб, бс11вбгб и 28аиав1алб (см.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
