Реферат: Цифровые фото- и видеокамеры
Необходимая разрешающая способность видеокамеры определяется размерами исследуемых объектов изображения. При минимальном линейном размере элемента анализируемого изображения l (мм) разрешение видеокамеры должно быть не менее 1*5/l*e (пикселей на мм) при условии, что для однозначного распознавания объекта изображения на него должно приходиться не менее пяти пикселей разрешения видеокамеры.
Компьютер и установленное на нем программное обеспечение должны обеспечивать передачу и обработку оцифрованного изображения в реальном масштабе времени с минимальными искажениями.
Разрешающая способность и другие характеристики монитора, вплоть до размера экрана, соответствуют устанавливаемой видеокамере и задачам для решения которых используется система.
Принцип работы системы состоит в следующем: изображение снимается с объекта, так как отражение и поглощение света для различных фаз, вследствие наличия особенностей в химическом составе, различное, то в результате получается полутоновое изображение; полученное изображение передается видеокамерой в персональный компьютер, который под управлением специально разработанного программного обеспечения осуществляет автоматический или полуавтоматический анализ полученного изображения.
3.2 Обзор методов цифровой обработки изображений.
Предварительный анализ изображений позволяет сделать вывод о том, что:
· Во-первых, большинство изображений, в процессе их формирования (фотографирования сканирования и т.д.), подвергаются влиянию ряда негативных факторов (вибрация фотокамеры, неравномерность движения сканирующего элемента и т.д.), приводящих к смазанности, появлению малоконтрастных и зашумленных участков и т.д.
· во-вторых, подавляющее большинство методов основано на выделении объектов на изображении и дальнейшем их анализе.
Таким образом, прежде чем подвергнуться анализу, изображение должно пройти этап препарирования, который состоит в выполнении операций улучшения визуального качества (повышение контраста, устранение размытости, подчеркивание границ, фильтрация) и операций формирования графического препарата (сегментация, выделение контуров) изображения.
Изменение контраста. Слабый контраст обычно вызван малым динамическим диапазоном изменения яркости, либо сильной нелинейностью в передаче уровней яркости. Простейшим методом контрастирования является функциональное отображение градации яркости f ij в g ij , то есть g ij = R(f ij ). На практике очень часто используют линейные функциональные отображения. Если в результате неравномерности освещения при фотографировании или изготовлении фотографий, возникает ситуация, когда различные участки изображения обладают разным контрастом. В таком случае для изменения контраста используют адаптивные алгоритмы контрастирования. Примером может служить алгоритм локального усиления контраста. Экспериментальные исследования подтвердили высокую эффективность работы алгоритма в том случае, если на снимке присутствуют области с явно завышенным или заниженным контрастами.
Суть алгоритма состоит в том, что снимок рассматривается как набор некоторого числа локальных областей, и эти области обрабатываются с учетом их характеристик. Обработка ведется в следующей последовательности: вычисляется коэффициент усиления срезов плотности р отдельно для каждого локального участка изображения. И осуществляется обработка каждого пикселя изображения. Если р равно единице, то над локальным участком изображения никакого действия не производится (если р отлично от единицы, то осуществляется повышение контраста локальной области). Первоначально вычисляется контраст в анализируемой точке относительно ближайшей окрестности. Затем значение относительного контраста складывается с единицей, и полученное значение принимается в алгоритме как коэффициент усиления p , а далее производится вычисление по формуле L i ` = p*L i – int(p*L i /L` max )*L` max , где L ` i - новое значение яркости, L i - текущая яркость обрабатываемого изображения, L ` max - необходимое максимальное значение яркости обработанного изображения.
Сглаживание шумов. Изображения на этапе оцифровки подвергаются воздействию аддитивного и импульсного шума. Аддитивный шум представляет собой некоторый случайный сигнал, который прибавляется к полезному на выходе системы, в рассматриваемом случае аддитивный шум возникает вследствие зернистости пленки. Импульсный шум, в отличие от аддитивного, характеризуется воздействием на полезный сигнал лишь в отдельных случайных точках (значение результирующего сигнала в этих точках принимает случайное значение). Импульсный шум характерен для цифровых систем передачи и хранения изображений. Таким образом, в процессе препарирования изображения возникает задача подавления шума.
Простейшим методом, сглаживающим шум, на изображении является сглаживание, т.е. замена значения яркости каждого элемента средним значением, найденным по его окрестности: f ij = (1/p )*Sk, l (fkl), где f kl Î S 8 (f ij ) — множество точек, принадлежащих окрестности точки f ij (включая и саму точку f ij ); p — число точек в окрестности.
Рассмотренный метод эффективно устраняет аддитивный и импульсный шум в каждом элементе изображения
Подчеркивание границ. Методы сглаживания изображений могут устранять шум очень эффективно. Существенным недостатком алгоритмов сглаживания является смаз изображения (т.е. снижение четкости контурных элементов), при этом величина смаза пропорциональна размеру маски, используемой для сглаживания. Для однозначного анализа изображений, особенно при вычислении геометрических характеристик структурных элементов, очень важно убрать смаз с контуров объектов в изображении, то есть усилить разницу между градациями яркости контурных элементов объекта и соседних элементов фона. В этом случае при обработке изображений используются методы подчеркивания контуров.
Обычно подчеркивание границ осуществляется методом высокочастотной пространственной фильтрации. Характеристики фильтров задаются в виде маски, в которой среднее значение должно быть равно нулю.
Еще одним методом подчеркивания границ является так называемое статическое дифференцирование. В этом методе значение яркости каждого элемента делится на статистическую оценку среднеквадратического отклонения s F , то есть g ij = f ij /s F (среднеквадратическое отклонение вычисляется в некоторой окрестности элемента f ij ).
Медианная фильтрация. Медианная фильтрация относится к нелинейным методам обработки изображений и имеет следующие преимущества перед линейной фильтрацией (классической процедуры сглаживания): сохраняет резкие перепады (границы); эффективно сглаживает импульсный шум; не изменяет яркость фона.
Медианная фильтрация осуществляется путем движения некоторой апертуры (маски) вдоль дискретного изображения и замены значения центрального элемента маски медианным значением (среднее значение упорядоченной последовательности) исходных элементов внутри апертуры. В общем случае, апертура может иметь самую разнообразную форму, но на практике чаще всего применяется квадратная апертура размером (2k+1)*(2k+1), где k=1,2,...
Сегментация изображений. Под сегментацией изображения понимается процесс его разбиения на составные части, имеющие содержательный смысл: объекты, их границы или другие информативные фрагменты, характерные геометрические особенности и др. В случае автоматизации методов получения изображений сегментацию необходимо рассматривать как основной начальный этап анализа, заключающийся в построении формального описания изображения, качество выполнения которого во многом определяет успех решения задачи распознавания и интерпретации объектов.
В общем случае сегментация представляет собой операцию разбиения конечного множества плоскости, на которой определена функция исходного изображения f(x,y) на k непустых связанных подмножеств si (i=[1,k] ) в соответствии с некоторым предикатом P , определяемом на множестве S={s1 ,s2 ,…,sk } и принимающий истинные значения, когда любая пара точек из каждого подмножества si удовлетворяет некоторому критерию однородности (например, критерий однородности, основанный на оценке максимальной разности яркости отдельного пикселя и среднего значения яркости, вычисленного по соответствующей области).
Методы сегментации можно разделить на следующие основные группы:
1. Пороговые методы сегментации. Эти методы заключается в преобразовании функции яркости изображения оператором вида:
TH: f(i,j) f s (i,j) ,
lp при T p £ f s (i,j) < T p+1
f s (i,j) = íl0 при f s (i,j) £ T 0
lk-1 при f s (i,j) > T k-1 ,
где f s (i,j) — сегментированное изображение; k — число областей сегментации; l0 , l1 , ..., lk-1 — метки сегментированных областей; T 0 , T 1 , ..., T k-1 — упорядоченные величины порогов T 0 <T 1 <T k-1 (при выборе порогов применяют, как правило, гистограмму распределения яркостей цифрового изображения).
2. Методы наращивания областей. Методы этой группы основаны на использовании локальных признаков изображения. Идея метода наращивания областей состоит в анализе сначала стартовой точки, затем ее соседних точек и т.д. в соответствии с некоторым критерием однородности, и в последующем зачислении проанализированных точек в ту или иную группу (количество стартовых точек должно быть равно количеству однородных областей на изображении). В более эффективных вариантах метода в качестве отправной точки используются не отдельные пиксели, а разбиение изображения на ряд небольших областей. Затем каждая область проверяется на однородность, и если результат проверки оказывается отрицательным, то соответствующая область разбивается на более мелкие участки. Процесс продолжается до тех пор, пока все выделенные области не выдержат проверку на однородность. После этого начинается формирование однородных областей при помощи наращивания.