Předzpracování obrazu Image enhancement Image restoration.

Prezentace na téma: "Předzpracování obrazu Image enhancement Image restoration."— Transkript prezentace:

1 Předzpracování obrazu Image enhancement Image restoration

2 Image enhancement Změny kontrastu a jasu Potlačení šumu Detekce a zvýraznění hran

3 Změny kontrastu a jasu Histogram Lineární změny kontrastu a jasu Nelineární změny kontrastu a jasu Lokální operace

4 Změny kontrastu a jasu

5 Negativ Mamogram

6 Nelineární transformace šedi ampl log(ampl + 1)

7 Gama korekce Output = c (input) gama

8 Gama korekce Output = (input) gama gama = 3, 4, 5

9 Gama korekce Output = (input) gama gama = 0.6, 0.4, 0.3

10 Potlačení šumu v obraze Modely šumu Lineární filtrace Nelineární metody

11 Modely šumu Aditivní náhodný šum g = f + n Gaussovský bílý šum Impulsní šum (sůl a pepř)

12 Míra šumu v obraze Rozptyl Signal-to-noise ratio (SNR) SNR = 10 log (D(f)/D(n)) [dB]

13 Gaussovský bílý šum 20 dB 0 dB 10 dB

14 Průměrování v čase 8 166432 šum 4

15 Průměrování v čase 8 16 64128 origšum

16 Konvoluční filtry Průměrování (prosté a vážené) Průměrování podél hran Rotující okno Filtry ve frekvenční oblasti

17 Průměrování v obraze 3x3 5x57x7 šum

18 Nelineární filtry Mediánový filtr „Sofistikované“ metody

19 Detekce a zvýraznění hran Jednoduché metody zaostření obrazu Detekce hran

20 Jednoduché metody zaostření obrazu Unsharp masking (neostré maskování) Laplace

21 Neostré maskování orig

22 Zaostření obrazu - Laplace orig

23 Detekce hran Detektory založené na 1. derivaci obrazu Detektory založené na 2. derivaci obrazu Detektory které nepracují s derivacemi Detekce hran ve Fourierově oblasti

24 Jednoduché detektory založené na 1. derivaci Roberts Sobel Prewitt Kirsch

25 Roberts

26 Sobel

27 Sobel na obrázku se šumem

28 Canny

29 Detektory založené na 2. derivaci D. Marr, E. Hildreth (1980) -- LoG sigma = 0.5 1 1.5

30 sigma = 2 3 4

31 originál Canny Marr Porovnání Canny a Marr

32 Whitening original image “whitened” image