Лекция по техническому зрению 2

1. Обработка изображений Сайт курса: http://cvbeginner.blogspot.com/ 1

2. Из прошлой лекции… Цветовые модели Организация памяти Различные источники изображений 2

3. Цветовые модели RGB HSV CIE XYZ CYMK 3

4. HSV тон, насыщенность, значение 4

5. CIE XYZ 5

6. Реализация OpenCV cvtColor(Mat source,Mat dst,int flag); Matlab hsv_image = rgb2hsv(rgb_image) 6

7. План лекции Формулировка Статистика изображений Линейная фильтрация Масочные операторы Частотное представление Перерыв Теорема о свертке Шум, модели шума Восстановление изображения 7

8. Формулировка Обработка изображений – семейство задач входной и выходной информацией являются изображения Примеры Устранение шума Повышение четкости Предварительная обработка с целью усилить важные для конкретной задачи характеристики изображения 8

9. Формирование цифрового изображения 9 Оптика Матрица Изображение АЦП

10. Фильтр Байера 10

11. Почему изображения получаются плохо? Плохая оптика Слабая чувствительность матрицы «Плохая» функция передачи сенсора Артефакты компрессии 11

12. Гистограмма 12 Гистограмма - график распределения яркости на изображении. По оси абсциссы отложены яркости. По оси ординат отложены количество пикселей с заданной яркостью.

13. Динамический диапазон изображения Пусть I изображение Динамический диапазон будет [min(I) max(I)] 13

14. Вычисление гистограммы OpenCV void calcHist(const Mat* arrays, intnarrays, const int* channels, const Mat& mask, MatND&hist, int dims, const int*histSize, const float** ranges, bool uniform=true, bool accumulate=false) Matlab imhist(I) 14

15. Слабая чувствительность 15

16. Линейная коррекция 16

17. Линейная коррекция не всегда помогает 17

18. Нелинейная коррекция Гамма Логарифмическая 18

19. Эквализация гистограммы 19

20. Эквализация 20

21. Свойства линейных фильтров Коммутативность a*b = b*a Ассоциативность (a*b)*c = a*(b*c) Дистрибутивность по сложению a*(b+c) = a*b + a*b Домножение на скаляр a*(k*b) = k*(a*b) 21

22. Масочные операторы 22

23. Усреднение 23 1/9 Вопрос: Зачем множитель 1/9?

24. Определение свертки Пусть f – изображение, g – ядро оператора, тогда свертка вычисляется по следующей формуле OpenCV: void filter2D(const Mat&src, Mat&dst, intddepth, const Mat& kernel, Point anchor=Point(-1, -1), double delta=0, intborderType=BORDER_DEFAULT) Matlab Y = filter2(h,X) 24

25. Вопрос 1 25 * = ?

26. Ответ 26 * =

27. Вопрос 2 27 * = ?

28. Робертса 28 Matlab Demo

29. Превитт 29 Matlab Demo

30. Собеля 30 Matlab Demo

31. В чем разница? 31

32. Получение других фильтров Поворотом на углы Средние отклика Абсолютное значение отклика Максимумы откликов 32

33. Направление Собель горизонтальный Собель вертикальный 33

34. Сумма / max 34

35. Ядро гаусса 35

36. Фильтрация гауссом 36 * =

37. Ближе 37

38. Свойства фильтра Гаусса Свертка с самим собой дает тоже фильтр Гаусса Сгалаживание несколько раз с маленьким ядром равносильно сглаживанию большим ядром Свертка два раза с фильтром с дисперсией σ равносильна свертки с фильтром с дисперсией σ*sqrt(2) 38

39. Польза Низкочастотная фильтрация Имитация оптической дефокусировки (ФРТ) 39

40. Повышение четкости Лапласиан Гауссиана 40

41. Результат фильтрации 41

42. Перерыв Вопросы 42

43. Трудоемкость свертки Изображение fразмером M x N Ядро g размером K x L Вопрос какова трудоемкость свертки f * g? 43

44. Трудоемкость свертки M x N x K x L 512*512*3*3 = 2359296 44

45. Преобразование Фурье Низкие частоты Высокие частоты 45

46. Преобразование Фурье 46 Переход в частотную систему координать

47. Преобразование Фурье 47

48. Теорема о свертке Свертка в пространственной области = умножение в частотной И наоборот 48

49. Трудоемкость FFT FT - O(N^2) FFT - O(N log(N)) OpenCV cv::dft Matlab fft(X), fft2(X) 49

50. Нормальный шум 50

51. Соль и перец 51

52. Устранение шума с помощью Гауссиана 52

53. Устранение шума с помощью Гауссиана 53

54. Медианный фильтр 54

55. Медианный фильтр 55

56. Медианный фильтр OpenCV cv::median Matlab medfilt2 56

57. Медианный фильтр 57

58. Медианный фильтр Matlab Demo 58

59. Вопросы 59