Шумы возникают из-за сбоя датчиков, отклонения цвета пикселя. Фильтрация позволяет подавить шумы, но при этом исчезают и детали.
Виды шумов:
● яркостные
● цветовые
Параметры шумов:
● Амплитуда — величина отклонения сигнала от верного значения.
● Частота — показывает, как часто появляется шум в сигнале.
Методы подавления шумов:
● Сглаживание(фильтрация по Гауссу):
○
○ - матрица фильтрации размера (2n +1)*(2n +1) показывает вес пикселя рядом с x ,y
g — исходная интенсивность
● Медианная шумовая фильтрация. Цвета соседних пикселей помещаются в одномерный массив, сортируются и выбирается среднее (по положению в списке).
○ Достоинство: пиксель принимает интенсивность, которая реально присутствует в его окружении.
○ Недостаток: очень низкая скорость
● Метод ДКП. При сжатии вместе с деталями исчезают и шумы.
● Метод усреднения. Берём несколько изображений; один и тот же пиксель на всех изображениях будет соответствовать одному и тому же объекту, находим среднее.
Интерполяция растровых изображений требуется при изменении геометрии растра:
● масштабирование
● поворот, сгиб
● корректировка проблем съёмки (кривой фотик, кривая фотка, кривой горизонт, кривые руки и т.п.)
Интерполяция позволяет определить цвет пикселя по его окрестности.
Алгоритмы интерполяции:
● Неадаптивные. Никак не учитывают границы (контуры) в исходном изображении. Способы определения цвета:
1 Ближайший пиксель (nearest-neighbor)
2 Билинейный: вычисляется среднее среди 4-х соседних пикселей (Не совсем так: создаем новое изображение с новым размером, перебираем все его точки. Для каждой точки нового изображения ищем “родительскую”. А от нее берем соседние. Компоненты цвета нового пикселя выбираются как линейная комбинация компонент соседей, умноженных на коэффициенты. Коэффициенты выбираются исходя из величины отклонения реального пикселя от точной величины (из-за того, что арифметика масштабирования не целочисленная))
3 Бикубический: берётся 16 соседних пикселей.
4 Использование сплайнов. По 16-ти точкам строится двумерный сплайн.
● Адаптивные. Алгоритмы рассматривают окрестность каждой точки и пытаются определить, является ли она граничной. В этом случае веса корректируются. Эти алгоритмы не являются универсальными: для каждой интерполяции (поворот, масштаб, изгиб) они специфичны.
Проблемы интерполяции:
1 Алиасинг (ступенчатость). Борьба с алиасингом — сглаживание.
2 Размытие
3 Гало-свечение, возникающее при повышении резкости
4 Каждая интерполяция вносит погрешности, поэтому несколько трансформаций лучше делать сразу.
Бинарное изображение: на каждый пиксель отводится один бит (1=белый, 0=чёрный)
Чёрно-белое изображение: на каждый пиксель отводится несколько бит, которые показывают уровень яркости.
Бинарные изображения используются в некоторых устройствах ввода-вывода, чёрно-белые — при задании формы объектов (ч/б прозрачность).
Задача бинаризации — перевод чёрно-белого изображения в бинарное.
Методы:
1 Пороговая бинаризация
Входное изображение задается интенсивностью I(x,y). Выходное изображение определяется как O(x,y) = (I(x,y) < A ? 0 : 1). Значение порога А можно менять, чтобы получить приемлемую картинку: при повышении порога лучше просматриваются яркие детали, при понижении — тёмные.
2 Метод Оцу.
HxW = количество пикселей. Гистограмма яркости показывает, сколько каких пикселов — тёмных и светлых. Значение порога t автоматически выбирается так, чтобы взвешенная сумма внутригрупповых дисперсий была минимальна.
Более формально:
i=0..max — яркость
c(i) — количество пикселей с яркостью i
— вероятность появления пикселя с яркостью i
— вероятность появления пикселя темнее t
— вероятность появления пикселя светлее t
; — cредняя яркость пикселей в группах.
; — дисперсия (величина разброса среднего значения).
Тогда
t:
3 Метод имени меня. Каждый пиксель входного изображения случайным образом заменяется на чёрный или белый, причём вероятность выбора белого цвета зависит от яркости исходного пикселя: