Покращення розпізнавання деталей

3. Покращення розпізнавання деталей

Для відтворення і подання точок, ліній і растрів у зображенні важливі високі частоти, особливо в області 0,2...0,5 від частоти дискретизації (тобто частоти Найквіста). Але, саме ця область послаблюється кінцевими розмірами апертури зчитування. Підвищення високочастотних складових хоча і поліпшує розпізнавання деталей, але підсилює шум. Можливий варіант частотної характеристики фільтра (одновимірного) для такої задачі наведений на рис. 2. Вона робить узагальнену реставрацію без урахування специфічних властивостей датчика зображення.

Рисунок 2 – Частотна характеристика фільтра для поліпшення розпізнавання дрібних деталей

Проста реалізація такого фільтра в просторовій області може бути такою:

LoG-оператор Марра-Хілдрета. Це лапласіан оператора Гаусса, згладжує функцію зображення за допомогою гауссової характеристики і диференціює межі за допомогою оператора Лапласа. У безперервній версії він описується сукупністю рівнянь:

;

; (8)

.

де х, у – ортогональні відстані до центральної точки фільтрації;  – дисперсія.

Розміри віконних функцій визначаються значенням дисперсії. Для дисперсії :

;

для дисперсії :

;

для дисперсії :

Корекція структурних властивостей зображення. Корекція структурних властивостей зображення розділяється на:

– корекцію різкості;

– корекцію шумів.

Корекція різкості зображення в системі поелементної обробки може здійснюватися двома методами: апертурним і програмним. Апертурний метод включає корекцію різкості зображення за методом нерізкого маскування, при цьому корекція виконується безпосередньо під час сканування зображення.

Вибір параметрів нерізкого маскування залежить від семантики оригіналу і від коефіцієнта масштабування. Чітких рекомендацій з цього питання не існує, і вибір цих параметрів залежить від досвіду оператора. Звичайно рекомендується, щоб параметр радіуса дорівнював роздільній здатності під час сканування, вираженій в пікселях, діленій на 200.

Важливим фактором є вибір каналу, на якому проводиться нерізке маскування. Не рекомендується здійснювати маскування на всіх каналах одночасно: під час неприведення такого зображення формуватиметься структурний шум зображення. Під час роботи в колірному просторі Lab нерізке маскування доцільно проводити на каналі L (за світлістю).

4. Урахування шумових властивостей структури оригіналу і корекція шумів зображення

Шуми можуть бути випадкові аналогові, імпульсні і детерміновані.

Випадкові аналогові шуми виникають, як правило, через гранулярну структуру фотографічного матеріалу, на якому виготовлений оригінал. Для усунення таких шумів застосовуються методи фільтрації згладжування. Необхідно пам'ятати, що використання таких фільтрів може призводити до втрати різкості зображення, тому що усереднюється не тільки шумова структура, але і пікселі, що формують межу зображення. У деяких випадках доцільно після процедури згладжування додатково здійснювати процедуру нерізкого маскування.

Під випадковими імпульсними шумами розуміють відносно рідко розташовані одиничні дефекти, типу подряпин, порошин. Стосовно до них процедура згладжування звичайно неефективна через те, що розміри таких дефектів достатньо великі. Для усунення таких дефектів застосовуються рангові фільтри. У такий спосіб можна усунути відносно дрібні дефекти типу подряпин і пилу.

При більш великому імпульсному шумі необхідно використовувати напівавтоматичне ретушування, у якому усунення дефектів зображення здійснюється шляхом заміни дефектних пікселів на пікселі з їхнього найближчого оточення.

Прикладом детермінованих шумів зображення є растрова структура зображення, якщо оригіналом є поліграфічний відбиток. Зчитування растрового зображення може призвести до небажаної взаємодії растрової структури зображення з новою растровою структурою, яка генерується у процесі фотовиведення.

Можливі два шляхи вирішення цієї проблеми:

1. Усунення растрової структури оригіналу в процесі сканування й обробки. Для цього використовуються методи згладжування. Недоліки такого усунення:

а) втрата різкості зображення;

б) внаслідок різних кутів повороту растрових структур зображення для різних фарб, повне узгодження апертури дерастрування і растрової структури не відбувається і неминучі залишкові флуктуації в зображенні (муар).

2. Зчитування растрової структури з її повним збереженням. В результаті отримують під час зчитування три растрових кольороподільних зображення зі збереженням растрової структури. Для цього необхідно зчитувати з високою роздільною здатністю, що складає значні труднощі.

Оригінал може містити зображення, у якому є періодична структура. Взаємодія цієї структури зі структурою поліграфічного растра може призводити до шумів типу муару. Іноді ця взаємодія буває досить інтенсивною і добре помітною.

Для усунення або зниження таких шумів можливі кілька шляхів:

1.  Застосування растра з нерегулярною структурою.

2.  Якщо структура має сильну ахроматичну складову, то є доцільним інтенсивне використання GCR і потім вибір кутів повороту растра, можливо нестандартних, які дають менше муароутворення для даної структури.

3.  Зменшення масштабу зображення.

4.  Зниження різкості зображення і навіть додавання шумів відповідними фільтрами обробки.

Крім шумів, що пояснюються об'єктивними причинами (шуми, що є в оригіналі) можливе виникнення шумів у самому процесі репродукування. Такими шумами є шуми квантування.

Перетворення однієї растрової структури в іншу може бути причиною муароутворення. Саму растрову структуру зображення і її відтворення також можна розглядати як шуми.

Шуми другого порядку пов'язані з нестабільністю відтворення растрової структури. Така нестабільність відтворення залежить від умов проведення процесу, від структури растра, зокрема від периметра растрових точок, від їхньої форми, і звичайно більш помітна для растрових точок, що мають великий периметр і більш інтенсивну високочастотну складову. Якщо точка квадратна, то кути вже несуть високочастотну інформацію, а вони більш піддані шумовим впливам.

піксель цифровий зображення мережа

5. Геометричні перетворення в системі поелементної обробки зображення

Масштабне перетворення може здійснюватися безпосередньо в процесі сканування, а також у процесі обробки підготовленого файла з високою роздільною здатністю.

У процесі перетворення на етапі сканування формується піксель, розмір якого обраний відповідно до масштабу остаточного зображення. Тому масштабне перетворення зводиться до збільшення розміру пікселя відповідно до необхідного масштабу.

Складніша ситуація під час масштабування зображення, записаного у вигляді цифрового масиву. У цьому випадку необхідно зробити операцію масштабування шляхом додавання або відкидання пікселів. Якщо збільшення виконується в кратну кількість разів (наприклад, в 2 рази), то кожен піксель або просто подвоюється, або виконується більш складне перетворення з інтерполяцією значень пікселів для одержання проміжних значень, що згладжують переходи.

Зі збільшенням або зменшенням зображення не в цілу кількість разів збільшення зображення здійснюється шляхом додавання або відкидання додаткових пікселів у рядку. Для збільшення на 10% подвоюється кожен десятий піксель, для зменшення на 10% – відкидається кожен десятий піксель. Це може призводити до втрати деталей, хоча це не занадто помітно.

Процедура масштабування цифрового масиву є небажаною, бо може бути джерелом додаткових шумів зображення. Масштабне перетворення краще здійснювати під час сканування.

Основне питання, яке виникає під час зміни масштабу зображення, полягає у визначенні умов, при яких така заміна не супроводжується втратою інформації. Втрати відсутні, якщо відновлено безперервний сигнал у проміжках між вузлами, в яких значення сигналу відомі. Інакше, задача полягає у двовимірній інтерполяції сигналу. Її вирішення випливає з аналізу спектральних властивостей безперервного і дискретного зображень.

Умовою точного відновлення зображення в проміжках між відліками служить використання всіх відліків дискретного зображення. Це не завжди зручно, часто потрібно відновлювати сигнал у локальній області, спираючись на невелику кількість наявних дискретних значень. Тоді можна застосовувати наближене відновлення за допомогою різних функцій, що інтерполюють. На практиці найчастіше зустрічаються декілька методів інтерполяції зображень.

Метод визначає, як обчислюється значення поточного пікселя в залежності від розміру околу під час масштабування:

– метод “найближчого сусіда”: вихідному пікселю привласнюється значення одного вихідного пікселя околу, без урахування значень сусідніх пікселів. Цей метод в основному використовується для перетворення індексованих зображень;

– білінійна інтерполяція: значення вихідного пікселя – це зважене усереднення найближчого 2´2 околу вихідного пікселя;

– бікубічна інтерполяція: значення вихідного пікселя – це зважене усереднення найближчого 4´4 околу вихідного пікселя.

Кількість пікселів в околі впливає на складність обчислень. Тому білінійна інтерполяція більш тривала, ніж метод “найближчого сусіда”; бікубічна – більш тривала, ніж білінійна. Однак бікубічна дає більш точний результат, тому під час вибору методу інтерполяції завжди потрібно шукати компроміс між часом обробки і якістю зображення.

Описані процедури використовуються для зображень у градаціях сірого. Для індексованих зображень використовують метод “найближчого сусіда”, а низькочастотна фільтрація не застосовується, тому що для даного типу зображень вона не ефективна.