پردازش تصویر(فصل دوم): پردازش هیستوگرام تصویر


توضیحات:

در حوزه پردازش تصویر، هیستوگرام تصویر میزان فراوانی سطوح شدت روشنایی در تصویر را ارائه می‌دهد. متعادل‌سازی هیستوگرام یکی از روشهای معروف در بهبود کنتراست تصویر است. در فصل دوم دوره پردازش تصویر، روشهای پردازش مبتنی بر هیستوگرام تصویر از قبیل متعادل‌سازی هیستوگرام تصویر، مشخصه‌دهی هیستوگرام تصویر و متعادل‌سازی سازگار هیستوگرام تصویر جهت بهبود کنتراست تصاویر آموزش داده شده است.

توضیحات

پردازش هیستوگرام تصویر

هیستوگرام تصویر اطلاعات مهمی در مورد تصویر ارائه میدهد و کاربردهایی زیادی در پردازش تصویر دارد. در این فصل هدفمان آموزش روشهای مبتنی بر پردازش هیستوگرام تصویر است تا بتوان کنتراست تصاویر را بهبود داد. در این فصل تئوری و ریاضیات تمامی الگوریتم‌ها آموزش داده شده و سپس به صورت مرحله به مرحله پیاده‌سازی شده‌اند. و در نهایت چندین مثال عملی انجام می شود تا به صورت مفهومی متوجه شویم که هر کدام از الگوریتمها چه مزایا و معایبی دارند.

 

هیستوگرام تصویر(image histogram)

هیستوگرام تصویر یک نمودار دو بعدی است که میزان فراوانی سطوح شدت روشنایی پیکسلهای تصویر را مشخص می کند. همانطور که در شکل زیر هم مشخص است، محور x رنج تغییرات شدت روشنایی را مشخص می‌کند و محور y میزان فراوانی(تعداد) سطوح شدت روشنایی را مشخص می‌کند. هیستوگرام تصویر تخمینی از توزیع شدت روشنایی هست که اطلاعات خوبی از تصویر ارائه میدهد که میتوان از این اطلاعات در پردازش تصویر استفاده کرد.

هیستوگرام تصویر

در فصل اول دوره پردازش تصویر توضیح دادیم که روش آستانه گذاری اتسو چطور از این اطلاعات جهت تعیین آستانه بهینه تصویر استفاده می‌کند. حال در این فصل توضیح میدهیم که چطور میتواناز این اطلاعات جهت بهبود کنتراست تصویر استفاده کرد.

 

متعادل سازی هیستوگرام تصویر(histogram equalization)

همانطور که در تصویر زیر مشخص است، تصویری که کنتراست خوبی داشته باشد، هیستوگرام یکنواختی(متعادل) دارد. متعادل سازی هیستوگرام تصویر یکی از روشهای معروفی هست که میتوان از آن برای بهبود کنتراست تصویر استفاده کرد.

متعادل سازی هیستوگرام تصویر

در این روش از روی هیستوگرام تصویر، یک تابع تبدیل شدت روشنایی بدست می آید که وقتی روی تصویر اعمال می‌شود، در نتیجه آن تصویری ساخته می‌شود که هیستوگرام آن یکنواخت شده و کنتراست آن بهبود پیدا می‌کند. در جلسه دوم مباحث ریاضی و تئوری این روش را توضیح داده و سپس مرحله به مرحله پیاده سازی می‌کنیم و در نهایت چندین مثال عملی انجام میدهیم تا متوجه شویم که چطور میتوان با کمک متعادل‌سازی هیستوگرام، کنتراست تصویر را بهبود داد.

 

مشخصه دهی هیستوگرام تصویر(histogram specification)

در متعادل‌سازی هیتسوگرام تصویر، ما محدود هستیم که به یک هیستوگرام متعادل برسیم. با اینکه این رویکرد در خیلی از موارد باعث بهبود کنتراست تصویر می‌شود، ولی برخی موارد، رسیدن به هیستوگرام متعادل بهترین گزینه نیست، و ممکن است گزینه‌های بهتری داشته باشیم که لزوما متعادل نباشند. در مشخصه‌دهی هیتسوگرام تصویر، ما این آزادی عمل را داریم که تبدیلی روی تصویر اعمال کنیم که هیستوگرام آن شبیه به هر هیستوگرامی که مدنظر هست تبدیل کنیم. در جلسه سوم توضیح می‌دهیم که چطور میتوان هیستوگرام تصویر را به هر هیستوگرام دلخواه تبدیل کرده و در نتیجه آن کنتراست تصویر را به صورت بهینه بهبود داد.

مشخصه دهی هیستوگرام تصویر

متعادل‌سازی سازگار هیستوگرام تصویر(adaptive histogram equalization)

مشکل متعادل سازی هیستوگرام این است که به صورت سراسری روی تصویر اعمال می‌شود، به این معنی که از روی هیستوگرام تصویر یک تابع تبدیل شدت روشنایی محاسبه می شود و این تابع تبدیل روی کل نواحی تصویر اعمال می شود. این رویکرد در زمانی که تصویر پس زمینه یکنواختی نداشته باشد به نتیجه مطلوبی نمیرسد. همانطور که در تصویر زیر هم مشخص است نتیجه متعادل سازی سراسری تصویر باعث می‌شود که نواحی سایه بهبود یابد، ولی روی نواحی روشن تصویر تاثیر بدی گذاشته و در نهایت یک تصویر نامطلوب ایجاد می‌شود.

متعادل سازی هیستوگرام تصویر

مشکل این تصاویر یکنواخت نبودن پس زمینه تصویر هست و اعمال یک تابع تبدیل به کل تصویر گزینه مناسبی نیست. برای حل این مسئله بهتر است که برای هر ناحیه تصویر یک تابع تبدیل مجزایی محاسبه و اعمال شود. متعادل سازی سازگار(محلی) تصویر به صورت محلی عمل کرده و هر ناحیه از تصویر را به صورت جدا بهبود می‌دهد. با اینکار کنتراست تصویر در همه نواحی بهبود می یابد و مشکل متعادل‌سازی سراسری تصویر را حل می‌کند. در جلسه چهارم دوره توضیح میدهیم که چطور میتوان کنتراست تصاویری که پس زمینه یکسانی ندارند را بهبود داد.

متعادل سازی سازگار هیستوگرام تصویر


محتوای فصل دوم دوره پردازش تصویر

  • ویدیوهای آموزشی
  • کدهای پیاده سازی شده برای مثالها، مقالات  و پروژه های انجام شده
  • جزوه دست نویس مدرس
جزوه خام جلسات در کانال تلگرام onlinebme قرار داده شده است.

مدت زمان دوره: 6 ساعت 30 دقیقه

مدرس دوره: محمد نوری زاده چرلو

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.