6) để tính toán Lapiacians của hình ảnh thành phần RGB trong hình 6.38 và kết hợp chúng để tạo ra kết quả đầy màu sắc sắc nét, hình 6.41(b) cho thấy một mà
6.8Nhiễu trong ảnh màu
Các mô hình nhiễu đã trình bày trong Phần 5.2 được áp dụng cho hình ảnh màu. Thông thường, trong cùng một kênh màu thì nhiễu của một ảnh màu có những đặc điểm giống nhau nhưng các kênh màu khác nhau bị ảnh hưởng của nhiễu có thể khác nhau. Một khả năng là cho các thiết bị điện tử của một kênh riêng để hỏng. Tuy nhiên, mức độ nhiễu khác nhau có nhiều khả năng được gây ra bởi sự khác biệt về cường độ tương đối của ánh sáng có sẵn cho mỗi kênh màu. Ví dụ, sử dụng một bộ lọc màu đỏ trong một máy ảnh CCD sẽ làm giảm cường độ của ánh sáng trong thiết bị cảm biến màu đỏ. Cảm biến CCD cho ta nhiễu ở các cấp thấp hơn của ánh sáng, vì vậy kết quả các thành phần màu đỏ của một hình ảnh RGB sẽ có xu hướng nhiễu hơn so với hai thành phần màu khác trong trường hợp này.
Ví dụ 6.17 (Ảnh hưởng của chuyển đổi ảnh màu RGB bị nhiễu sang ảnh màu
HSI)
Trong ví dụ này, chúng ta có một cái nhìn tổng quát về nhiễu trong hình ảnh màu và làm thế nào để nhiễu mang hơn khi chuyển đổi từ một mô hình màu này sang mô hình màu khác. Hình 6.48(a) đến Hình 6.48(c) cho thấy ba mặt
phẳng màu của một hình ảnh RGB bị hỏng bởi nhiễu Gaussian và Hình 6.48(d)
là hình ảnh RGB composite. Lưu ý rằng nhiễu hạt mịn như thế này được chú ý trong một hình ảnh màu hơn là trong một hình ảnh đơn sắc. Hình 6.49(a) đến
Hình 6.49(c) biểu diễn kết quả của việc chuyển đổi hình ảnh từ mô hình màu
RGB trong Hình 6.48(d) đến mô hình màu HSI. So sánh kết quả của các thành phần HSI so với hình ảnh gốc (Hình 6.39) và lưu ý sự suy giảm đáng kể về sắc màu và độ bão hòa màu của các thành phần trong hình ảnh nhiễu. Điều này là do sự phi tuyến tương ứng của cos và min trong phương trình (6.2-2) và phương
trình (6.2-3). Mặt khác, thành phần cường độ trong Hình 6.49 (c) là mịn hơn
bất kỳ của ba thành phần hình ảnh màu RGB bị nhiễu. Điều này do thực tế là các cường độ hình ảnh là trung bình của hình ảnh RGB, như được chỉ ra trong
phương trình (6.2-4). ( Nhớ lại kiến thức trình bày tại phần 3.4.2 liên quan đến
thực tế là hình ảnh trung bình làm giảm nhiễu ngẫu nhiên)
(c) (d)
Hình 6.48
( a) ~ ( c ) là hình ảnh màu đỏ, xanh lá cây, xanh dương bị hỏng bởi nhiễu Gaussian có giá tri trung bình bằng 0 và phương sai bằng 800.
( d ) Kết quả hình ảnh màu RGB [So sánh hình 6.48(d) với hình 6.46 (a)]
Hình 6.49 Thành phần HSI của hình ảnh màu nhiễu trong Hình 4.48 (d).
(a) sắc màu; ( b) bão hòa màu; (c) Cường độ màu
Trong trường hợp trên, chỉ có một kênh RGB bị ảnh hưởng bởi nhiễu, khi chuyển đổi sang kênh HSI nên bị lây lan nhiễu cho tất cả các thành phần của hình ảnh màu HSI. Hình 6.50 là một ví dụ. Hình 6.50(a) biểu diễn một hình ảnh màu RGB có ảnh màu xanh lá cây đã bị lỗi do nhiễu mè và nhiễu hột, trong đó xác suất của một trong hai nhiễu hoặc nhiễu mè hoặc nhiễu hột là 0,05. Thành
phần hình ảnh màu HSI trong Hình 6.50(b) đến Hình 6.50(d) cho thấy rõ nhiễu lan truyền như thế nào từ kênh màu xanh của hình ảnh màu RGB đến tất cả các hình ảnh màu HSI. Tất nhiên, đây không phải là bất ngờ vì dựa theo tính toán của các thành phần HSI từ tất cả các thành phần RGB như trong phần 6.2.3 cho ta kết quả đó
(a) (b)
(c) (d)
Hình 6.50
(a) Hình ảnh RGB với mặt phẳng màu xanh lá cây bị hỏng bởi nhiễu mè và hột (b) Yếu tố săc màu của hình ảnh HSI .
(c) Yếu tố bão hòa màu. (d) Yếu tố cường độ màu.
Như đã trình bày trong phần này thì việc lọc các hình ảnh đầy màu sắc có thể được thực hiện trên một cơ sở cho mỗi hình ảnh hoặc trực tiếp trong không gian vector màu, tùy thuộc vào quá trình này. Ví dụ , giảm nhiễu bằng cách sử dụng một bộ lọc trung bình được trình bày trong Phần 6.6.1 cho kết quả tương tự như trong không gian vector nếu những yếu tố hình ảnh màu được xử lý một cách độc lập. Tuy nhiên, Các bộ lọc khác không thể xây dựng theo cách này. Ví dụ như lớp trật tự các bộ lọc thống kê được trình bày trong Phần 5.3.2. Ví dụ, để thực hiện một bộ lọc trung bình trong không gian vector màu nó là cần thiết để tìm một chương trình để đặt hàng vectơ trong một cách mà người trung bình có ý nghĩa. Trong khi đây là một quá trình đơn giản khi ứng dụng với vô hướng, nhưng lại phức tạp hơn khi ứng dụng với các vector. Vấn đề về trật tự vector nằm ngoài phạm vi trình bày của chúng ta ở chương này, nhưng chúng ta có thể tham khảo ở cuốn sách của Plataniotis và Venetsanopoulos [2000] về vector đặt hàng và một số các bộ lọc dựa trên khái niệm đặt hàng