Với một vài phương pháp ngoại lệ, như kết hợp nhẹ nhàng ở phần 3.6.1, chúng ta tập chung vào phương pháp tăng cường riêng lẻ. Thường xuyên, có một nhiệm vụ tăng cường sẽ yêu cầu áp dụng một số kỹ thuật nâng cao bổ sung để đạt được một kết quả chấp nhận được, trong phần này chúng ta minh họa bằng một ví dụ minh họa làm thế nào để kết hợp một số phương pháp trong những phương pháp được tiếp cận trong chương này để giải quyết một nhiệm vụ tăng cường khó khăn.
Hình ảnh chỉ ra ở hình 3.46a là một hạt nhân toàn bộ xương cơ thể được quét, được sử dụng để phát hiện bệnh như nhiễm trùng xương và các khối u. Chủ đề của chúng ta là để nâng cao hình ảnh này bằng cách mài nó và mang ra nhiều chi tiết xương. Phạm vi hoạt động hẹp của các cấp độ màu xám và tiếng ồn cao làm cho hình ảnh này khó để nâng cao. Chiến lược chúng ta sẽ theo là sử dụng các phòng thí nghiệm để làm nổi bật các chi tiết, và màu để nâng cao nổi bật của các cạnh. Vì những lý do này sẽ được giải thích, một phiên bản của hình ảnh màu được sử dụng để che dấu hình ảnh phòng thí nghiệm ( Xem phân 3.4 về mặt nạ). Cuối cùng, chúng ta sẽ cố gắng tăng cường phạm vi hoạt động của mức độ màu xám bằng cách sử dụng mức màu xám chuyển đổi.
a b cd
Hình 3.46.(a) Hình ảnh của toàn bộ cơ thể quét xương. (b) Laplacian của (a). (c)
hình ảnh sắc nét thu được bằng cách thêm (a) và (b). (d) Sobel của (a).
HÌnh 3.46b chỉ ra phòng thí nghiệm của hình ảnh gốc, thu được bằng cách sử dụng mặt nạ trong hinh 3.39d. Hình ảnh này được thu nhỏ (chỉ cho màn hình hiển thị) sử dụng kỹ thuật tương tự như hình 3.40. chúng ta có thể thu được một hình ảnh rõ ở điểm này
Đơn giản bởi cộng thêm hình 3.46a và (b), cái mà thực hiện ở dòng thứ hai trong công thức 3.7-5 (chúng ta sử dụng một mặt nạ với một hệ số trung tâm tích cực). Chỉ cần nhìn vào mức độ ồn trong b, chúng ta co the mong chờ một hình ảnh sắc nét nếu chúng ta cộng những hình ảnh ở 3.46a và b, một thực tế là được khẳng dịnh ở
hình 3.46c. Một trong cách này đến ngay lập tức để làm giảm tiếng ồn là sử dụng bộ lọc trung bình.Tuy nhiên, lọc trung bình là một quá trính phi tuyến có thể loại bỏ tính năng của hình ảnh.Điều này không thể chấp nhận được trong việc xử lý hình ảnh y khoa. Một cách tiếp cận nữa là sử dụng mặt nạ được hình thành từ một phiên bản của hình ảnh gốc. Động cơ đằng sau này là đơn giản và dựa trên các thuộc tính cơ bản các dẫn xuất đầu tiên và thứ hai để giải thích trong phần 3.7.1. Các phòng thí nghiệm có thể là hoạt động phát sinh lần thứ hai, có những thuận lợi nhất định trong việc tăng cường các tiết rõ nét. Tuy nhiên, điều này gây ra kết quả có khuynh hướng ồn ào hơn. Tiếng ồn rõ ràng thấy ở bộ phận trơn tru, nơi mà có xu hướng rõ nhất. Khuynh hướng là có sự phản ứng mạnh mẽ trong khu vực vận chuyển mức màu đáng kể (cấp mức màu xám và mức bước) hơn phòng thí nghiệm. Những phản ứng của khung hướng tới tiếng ồn và chi tiết tốt thì thấp hơn ở trong phòng thí nghiệm và có thể là thấp hơn nữa bằng cách là làm mịn khuynh hướng với bộ lọc trung bình. Ý tưởng, sau đó là làm mịn khung độ và nhân với hình ảnh trong phòng thí nghiệm. Trong bối cảnh này, chúng ta có thể xem khuynh hướng làm mịn như một mặt nạ hình ảnh.Sản phẩm này sẽ bảo vệ các chi tiết trong khu vực mạnh trong khi giảm tiếng ồn trong khu vực bằng phẳng. Quá trình xử lý có thể xem là sự kết hợp các tính năng tốt nhất của phòng thí nghiệm và khuynh hướng, Kết quả sẽ cộng vào bản gốc và thu được hình ảnh cuối cùng rõ nét và có thể sử dụng trong bộ lọc boost.
Hình 3.46d chỉ ra sobel Gradient của hình ảnh gốc. Việc tính toán sử dụng công thức 3.7-14. Thành phần Gx và Gythu được bằng cách sủ dụng mặt nạ trong hình 3.44d và e, tương ứng. Trong cuộc thảo luận của chúng ta trong phần 3.7.1, Các cạnh được chiếm nhiều trong hình ảnh hơn hình ảnh trong phòng thí nghiêm.
Hình ảnh có khunh độ trơn chỉ ra trong hình 3.46e thu được bằng cách sử dụng bộ lọc trung bình cỡ 5x5. Có 2 hình ảnh khuynh độ được thu nhỏ cho hiển thị tương tụ như 2 hinh ảnh phòng thí nghiệm. Bởi vì giá trị nhỏ nhất có thể của một hình ảnh Gradient là 0, nền là màu đen trong hình ảnh thu nhỏ, chứ không phải là màu xám trong phòng thí nghiệm. Thực tế ở hình 3.46d và e là sáng hơn hình 3.46b cho thấy độ dốc của hình ảnh ở cạnh quan trọng có giá trị cao hơn so với một hình ảnh trong phòng thí nghiệm.
Sản phẩm trong phòng thí nghiệm và hình ảnh khuynd độ trơn (nhẵn) thì chỉ ra ở hình 3.46f.Chú ý là sự thống trị của các cạnh mạnh và sự thiếu tương đối của tiếng ồn cái mà là chia khóa đằng sau mặt nạ Laplacian với một hình ảnh khuynh độ trơn.Sự cộng thêm sản phẩm hình ảnh vào hình ảnh gốc kêt quả là hình ảnh sắc nét chỉ ở hình 3.46g. Sự gia tăng đáng kể sự sắc nét của các chi tiết trong hình ảnh này
là hiển nhiên trong hầu hết các phần của hình ảnh bao gồm cả xương sườn, dây nhau sống, xương chậu và sương sọ. Đây là kiểu cải tiến không thể thực hiện được bằng cách sử dụng Laplacian và Gradient riêng lẻ.
e f g h
Hình 3.46.(Tiếp theo) (e) Sobol bức ảnh làm mượt với một bộ lọc trung bình 5 x 5,
(f) Hình ảnh mặt nạ hình thành bởi các sản phẩm của (c) và (e).(g) Hình ảnh sắc nét thu được bằng tổng của (a) và (f). (h) Kết quả cuối cùng thu được bằng cách áp dụng một biến đổi lũy thừa tới(g). So sánh (g) và (h) với (a). (Nguồn:Hình ảnh lấy của hệ thống y tế của GE.)
Các thủ tục giấy tờ chỉ thảo luận không ảnh hưởng đáng kể đến phạm vi hoạt động của các mức màu xám trong một hình ảnh. Do đó, bước cuối cùng trong việc tăng
cường nhiệm vụ là tăng cường phạm vi hoạt động của hình ảnh rõ nét. Như tvo thảo luận ở một vài chi tiết trong phần 3.2 and 3.3, Có một số mức xám chuyển đổi chức năng cái mà có thể thực hiện chủ đề này. Chúng ta biết từ kết quả trong phần 3.3.3 rằng cân bằng biểu đồ là mM như để làm việc tốt trên hình ảnh có mức màu xám tối phân phối như hình ảnh của chúng ta có.
Đặc điểm kỹ thuật biểu dồ
Có thể là một giải pháp, nhưng những đặc điểm tối của hình ảnh của mình cái mà chúng ta đang làm có sự chuyển đổi tốt hơn.Từ khi chúng ta ươc để truyền mức màu xám, giá trị y trong công thức 3.2-3 có thể it hơn 1. Sau một vài cách thử với công thức này chúng tôi có kết quả trong hình 3.46h, thu được với y=0.5 và c-1. Sự so sánh hình ảnh với 3.46g chúng ta thấy chí tiết mới quan trọng có thể nhìn thấy trong hình 3.46h. Các khu vực quanh cổ tay, bàn tay, mắt cá chân là cảm thấy tốt cho ví dụ về điều này. Cấu trúc xương và xương cũng nhiều hơn rõ rệt bao gồm cả cánh tay và xương chân. Chú ý là định nghĩa không rõ ràng về cơ thể, các mô cơ thể. Được đưa ra những chi tiết của tự nhiên này bằng cách mở rộng phạm vi hoạt động của mức độ màu xám cũng như sự tăng cường tiếng ồn, nhưng hình 3.46h đại diện cho một sự cải tiến hình ảnh gốc đáng kể.
Cách tiếp cận vừa thảo luận thì đại diện cho kiểu quy trình cái có thể liên kết để đạt được kết quả với một kỹ thuật duy nhất. Cách thức cái mà kết quả sử dụng dựa vào các ứng dụng. Người sử dụng hình ảnh cuối cùng kiểu hình ảnh chỉ ra trong phần này thì là một nhà phát thanh(radiologist). Một vài lý do nằm ngoài cuộc thảo luận, các nhà vật lý thì không thích sự tăng cường kết quả để đi đến một người chuẩn đoán. Tuy nhiên, tăng cường hình ảnh thì hữu ích trong việc làm nổi bật các chi tiết cái mà có thể phục vụ đầu mối phân tích thêm trong hình ảnh gốc hoặc chuỗi hình ảnh. Trong các khu vực khác sự tăng cường kết quả có thể là sản phẩm cuối cùng. Ví dụ, được tìm thấy trong nghành công nghiệp in ấn, trong việc kiểm tra sản phẩm dựa trên các hình ảnh, trong foren-sics, trong kính hiển vi, trong giám sát, trong một loạt các lĩnh vực khác nơi mà mục tiêu chính của việc tăng cường là thu được một hình ảnh có các chi tiết chất lượng cao.
Tóm tắt
Các tài liệu trình bày trong chương này là kỹ thuật đại diện cho miền không gian chung sử dụng trong thực tế cho nâng cao chất lượng ảnh. Vùng hình ảnh xử lý là một lĩnh vực năng động các kỹ thuật và ứng dụng mới được báo cáo thường xuyên,
chuyên nghiệp và trong thông báo các sản phẩm mới. Vì lý do này các chủ đề bao gồm trong chương này sẽ được chọn cho giá trị của họ là những thành phần chính để phục vụ cho như một nền tảng cho sự hiểu biết của kỹ thuật tăng cường. Cũng như tiếp tục nghiên cứu trong lĩnh vực này, việc gia tăng trong chương này phục vụ mục đích giới thiệu một số khái niệm như: bộ lọc với mặt nạ không gian, sẽ được sử dụng nhiều lần trong suốt phần còn lại của quyển sách, theo sau các chương, chúng ta tăng cường từ một quan điểm bổ xung về lĩnh vực tần số. Giữa hai chương này, người đọc sẽ phát triển một nền tảng vững chắc cho một số thuật ngữ, một số công cụ cơ bản nhất được sử dụng trong xử lý hình ảnh. Thực tế là những công cụ giới thiệu trong bối cảnh tăng cường hình ảnh có khả năng hỗ trợ trong việc hiểu biết về cách họ làm như thế nào.
The material in Section 3.1 is from Gonzalez [1986]. Additional reading for the material in Section 3.2 may be found in Schowengerdt [1983], Poyton [1996], and Russ [1999]. See also the paper by Tsujii et al. [1998] regarding the optimization of image displays. Early references on histogram processing are Hummel [1974], Gonzalez and Fittes [1977], and Woods and Gonzalez [1981]. Stark [2000] gives some interesting generalizations of histogram equalization for adaptive contrast enhancement. Other approaches for con- trast enhancement are exemplified by Centeno and Haertel [1997] and Cheng and Xu [2000]. For enhancement based on an ideal image model, see Highnam and Brady [1997]. For extensions of the local histogram equalization method, see Caselles et al. [1999], and Zhu et al. [1999]. See Narendra and Fitch [1981] on the use and implementation of local statistics for image enhancement. Kim et al. [1997] present an interesting approach combining the gradient with local statistics for image enhancement.
Image subtraction (Section 3.4.1) is a generic image processing tool widely used for change detection. As noted in that section, one of the principal applications of digital image subtraction is in mask mode radiography, where patient motion is a problem because motion smears the results. The problem of motion during image subtraction has received significant attention over the years, as exemplified in the survey article by Mei- jering et al. [1999]. The method of noise reduction by image averaging (Section 3.4.2) was first proposed by Kohler and Howell [1963]. See Peebles [1993] regarding the expected value of the mean and variance of a sum of random variables.
For additional reading on linear spatial filters and their implementation, see Urn- baugh [1998], Jain [1989], and Rosenfeld and Kak [1982]. Rank-order filters are discussed in these references as well. Wilburn [1998] discusses generalizations of rank-order filters. The book by Pitas and Venetsanopoulos [1990] also deals with median and other nonlinear spatial filters. A special issue of IEEE Transactions in Image Processing [1996] is dedicated to the topic of nonlinear image processing. The material on high-boost filtering is from Schowengerdt [1983]. We will encounter again many of the spatial filters introduced in this chapter in discussions dealing with image restoration (Chapter 5) and edge detection (Chapter 10).
Các vấn đề
3.1 Hàm mũ với α luôn dương, là có ích trong việc xây dựng các hàm biến đổi
làm mượt các mức xám. Bắt đầu với hàm cơ bản này và xây dựng các hàm biến đổi có hình dạng được thể hiện trong các hình bên dưới.Các hằng số được biểu thị là các thông số đầu vào và kết quả của bạn phải có chúng trong phần đặc tả.( L0 là không cần thiết trong đồ thị thứ 3).
3.2. Cho một hàm liên tục để thực hiện việc chuyển đổi mở rộng độ tương phản
như hình 3.2 (a). Ngoài m, hàm của bạn phải bao gồm một tham số, E, để điều chỉnh độ dốc của các hàm vì giá trị mức xám của nó di chuyển từ thấp đến cao.Hàm của bạn phải được chuẩn hóa giá trị tối thiểu và giá trị tối đa tương ứng là 0 và 1.
(b) Vẽ một tập hợp các biến đổi như một hàm của tham số E, cho một giá trị cố định m = L / 2, trong đó L là số mức xám của hình ảnh.
(c) Tìm giá trị nhỏ nhất của E để hàm thực hiện chức năng như trong hình 3.2 (b)? hàm của bạn ko phải giống hệt như hình 3.2 (b), nó chỉ mang lại hiệu quả tương tự trong việc tạo ra một ảnh nhị phân. Giả sử bạn đang làm việc với ảnh 8 bit.Ngoài ra, đặt C biểu diễn số dương nhỏ nhất trong tính toán mà bạn đang sử dụng.
3.3. Tìm tập các biến đổi lớp mức xám có thể thực hiện tất cả các mức bit riêng
biệt của một ảnh đơn sắc 8 bit. ( ví dụ một hàm chuyển đổi có T(r)=0 với r trong khoảng [0,127] và T(r)=255 với r trong khoảng [128,255] tạo ra một ảnh mặt bit thứ 7 trong ảnh 8 bit.
3.4. (a) Tác động gì sẽ thiết lập mặt bit có bậc thấp hơn bằng không có trên biểu
đồ của một hình ảnh nói chung?
(b) Điều gì sẽ là ảnh hưởng lên biểu đồ nếu thay vì chúng ta thiết lập những mặt bit bậc cao hơn bằng không?
3.5. Giải thích lý do tại sao các kỹ thuật cân bằng biểu đồ rời rạc nói chung không
mang lại một biểu đồ phẳng?
3.6. Giả sử rằng một hình ảnh kỹ thuật số là bị cân bằng biểu đồ. Chỉ ra rằng
đường thứ hai của cân bằng biểu đồ sẽ tạo ra kết quả chính xác tương tự như đường thứ nhất.
3.7. Trong một số ứng dụng, rất hữu ích để mô phỏng biểu đồ của hình ảnh đầu
vào theo công thức hàm mật độ xác suất Gaussian : Pr(r)=
Với m và là giá trị trung bình và độ lệch chuẩn của hàm mật độ xác suất Gaussian. Phương pháp này để m và đo mức xám trung bình và độ tương phản của ảnh cho trước. Tìm hàm biến đổi sử dụng phương pháp cân bằng biểu đồ?
3.8. Giả sử các giá trị là liên tục, chỉ ra rằng trong trường hợp hàm biến đổi trong
biểu thức (3.3-4) thỏa mãn hai điều kiện (a) và (b) trong phần (3.3-1), nhưng nghịch đảo của nó ko có giá trị duy nhất.
3.9. (a) Chứng minh rằng các hàm chuyển đổi rời rạc được trong phương trình.
(3.3-8) cho biểu đồ cân bằng thỏa mãn điều kiện (a) và (b) tại mục 3.3.1.
(b) Chỉ ra bằng ví dụ rằng các hàm chuyển đổi rời rạc ngược được đưa ra trong phương trình (3.3-9) nói chung là không có giá trị cố định.
(c) Chứng minh rằng biến đổi rời rạc ngược trong biểu thức (3.3-9) thỏa mãn điều kiện (a) và (b) tại mục 3.3.1 nếu không có một mức xám rk nào thiếu, với k = 0,1, ...,L-1.
3.10. Một hình ảnh có mức xám PDF pr(r) thể hiện trong biểu đồ dưới đây. Tamong muốn biến đổi các mức xám của hình ảnh này để chúng sẽ có đặc tính như mong muốn biến đổi các mức xám của hình ảnh này để chúng sẽ có đặc tính như pz(z) bên dưới. Giả sử số lượng liên tục, hãy tìm những biến đổi (về r và z) để thực hiện điều này.
3.11. Đề xuất một phương pháp cập nhật các biểu đồ cục bộ để sử dụng trong kỹ
3.12. Hai hình ảnh, f (x, y) và g (x, y), có biểu đồ hf và hg. Cho các điều kiện màbạn có thể xác định các biểu đồ của hf và hg: bạn có thể xác định các biểu đồ của hf và hg:
(a) f(x,y) + g(x,y) (b) f{x,y) - g(x,y) (c) f(x,y) * g(x,y) (d) f(x, y) : g(x, y)
Trình bày cách làm để có được các biểu đồ trong mỗi trường hợp.
3.13. Xét hai hình ảnh 8-bit có mức xám trải đầy đủ từ 0 đến 255.
(a) Giải thích tác dụng hạn chế của việc lặp lại lấy ảnh (a) trừ đi ảnh (b). (b) Đảo ngược thứ tự của các ảnh, kết quả có khác nhau không?
3.14. Ảnh trừ được sử dụng thường xuyên trong các ứng dụng công nghiệp để phát
hiện linh kiện bị thiếu trong quá trình lắp ráp sản phẩm. Phương pháp này là lưu trữ một ảnh "vàng" tương ứng với một lắp ráp chính xác; ảnh này sau đó được trừ từ ảnh đến của cùng một sản phẩm.Mức khác biệt sẽ bằng không nếu các sản phẩm mới được lắp ráp một cách chính xác.Các ảnh khác của sản phẩm bị thiếu linh kiện sẽ khác không trong vùng mà chúng khác với ảnh vàng.Những điều kiện