งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

2.3.2 Contrast Stretching  Contrast  The contrast of an image is its distribution of light and dark pixels Fig. 2.12 Low and high contrast histogram.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "2.3.2 Contrast Stretching  Contrast  The contrast of an image is its distribution of light and dark pixels Fig. 2.12 Low and high contrast histogram."— ใบสำเนางานนำเสนอ:

1 2.3.2 Contrast Stretching  Contrast  The contrast of an image is its distribution of light and dark pixels Fig Low and high contrast histogram.

2 Contrast Stretching  Contrast stretching  Clipping  thresholding

3 Contrast Stretching Contrast Stretching, a = 80, b= 160

4 Contrast Stretching Original Image Basic Contrast Stretching End-in Search

5 Original Image Convert Image Contrast Stretching

6 RedGreenBlue

7  /********************************************  * Func: auto_contrast_stretch  * Desc: performs basic contrast stretching on an image  * Params: source - pointer to source image  * cols - number of columns in the image * rows - height of image *  *********************************************  void auto_contrast_stretch(image_ptr source, int cols, int rows)  {  long i; /* loop variable */  long number_of_pixels; /* total number of pixels in image */

8  long histogram[256]; /* image histogram */  unsigned char LUT[256]; /* Look-up table for point process */  int lowthresh, highthresh; /* lower and upper thresholds */  float scale_factor; /* scaling factor for contrast stretch */  /* compute histogram */  number_of_pixels = (long)cols * rows;  for(i=0; i<256; i++)  histogram[i]=0;  for(i=0; i

9  /* compute low and high thresholds */  for(i=0; i<256; i++)  if(histogram[i]) {  lowthresh = i;  break;  }  for(i=255; i>0; i--)  if(histogram[i]) {  highthresh = i;  break;  }

10  printf("Low threshold is %d High threshold is %d\n",  lowthresh,highthresh);  /* compute new LUT */  for(i=0; ihighthresh; i--)  LUT[i]=255;

11  scale_factor = / (highthresh-lowthresh);  for(i=lowthresh; i<=highthresh; i++)  LUT[i]=(unsigned char)((i - lowthresh) * scale_factor);  /* transfer new image */  for(i=0; i

12 2.3.3 Intensity transformations  Digital negative Applications  Display of medical images  Produce negative prints of images  Intensity level slicing Applications :  Segmentation of certain gray level regions

13 Intensity transformations  Intensity transformation Convert an old pixel into a new pixel based on some predefined function Implemented with simple look-up tables  Simple transformation Null transform  new pixel = old pixel Image negative  y = -x+255 Gamma correction function  Brightness of an image can be adjusted with a gamma correction transformation

14 Intensity transformations  Posterizing reduces the number of gray levels in an images Thresholding results when number of gray levels is reduced to 2. A bounced threshold reduces the thresholding to a limited range and treats the other input pixels as null transformation Figure 2.18(pp.63) Fig (a) 8-Level posterize transformation; (b) posterized image; (c) threshold transformation; (d) threshold image; (e) bounded threshold; (f) bounded threshold image.

15 Intensity transformations  Gamma correction Originalgamma=0.45gamma=2.20

16 Intensity Transformation  Intensity Transformation Intensity transformation is a point process that converts an old pixel into a new pixel base on some predefined function. This transformation is implemented with the LUT with ease. Gamma Correction

17 Intensity Transformation

18

19

20 Intensity transformations Page 60. 참조 Fig (a) Null transformation; (b) image; (c) negative transformation; (d) negative image. Fig (a) Gamma collection transformation with gamma=0.45; (b) gamma collected image; (c) gamma collection transformation with gamma=2.2; (d) gamma collected image.

21 Intensity transformations Page 62. 참조 Fig (a) 8-Level posterize transformation; (b) posterized image; (c) threshold transformation; (d) threshold image; (e) bounded threshold; (f) bounded threshold image. Fig (a) Contrast stretch transformation; (b) contrast stretched image; (c) Contrast compression transformation; (d) contrast compressed image.

22 Intensity transformations Page 64. 참조 Fig (a) 2-bit bit-clipping transformation; (b) resulting image. Fig Bit clipped image contrast stretched. Fig (a) Iso-intensity contouring transformation; (b) contoured image.

23 Intensity tranformations Page 65. 참조 Fig (a) Range-highlighting transformation; (b) resulting image. Fig (a) Solarize transformation using a threshold of 150; (b) solarize image.

24 Fig (a) First parabola transformation; (b) transformed image; (c) second parabola transformation; (d) second transformed image.

25 HW – 03 a) Plot กราฟ histogram

26 HW – 03 b)

27 Fourier Transform MTCT DI&SP 2.4 Frequency-based Operations

28 Spatial Frequency  Efficient data representation  Provides a means for modeling and removing noise  Physical processes are often best described in “frequency domain”  Provides a powerful means of image analysis

29 What is spatial frequency?  Instead of describing a function (i.e., a shape) by a series of positions  It is described by a series of cosines  Fourier series  Fourier Transform

30 1-D Fourier Transform MTCT DI&SP

31  Our starting place is the observation that a periodic function may be written as the sum of sines and cosines of varying amplitudes and frequencies.

32 it is possible to form any function as a summation of a series of sine and cosine terms of increasing frequency  For example, in figure we plot a function, and its decomposition into sine functions.

33 f(t)

34  We take the first three terms only (blue, green, red) to provide the approximation of the original function (purple).  The more terms of the series we take, the closer the sum will approach the original function.

35 (1) where (2) Original function (purple) sines and cosines Fourier coefficient Equations 1 and 2 are called Fourier transform pairs, and they exist if f(t) is continuous and integrable, and F(k) is integrable. These conditions are usually satisfied in practice.

36 I II f(t) => time-domain F(u) => frequency-domain

37  Any function can be represented in 2 formats: 1) time-domain representation, f(t), or spatial domain, f(x), and 2) frequency-domain representationor Fourier domain, F(u)  In other words, any space or time varying data can be transformed into a different domain called the frequency space.

38 Time-domainFrequency-domain

39  FT properties: If F(u) and G(u) are FT of function f(t) and g(t), respectively,  Time scaling  Frequency scaling

40  Time shifting  Frequency shifting

41  Convolution theorem  Correlation theorem

42 2-D Fourier Transform MTCT DI&SP

43  แนวความคิดของการแปลงฟูเรียร์สามารถ นำมาใช้กับฟังก์ชั่นหรือสัญญาณ 2 มิติ เช่น ภาพ ซึ่งจะเป็นการแปลงฟังก์ชั่นบน spatial domain ( รูปภาพ ) ไปเป็น frequency domain สมการคณิตศาสตร์แสดง ความสัมพันธ์นี้เป็นดังนี้ FT IFT

44  ภาพแสดงความสัมพันธ์ระหว่างภาพ ใน spatial domain และความถี่ใน frequency (or Fourier) domain

45  พบว่าระยะถี่ - ห่างทางตำแหน่งในภาพ (x-y ใน spatial domain) จะแปลงไปเป็นจุดใน frequency domain (u-v)  โดยบริเวณที่มีระยะห่าง ( ซึ่งมีความถี่ทาง ตำแหน่งต่ำ ) เช่น บริเวณตัวบ้านรวมทั้ง หน้าต่าง - ประตู จะไปอยู่ในตำแหน่งที่ใกล้จุด กำเนิด  และในทางกลับกันบริเวณที่มีระยะถี่ ( ซึ่งมี ความถี่ทางตำแหน่งสูง ) เช่น บริเวณที่มี ลวดลายบนหลังคาบ้าน จะไปอยู่ในตำแหน่งที่ ไกลจุดกำเนิดออกไป

46

47

48

49

50

51

52  คุณสมบัติของการแปลงแบบฟูเรียร์ 2 มิติ (Properties of the 2-D Fourier Transform)  คุณสมบัติของ Fourier Transform ของ ฟังก์ชั่น 2 มิติที่ถูกขยายมาจากในกรณี 1 มิติ มีดังนี้

53

54  การแปลงแบบฟาส์ทฟูเรียร์ (The Fast Fourier Transform)  ในกรณีที่ข้อมูลเป็นปริมาณเต็มหน่วย (discrete) ดังเช่นภาพที่ถูกนำเข้าสู่ระบบ คอมพิวเตอร์ การแปลงฟูเรียร์ข้างต้นยังคง ใช้ได้อย่างสะดวกหลังจากมีการปรับปรุงแล้ว  โดยสมการคณิตศาสตร์ของความสัมพันธ์คู่นี้ จึงเป็นแบบเต็มหน่วย (Discrete Fourier Transform-DFT) เป็นดังนี้

55  สำหรับภาพที่มีขนาด NxM จะได้

56  เมื่อต้องการใช้คอมพิวเตอร์ประมวลผลการ แปลงนี้ จำเป็นต้องใช้ขั้นตอนวิธี (algorith- m) ที่รวดเร็วและมีประสิทธิภาพ ดังนั้นจึงมีผู้ เสนอขั้นตอนวิธีที่เรียกว่า (The Fast Fourier Transform-FFT) และได้รับความ นิยมอย่างกว้างขวาง

57 Spatial Frequency or How I learned to love the Fourier Transform Jean Baptiste Joseph Fourier

58 2.5 Group-based Operations Convolution Operation MTCT DI&SP

59 การกระทำแบบคอนโวลูชั่นเป็นการหา ค่าใหม่ของจุดภาพใด ๆ โดยพิจารณา ระบบเพื่อนบ้าน (Neighbors System) ในขั้นแรกจะต้องกำหนด window หรือ kernel ซึ่งเป็นตารางสี่เหลี่ยมจตุรัสขนาด 3x3, 5x5 หรือขนาดอื่น ๆ แต่ละช่องของตารางนี้จะถูกกำหนดให้ มีค่าน้ำหนัก (Weights) โดยแต่ละช่องอาจ มีค่าเท่ากันหรือไม่ก็ได้ จากนั้นนำ kernel นี้มาทาบบนภาพและ หาบวกของผลคูณระหว่างค่าน้ำหนักกับ ค่าความเข้มบนจุดภาพ แล้วเลื่อน kernel นี้เพื่อไปหาค่าใหม่ ของจุดภาพถัดไป MTCT DI&SP

60

61


ดาวน์โหลด ppt 2.3.2 Contrast Stretching  Contrast  The contrast of an image is its distribution of light and dark pixels Fig. 2.12 Low and high contrast histogram.

งานนำเสนอที่คล้ายกัน


Ads by Google