АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ ДЛЯ СВЕТОВОЙ МИКРОСКОПИИ Раздел 3 ПРИНЦИПЫ СОЗДАНИЯ И ОБРАБОТКИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
Компьютерное зрение — теория и технология создания машин, которые могут производить обнаружение, слежение и классификацию объектов. Как научная дисциплина, компьютерное зрение относится к теории и технологии создания искусственных систем, которые получают информацию из изображений.
Как технологическая дисциплина, компьютерное зрение стремится применить теории и модели компьютерного зрения к созданию систем компьютерного зрения. Примерами применения таких систем могут быть: 1. Системы управления процессами (промышленные роботы, автономные транспортные средства) 2. Системы видеонаблюдения 3. Системы организации информации (например, для индексации баз данных изображений) 4. Системы моделирования объектов или окружающей среды (анализ медицинских изображений, топографическое моделирование) 5. Системы взаимодействия (например, устройства ввода для системы человеко машинного взаимодействия) 6. Системы дополненной реальности 7. Вычислительная фотография, например для мобильных устройств с камерами
Компьютерное зрение также может быть описано как дополнение (но не обязательно противоположность) биологическому зрению. Компьютерное зрение изучает и описывает системы компьютерного зрения, которые выполнены аппаратно или программно.
Компьютеры не могут «видеть» таким же образом, как это делает человек. Фотокамеры не эквивалентны системе зрения человека, и в то время как люди могут опираться на догадки и предположения, системы машинного зрения должны «видеть» путем изучения отдельных пикселей изображения, обрабатывая их и пытаясь сделать выводы с помощью базы знаний и набора функций, например, таких, как устройство распознавания образов. Хотя некоторые алгоритмы машинного зрения были разработаны, чтобы имитировать зрительное восприятие человека, большое количество уникальных методов были разработаны для обработки изображений и определения соответствующих свойств изображения.
Область компьютерного зрения может быть охарактеризована как молодая, разнообразная и динамично развивающаяся. И, хотя существуют более ранние работы, можно сказать, что только с конца 1970 х началось интенсивное изучение этой проблемы, когда компьютеры смогли управлять обработкой больших массивов данных, таких как изображения. Однако, эти исследования обычно начинались с других областей, и, следовательно, нет стандартной формулировки проблемы компьютерного зрения. Также, и это даже более важно, нет стандартной формулировки того, как должна решаться проблема компьютерного зрения. Вместо этого, существует масса методов для решения различных строго определённых задач компьютерного зрения, где методы часто зависят от задач и редко могут быть обобщены для широкого круга применения.
Многие из методов и приложений все ещё находятся в стадии фундаментальных исследований, но все большее число методов находит применение в коммерческих продуктах, где они часто составляют часть более большой системы, которая может решать сложные задачи (например, в области медицинских изображений или измерения и контроля качества в процессах изготовления). В большинстве практических применений компьютерного зрения компьютеры предварительно запрограммированны для решения отдельных задач, но методы, основанные на знаниях, становятся все более общими.
Машинное зрение Наряду с компьютерным зрением, существует еще понятие машинного зрения. Не стоит путать эти понятия. Компьютерное зрение является более общей областью исследований, тогда как машинное зрение является инженерной дисциплиной связанной с производственными задачами.
Машинное зрение — это применение компьютерного зрения для промышленности и производства. В то время как компьютерное зрение — это общий набор методов, позволяющих компьютерам видеть. Областью интереса машинного зрения, как инженерного направления, являются цифровые устройства ввода вывода и компьютерные сети, предназначенные для контроля производственного оборудования, таких как роботы манипуляторы или аппараты для извлечения бракованной продукции. Машинное зрение является подразделом инженерии, связанное с вычислительной техникой, оптикой, машиностроением и промышленной автоматизацией.
Системы компьютерного зрения Реализация систем компьютерного зрения сильно зависит от области их применения, аппаратной платформы и требований по производительности. Некоторые системы являются автономными и решают специфические проблемы детектирования и измерения, тогда как другие системы составляют подсистемы более крупных систем, которые уже могут содержать подсистемы контроля механических манипуляторов (роботы), информационные базы данных (поиск похожих изображений), интерфейсы человек машина (компьютерные игры) и т. д. Однако, существуют функции, типичные для многих систем компьютерного зрения. • Получение изображений • Предварительная обработка • Выделение деталей • Детектирование/Сегментация • Высокоуровневая обработка
Получение изображений Цифровые изображения получаются от одного или нескольких датчиков изображения, и которые помимо различных типов светочувствительных камер включают датчики расстояния, радары, ультразвуковые, инфракрасные камеры и т. д. В зависимости от типа датчика, получающиеся данные могут быть обычным 2 D изображением, 3 D изображением или последовательностью изображений. Значения пикселей обычно соответствуют интенсивности света в одной или нескольких спектральных полосах (цветные или изображения в оттенках серого), но могут быть связаны с различными физическими измерениями, такими как глубина, поглощение или отражение звуковых или электромагнитных волн, или ядерным магнитным резонансом.
Предварительная обработка Перед тем, как методы компьютерного зрения могут быть применены к видеоданным с тем, чтобы извлечь определённую долю информации, необходимо обработать видеоданные, с тем чтобы они удовлетворяли некоторым условиям, в зависимости от используемого метода. Примерами являются: • Повторная выборка с тем, чтобы убедиться, что координатная система изображения верна • Удаление шума с тем, чтобы удалить искажения, вносимые датчиком • Улучшение контрастности, для того, чтобы нужная информация могла быть обнаружена • Масштабирование для лучшего различения структур на изображении
Выделение деталей Детали изображения различного уровня сложности выделяются из видеоданных. Типичными примерами таких деталей являются: • линии, границы, и кромки; • локализованные точки интереса, такие как углы, капли или точки; • более сложные детали, которые могут относиться к структуре, форме или движению.
Детектирование/Сегментация На определённом этапе обработки принимается решение о том, какие точки или участки изображения являются важными для дальнейшей обработки. Примерами являются: • выделение определённого набора интересующих точек; • сегментация одного или нескольких участков изображения, которые содержат характерный объект.
Высокоуровневая обработка На этом шаге входные данные обычно представляют небольшой набор данных, например набор точек или участок изображения, в котором предположительно находится определённый объект. Примерами являются: • проверка того, что данные удовлетворяют условиям, зависящим от метода и применения; • оценка характерных параметров, таких как положение или размер объекта; • классификация обнаруженного объекта по различным категориям.
Цифровые данные
Что такое цвет и изображение? Свет, излучаемый или отражаемый объектами и проецируемый на участок сетчатки нашего глаза, имеет сложное спектральное распределение. Сетчатка глаза состоит из рецепторов трёх видов, чувствительных к разным областям видимого света. Поэтому набора трёх переменных достаточно, чтобы описать цвет. Плоское изображение — это функции зависимости цвета от координат, причём координаты принимают дискретные значения. Известны два основных подхода к формированию и хранению изображений: растровая графика и векторная графика, также существуют их комбинации.
Ве кторная гра фика — способ представления объектов и изображений в компьютерной графике, основанной на использовании элементарных геометрических объектов, таких как: точки, линии, сплайны и многоугольники. Объекты векторной графики являются графическими изображениями математических функций. Термин используется в противоположность к растровой графике, которая представляет изображение как матрицу фиксированного размера, состоящую из точек (пикселей) со своими геометрическими параметрами.
Представление изображения на экране монитора компьютера Изображение, сформированное АИ на экране компьютера, состоит из отдельных точек — пикселей (от английского слова pixel — picture element). Пиксели (точки) являются минимальным элементом цифрового изображения, подобно тому, как галогениды серебра формируют картинку на обычной фотопленке и фотобумаге. Отдельные пиксели, объединенные в одно целое, формируют изображение исходное изображение увеличенное изображение фрагмента, на котором видны отдельные точки пиксели
Кодировка данных Пример бинарного изображения, записанного байтами, где 1 бит представляет 1 пиксель (двоичный, шестнадцатеричный, графический виды) 11111110 011111100011 11000011000 11110011 11111110 00011000 11011011 11000011000 110011111110 01111110 11000111 FE 7 E E 3 C 3 18 F 3 FE 18 DB C 3 18 CF FE 7 E C 7
Ра стровое изображе ние — представляет собой сетку пикселей или цветных точек (обычно прямоугольную) на компьютерном мониторе, бумаге и других отображающих устройствах и материалах. Важными характеристиками изображения являются: • количество пикселей — размер. Может указываться отдельно количество пикселей по ширине и высоте (1024× 768, 640× 480, …) или же, редко, общее количество пикселей (часто измеряется в мегапикселях); • количество используемых цветов или глубина цвета; • цветовое пространство (цветовая модель) RGB, HSB, CMYK и др. • разрешение — справочная величина, говорящая о рекомендуемом размере пикселя изображения (обычно измеряется в dpi).
Цветовые пространства Серое изображение Серая палитра из 256 градаций яркости Другое цветовое пространство, часто используемое при работе с изображениями на компьютере — HSB (или HSL). Модель получила название по первым буквам английских слов: цветовой тон (hue), насыщенность (saturation), яркость (brightness). Эта модель более близка к человеческому описанию цвета и схематично может быть представлена в виде двойного конуса Цветовое пространство RGB (по первым буквам английских названий базовых цветов этой модели Red (красный), Green (зеленый), Blue (синий)). Каждая цветовая составляющая также имеет 256 градаций яркости. Смешав три базовых цвета в разных пропорциях, можно получить все многообразие оттенков (более 16 млн цветов). Все возможные в этой системе цвета можно представить RGB кубом, грани которого соответствуют весовым коэффициентам красного, зеленого и синего цвета Цветовой тон характеризуется положением на цветовом круге и определяется величиной угла в диапазоне от 0 до 360 градусов. Насыщенность — расстояние внутри круга от центра к краю. Если по краю цветового круга располагаются максимально насыщенные цвета (100 %), то к центру их насыщенность уменьшается. Яркость изменяется вдоль центральной оси конуса. Уменьшение яркости цвета означает его зачернение.
Сжатие данных Растровые изображения обычно хранятся в сжатом виде. В зависимости от типа сжатия может быть возможно или невозможно восстановить изображение в точности таким, каким оно было до сжатия (сжатие без потерь или сжатие с потерями соответственно).
Сжатие без потерь Использует алгоритмы сжатия, основанные на уменьшении избыточности информации. • BMP или Windows Bitmap — обычно используется без сжатия, хотя возможно использование алгоритма RLE. • GIF (Graphics Interchange Format) — устаревающий формат, поддерживающий не более 256 цветов одновременно. Всё ещё популярен из‑за поддержки анимации, которая отсутствует в чистом PNG, хотя ПО начинает поддерживать APNG. • PNG (Portable Network Graphics)
Сжатие данных с потерями Основано на отбрасывании части информации (как правило наименее воспринимаемой глазом). JPEG очень широко используемый формат изображений. Сжатие основано на усреднении цвета соседних пикселей (информация о яркости при этом не усредняется) и отбрасывании высокочастотных составляющих в пространственном спектре фрагмента изображения. При детальном рассмотрении сильно сжатого изображения заметно размытие резких границ и характерный муар вблизи них.
Фотография заката в формате JPEG с уменьшением степени сжатия слева направо
Обработка изображений — любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами. Обработка изображений может осуществляться как для получения изображения на выходе (например, подготовка к полиграфическому тиражированию, к телетрансляции и т. д. ), так и для получения другой информации (например, распознание текста, подсчёт числа и типа клеток в поле микроскопа и т. д. ).
Основные методы обработки сигналов В обработке сигналов широко используются преобразование Фурье, а также вейвлет-преобразование и фильтр Габора. Обработку изображений разделяют на обработку в пространственной области (преобразование яркости, гамма коррекция и т. д. ) и частотной (преобразование Фурье, и т. д. ). Преобразование Фурье дискретной функции (изображения) пространственных координат является периодическим по пространственным частотам с периодом 2 pi.
Преобразование Фурье Операция, сопоставляющая функции вещественной переменной другую функцию вещественной переменной. Эта новая функция описывает коэффициенты ( «амплитуды» ) при разложении исходной функции на элементарные составляющие — гармонические колебания с разными частотами. Преобразование Фурье функции f вещественной переменной является интегральным и задаётся следующей формулой: Разные источники могут давать определения, отличающиеся от приведённого выше выбором коэффициента перед интегралом, а также знака «−» в показателе экспоненты. Но все свойства будут те же, хотя вид некоторых формул может измениться.
Вейвлет-преобразование (от англ. Wavelet transform) интегральное преобразование, которое представляет собой свертку вейвлет функции с сигналом. Способ преобразования функции (или сигнала) в форму, которая или делает некоторые величины исходного сигнала более поддающимися изучению, или позволяет сжать исходный набор данных. Вейвлетное преобразование сигналов является обобщением спектрального анализа. Термин (англ. wavelet) в переводе с английского означает "маленькая волна". Вейвлеты — это обобщённое название математических функций определенной формы, которые локальны во времени и по частоте и в которых все функции получаются из одной базовой, изменяя её (сдвигая, растягивая).
Фильтр Габора Линейный электронный фильтр, импульсная переходная характеристика которого определяется в виде гармонической функции, помноженной на гауссиан. При цифровой обработке изображений этот фильтр применяется для распознавания границ объектов. Фильтр Габора эффективен при обработке изображений со структурной избыточностью, имеющих квазипериодическую структуру. К ним относятся дактилоскопические изображения, изображения кристаллограмм и интерферрограмм.
Типичные задачи • • • Геометрические преобразования, такие как вращение и масштабирование. Цветовая коррекция: изменение яркости и контраста, квантование цвета, преобразование в другое цветовое пространство. Сравнение двух и более изображений. Как частный случай — нахождение корреляции между изображением и образцом, например, в детекторе банкнот. Комбинирование изображений различными способами. Интерполяция и сглаживание. Разделение изображения на области (сегментация изображений). Редактирование и ретуширование. Расширение динамического диапазона путём комбинирования изображений с разной экспозицией (HDR). Компенсация потери резкости, например, путём нерезкого маскирования.
Редактирование изображений Для редактирования изображений применяются различные программы, однако существуют основные возможности и алгоритмы работы программ и оператора. С помощью большинства графических редакторов можно: Выделять фрагмент изображения для обработки. В большинстве программ используется метод обработки изображения по частям. Сначала часть изображения выделяется, после чего работа ведется только с ней, не затрагивая остаток изображения. Выделение определенных участков изображения можно реализовать как указание контура (например, инструмент лассо), так и с использованием редактируемых масок. Последний вариант предоставляет больше возможностей. Выделенную часть изображения обычно можно также двигать, вращать, масштабировать, деформировать, дорисовывать и т. п.
Выделение может быть как временное, так и постоянное — выделенная часть изображения в различных графических редакторах может быть оформлена как постоянный «слой» или «объект» . Это позволяет разбивать изображение на фрагменты, которые накладываются друг на друга, и модифицировать каждый из них отдельно. Выбирать алгоритм, который программа применит ко всему изображению, группе изображений, выделенному фрагменту или объекту.
Инструменты структурного редактирования цифровых изображений Изменение размера изображения, кадрирование Размер изображения может быть изменён до необходимого с помощью математических алгоритмов, которые высчитывают цвет пикселей, исходя из цвета пикселей оригинала. Следует учитывать, что при увеличении изображений теряется резкость, при уменьшении — детализация. Часто композицию изображения можно также улучшить, удалив лишние области по краям. Это называется кадрированием.
Обтравка Обтравкой называется процесс выделения какого то объекта на изображении с целью его отделения от фона. Подавление шума В программах редактирования изображения присутствуют различные алгоритмы для удаления или уменьшения шума. Это, в первую очередь, цифровой шум матрицы цифровой фотокамеры. В подобной коррекции также могут нуждаться зерно плёнки, артефакты сжатия, пыль и царапины на оригинале. Ретушь В узком смысле ретушь — устранение ненужных деталей изображения, шумов, изменение композиции. Часто к ретуши приходится прибегать для того, чтобы убрать дефекты объекта, пыль, царапины на шлифе.
Ориентация изображения Программы редактирования могут поворачивать изображения под любым углом или отражать зеркально. Цветокоррекция — внесение изменений в цвет оригинала. Многие относят к цветокоррекции те процедуры, которые не связаны с изменением сюжета изображения. В более узком смысле цветокоррекция — это такое преобразование изображения, объекта или фрагмента, когда новый цвет обрабатываемого пикселя зависит от старого значения этого пикселя и не зависит от соседних пикселей.
Цветокоррекция Основная причина, по которой приходится выполнять коррекцию цвета, следующая: человеческий глаз имеет способность адаптироваться к силе и спектральным характеристикам освещения таким образом, что сохраняется восприятие цвета предметов в большинстве случаев независимо от спектрального состава освещения, камера же фиксирует световое излучение без адаптации и, при просмотре в других условиях, фотографии иногда сильно отличаются от того, что мы видели, когда фотографировали. Для устранения этой проблемы в фотографии используются алгоритмы выбора и настройки белого цвета. Эти алгоритмы уже можно назвать цветокоррекцией.
Цифровое изображение всегда представлено в какой то цветовой модели (Red Green Blue, Lab, и др. ), подразумевающей несколько (три, как правило) характеристик для каждой точки изображения (пикселя). Характеристики всех точек изображения называют каналами. Например, в модели RGB каждый пиксел характеризуется значением яркости красной, зелёной и синей составляющих его цвета. Соответственно, в изображении можно выделять каналы красного, зелёного и синего цветов. Функции могут быть заданы как независимые для каждого канала, так и более сложные — например, «Смешение каналов» (Channel Mixer).
Методы преобразования цвета могут быть самыми разными, однако наиболее часто используемыми методами цветокоррекции являются следующие: Указание аргументов для функций преобразования входных значений в выходные. В программах эти инструменты называются «уровни» , «гамма» и т. п. Иногда наборы значений аргументов выбираются из перечня заранее заданных вариантов. К этому виду преобразований можно отнести так же установку баланса белого (учёт освещения) при преобразовании электронного сигнала матрицы в файл изображения или сканировании пленки;
Преобразования, непосредственно задающие изменения контрастности, яркости, гаммы, тона, насыщенности изображения или его частей; Непосредственное задание графиков преобразования значений по каналам. Этот инструмент обычно называется «Кривые» (Curves). Он позволяет выполнить любые преобразования внутри каждого канала путём ручного формирования графика, аналогичного тем, которые вычисляются функциональными алгоритмами по заданным аргументам. При том, что функции типовых преобразований — уровней, контрастности, яркости, гаммы и т. п. — простые и довольно понятные, инструмент «Кривые» способен оказаться гибче и нагляднее отдельных функциональных преобразований.
Растровые графические редакторы Растровую графику редактируют с помощью растровых графических редакторов. Создается растровая графика фотоаппаратами, сканерами, непосредственно в растровом редакторе, также путем экспорта из векторного редактора или в виде cнимка экрана.
Программы для редактирования изображений Программы для просмотра и простой обработки изображений часто поставляются вместе с цифровыми фотоаппаратами и сканерами. Более сложные и мощные программы (Adobe Photoshop, Corel PHOTO PAINT, Paint Shop Pro, Microsoft Picture It!, Visualizer Photo Studio, Pixel image editor, Pix. Builder Photo Editor, Fo 2 Pix Art. Master и пр. ) нужно доставать отдельно и, как правило, за деньги. Исключение составляет GIMP, бесплатно распространяемая программа, возможности которой сравнимы с возможностями Adobe Photoshop.
Современные редакторы не лишены недостатков, однако грамотное их использование позволяет решить большинство задач, возникающих при редактировании изображений. Они позволяют в какой то степени исправлять технические дефекты, допущенные при проведении фотосъемки. Важное правило! Оригинал обрабатываемого изображения должен быть по возможности сохранён. Копии можно редактировать как угодно — это будут копия 1, копия 2, копия 3 и т. д.
Adobe Photoshop (Эдо уби Фотошо п) — многофункциональный графический редактор, разработанный и распространяемый фирмой Adobe Systems. В основном работает с растровыми изображениями, однако имеет некоторые векторные инструменты. Продукт является лидером рынка в области коммерческих средств редактирования растровых изображений, и наиболее известным продуктом фирмы Adobe. Часто эту программу называют просто Photoshop. В настоящее время Photoshop доступен на платформах OS X, Windows, в мобильных системах i. OS и Android.
Photoshop поддерживает следующие цветовые модели или способы описания цветов изображения (в нотации самой программы — режим изображения): RGB LAB CMYK В градациях серого Черно белые Duotone enru С 256 цветовой палитрой (Indexed) Многоканальные (Multichannel)
Хотя Photoshop практически монополизирует профессиональный рынок, высокая цена привела к появлению конкурирующих программных продуктов, занимающих среднюю и низшую ценовую нишу рынка, некоторые из которых, к примеру GIMP, совершенно бесплатны.
GIMP GNU Image Manipulation Program или GIMP ( «Гимп» ) — растровый графический редактор, программа для создания и обработки растровой графики и частичной поддержкой работы с векторной графикой. Проект основан в 1995 году Спенсером Кимбеллом и Питером Маттисом как дипломный проект, в настоящий момент поддерживается группой добровольцев. Распространяется на условиях GNU General Public License.
Типичные задачи, которые можно решать при помощи GIMP, включают в себя создание графики и логотипов, масштабирование и кадрирование фотографий, раска, комбинирование изображений с использованием слоёв, ретуширование и преобразования изображений в различные форматы. Есть поддержка форматов Photoshop.
Решения прикладных задач в материаловедении
Сшивка изображений В качестве примера сшивки изображений объекта из области материаловедения можно привести получение изображения трещины, образовавшейся по зоне неметаллических включений в металлической детали. Необходимо оценить ее размеры, а также объемную долю фазы неметаллических включений. Как правило, особенностью этого объекта являются его большая протяженность и высокая разветвленность. Даже при наблюдении объективом самого малого увеличения, имеющим максимальное по размеру поле на предмете, трещина полностью не помещается в одном поле наблюдения. При использовании объективов большего увеличения, на которых видны неметаллические включения, размер линейного поля уменьшается. Для получения изображения, на котором трещина видна полностью с высоким разрешением, нужно снять несколько полей наблюдения. На полученном «сшитом» изображении хорошо видны все отростки и фаза неметаллических включений Изображение трещины в металлической детали: вверху — «сшитое» из отдельных фрагментов изображение всей трещины; внизу — фрагмент с высоким разрешением.
Сшивка изображений В дальнейшем «сшитое» изображение может использоваться для количественного анализа — измерения длины, ширины, доли неметаллических включений. В приведенных выше примерах число изображений, используемых при «сшивке» , невелико, и в таких случаях можно в процессе съемки перемещать столик микроскопа вручную. При необходимости снимать большие площади (более 20 полей) рекомендуется использовать автоматический столик, перемещением которого управляет программа.
Увеличение глубины резкости Глубина резкости (или область резкого видения) связана с тем, что объектив имеет некую отправную точку, называемую фокус, с которой начинают действовать законы физической оптики, связанные с геометрическим построением изображения. С физической точки зрения, это некое пространство, имеющее определенную толщину, связанную с параметрами объектива. Каждой точке (плоскости), расположенной в фокусном пространстве предмета, соответствует эквивалентная точка (плоскость) в пространстве изображений, что и обеспечивает резкость изображения объекта. Величина области резкого видения в плоскости предмета определяется основным параметром объектива — числовой апертурой, а в плоскости изображения определяется еще и его увеличением. С возрастанием числовой апертуры объектива глубина резкости в плоскости предмета уменьшается. Апертурная диафрагма
Расширенный фокус Анализаторы изображений имеют в своем составе специальную функцию, позволяющую получить изображение со значительно большей областью резкого видения, чем это позволяет сделать система «объектив — окуляр» . Для этого путем последовательной перефокусировки снимается Z серия изображений, на каждом из которых в фокусе находится только часть поля наблюдения. Затем программа автоматически формирует на экране монитора результирующее изображение, на котором все элементы видны резко. Пример использования операции «расширенный фокус» для анализа реплик: слева — исходные изображения, полученные последовательной перефокусировкой; справа — результирующее изображение
Преобразование изображений в материаловедении С помощью анализатора изображения всегда можно откорректировать изображение. Существуют два направления подобных преобразований: • устранение дефектов и повышение качества с целью улучшения визуального восприятия изображения, т. е. получение контрастной, резкой, с равномерным освещением и верной по цветопередаче картины, на которой объект без труда «узнается» специалистом; • обработка изображения таким образом, чтобы подготовить его для проведения дальнейшего количественного анализа. В этом случае преобразованное изображение может сильно отличаться от исходного, на нем могут отсутствовать какие либо детали или наоборот, быть подчеркнуты нужные элементы. Большинство преобразований заключается в изменении значений точек изображения с точки зрения их яркости, насыщенности или цветового тона. В результате преобразований изменяется гистограмма изображения, отражающая распределение пикселей разной яркости на изображении.
Гистограмма — это горизонтальная диаграмма, где по оси X откладываются диапазоны яркости, а по оси Y — общее количество точек (пикселей) в данном диапазоне яркостей. Темные точки — левая сторона гистограммы, светлые точки правая сторона гистограммы. Если, например, изображение темное, то гистограмма будет смещена влево. Y (кол во) пикселей Х (яркость)
Усиление контраста Программное усиление контраста заключается в растягивании диапазона яркости. Для этого самым темным пикселям изображения присваивается значение 0, а самым светлым — значение 255, а промежуточные значения яркости пересчитываются в соответствии с новым диапазоном. Усиление контраста на изображениях цитологического препарата (А) и полированного шлифа оксидов (Б). Слева — исходные изоб ражения, справа — те же изображения после усиления контраста. Под каждым изображением помещена соответствующая ему гистограмма яркости
Выравнивание гистограммы яркости Другим способом повышения контраста изображения является использование функции «выравнивание гистограммы яркости» . На гистограммах большинства изображений видно, что яркости распределены не равномерно, а имеют максимумы и минимумы. Максимумы соответствуют наиболее часто встречаемым яркостям на изображении, которые, в свою очередь, определяют основные элементы изображения. Минимумы соответствуют яркостям, присутствующим на изображении в небольшом количестве. При этом внутри этих областей существует градиент яркости, но глазом он заметен плохо. На шлифе фарфора (справа) выравнивание проведено в рамке, что позволяет отчетливо увидеть тонкие кристаллы муллита. Под изображениями приведены соответствующие им гистограммы яркости. Существует прием, позволяющий перестроить гистограмму таким образом, чтобы все значения яркости вносили примерно одинаковый вклад в гистограмму. Эта функция называется выравниванием гистограммы яркости. На изображении, пересчитанном в соответствии с выровненной гистограммой, становятся видны детали, которые на исходном изображении сливались с близкими по яркости областями.
Сглаживание Ранее отмечалось, что при съемке с большим усилением или длительной экспозицией на изображении возникают «шумы» случайные флуктуации в значениях яркости. «Шумы» мешают как визуальному восприятию изображения, так и его анализу. Поэтому их устраняют с помощью группы так называемых сглаживающих фильтров. Суть этих преобразований заключается в том, чтобы заменить случайные выбросы яркости значениями яркости соседних пикселей (точек). Способы расчета сглаживающих функций многообразны.
Усреднение Одним из самых простых и распространенных способов является усреднение. Обработка этим фильтром заключается в том, что изображение последовательно делится на небольшие участки (например, квадрат 3 x 3 пикселя), на каждом из которых суммируются значения яркостей всех точек, а затем полученная сумма делится на общее ко личество пикселей. Полученное среднее арифметическое значение яркости присваивается центральной точке участка. Размер области, по которой рассчитывается среднее значение, зависит от размера «шумов» , которые необходимо сгладить: чем больше сглаживаемые детали, тем больше должен быть ее размер. При использовании этого сглаживающего фильтра происходит некоторое размывание границ элементов изображения, причем, чем больше размер усредняемого участка, тем больше заметно это «размывание» Полированный шлиф стали с неметаллическими включениями: А исходное изображение с царапинами; Б — изображение после сглаживания С помощью сглаживающих фильтров можно устранять с изображения недостатки пробоподготовки, например, царапины с полированных шлифов. В этом случае при сглаживании учитывается протяженность удаляемых деталей
Коррекция неравномерного фона Причиной получения изображения с неравномерным фоном может быть неверно настроенное освещение микроскопа (например, смещенный конденсор или источник света), неровная поверхность полированного шлифа или неоднородность матрицы самой камеры. Неоднородный фон мешает как визуальному восприятию изображения, так и его дальнейшей обработке, т. к. подобный дефект мешает качественному выделению объектов. Для коррекции фона используются два основных метода. • Вычитание фонового изображения. • Выравнивание фона расчетным путем.
Вычитание фонового изображения В этом случае кроме изображения интересующего поля наблюдения с объектами, дополнительно, при тех же самых условиях снимается изображение фона, но узкий динамический диапазон, что визуально проявляется в малом контрасте. Операция «усиление контраста» растягивает диапазон на всю шкалу, и в результате изображение имеет равномерный фон и высокий контраст. Вычитание фонового изображения: А — изображение, полученное с микроскопа с неравномерным освещением; Б — изображение фона; В — результирующее изображение после вычитания фона и последующего усиления контраста
Выравнивание фона расчетным путем Однако не всегда можно снять фоновое изображение. Например, для отраженного света при наблюдении полированных шлифов металла и керамики это сделать трудно. В этих случаях используется операция программного расчета фона для конкретного изображения, а затем вычитание рассчитанного фонового изображения из исходного. На изображение накладывалась сетка размером 9 x 9 пикселей, для каждой ячейки находилась самая яркая точка, и ее значение использовалось для расчета фонового изображения Выравнивание фона расчетным путем: А — исходное изображение с неравномерным фоном; Б — рассчитанное фоновое изображение; В — результат вычитания Б из А
Примеры других фильтров Следует отметить, что набор различных преобразований, улучшающих качество изображения, очень широк и ни в коей мере не ограничивается описанными функциями. Так, существуют группы фильтров, позволяющих поднять резкость изображения, подчеркнуть на нем границы элементов и детали, провести цветовую коррекцию. Примеры преобразований, улучшающих визуальное восприятие изображения: • А — усиление резкости; • Б — выделение границ Б
SIAMS PHOTOLAB Система анализа изображений “SIAMS Photolab” представляет собой программный продукт, предназначенный для проведения обработки и анализа изображений, полученных при помощи цифровых и аналоговых фото и видеокамер, а также сканеров в ходе проведения микро и макросъемки. Система позволяет автоматизировать процесс обработки изображений путем использования настраиваемых решений, а также конструктора таких решений. Все этапы обработки в системе представляются в электронной таблице в виде серии взаимосвязанных ячеек с изображениями, функциями, графиками и таблицами с результатами анализа, а также отчетами. Каждая ячейка такой таблицы соответствует определенному этапу обработки.
Скачать презентацию АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ ДЛЯ СВЕТОВОЙ МИКРОСКОПИИ Раздел 3
раздел 3 - осень-2014.ppt