Professional Documents
Culture Documents
(IMAGE ENHANCEMENT)
Murat Özalp
Bilecik, 2009
İÇİNDEKİLER
7. IMAGE ENHANCEMENT (İMGE İYİLEŞTİRME)..........................................................4
7.1. Introduction (Giriş).......................................................................................4
7.2. Point Operations (Nokta İşlemleri)...................................................................7
7.2.1. Contrast Stretching (Karşıtlık Esnetme, Germe)...........................................8
7.2.2. Clipping and Thresholding (Kırpma ve Eşikleme)........................................10
7.2.3. Digital Negative (Sayısal Negatif).............................................................11
7.2.4. Intensity Level Slicing (Gri Seviyesi Dilimleme).........................................13
7.2.5. Bit Extraction (Bit Çıkarma)....................................................................14
7.2.6. Range Compression (Alan Sıkıştırma).......................................................14
7.2.7. Image Subtraction and Change Detection (İmge Çıkarma ve Değişiklik Tespit
Etme)............................................................................................................15
7.3. Histogram Modeling (Histogram Modelleme)...................................................15
7.3.1. Histogram Equalization (Histogram Eşitleme)............................................17
7.3.2. Histogram Modification / Specification (Histogram Değiştirme / Histogram
Belirtme).......................................................................................................18
7.4. Spatial Operations (Uzaysal İşlemler)............................................................19
7.4.1. Spatial Averaging and Spatial Low-pass Filtering (Uzaysal Ortalama ve Uzaysal
Alçak Geçiren Filtre)........................................................................................19
7.4.2. Directional Smoothing (Yönlü Yumuşatma)...............................................21
7.4.3. Median Filtering (Ortanca Filtresi)............................................................21
7.4.4. Unsharp Masking and Crispening (Keskinlik Maskelemesi ve kenar
Koyulaştırma).................................................................................................23
7.4.5. Spatial Low-pass, High-pass and Band-pass Filtering (Uzaysal Alçak-Geçiren,
Yüksek Geçiren ve Bant Geçiren Filtreleme)........................................................24
7.4.6. Inverse Contrast Ratio Mapping and Statistical Scaling (Ters Karşıtlık Oranı
Eşleştirme ve İstatistiksel Boyutlandırma)..........................................................24
7.4.7. Magnification and Interpolation [Zooming] (İmge Büyütme)........................25
7.4.8. Replication (Replikasyon)........................................................................25
7.4.9. Linear Interpolation (Doğrusal Çoğullama)................................................26
7.5. Transform Operations (Dönüşüm İşlemleri)....................................................27
7.5.1. Generalized Linear Filtering (Genelleştirilmiş Doğrusal Filtreleme)................27
7.5.2. Root Filtering (Kök Filtreleme).................................................................28
7.5.3. Generalized Cepstrum and Homomorphic Filtering (Genelleştirilmiş Cepstrum
ve Homomorfik Filtreleme)...............................................................................29
7.6. Multispectral Image Enhancement (Çoğul Tayflı İmge İyileştirme).....................29
7.6.1. Intensity Ratios (Yoğunluk Oranları).........................................................30
7.6.2. Log-Ratios (Logaritmik Oranlama)...........................................................31
7.6.3. Principal Components (Asıl Bileşenler)......................................................31
7.7. Falsecolor and Pseudocolor (Sahte Renklendirme)...........................................32
7.8. Color Image Enhancement (Renkli İmge İyileştirme).......................................33
7.9. Summary (Özet).........................................................................................34
2
ŞEKİLLER DİZİNİ
Şekil 1. Ayın ilk fotoğrafı (31 Temmuz 1964).............................................................4
Şekil 2. Örnekleme ve niceleme...............................................................................5
Şekil 3. Sayısal imge gösterimi.................................................................................6
Şekil 4. Frekans alanında imge iyileştirme.................................................................6
Şekil 5. Parlaklık değiştirme örneği ve histogramları...................................................8
Şekil 6. Karşıtlık değiştirme örneği ve histogramları....................................................9
Şekil 7. Karşıtlık esnetme dönüşüm fonksiyonu..........................................................9
Şekil 8. Karşıtlık esnetme örneği.............................................................................10
Şekil 9. Kırpma (solda) ve eşikleme (sağda) durumu.................................................10
Şekil 10. Orijinal imge (solda) ve kırpılmış hali (sağda).............................................11
Şekil 11. Orijinal imge (solda) ve eşikleme yapılmış hali (sağda)................................11
Şekil 12. Negatif alma işlemi..................................................................................11
Şekil 13. Orijinal resim (solda) ve tersi [negatif] (sağda)...........................................12
Şekil 14. İmge iyileştirmede kullanılan bazı basit dönüşüm fonksiyonları......................13
Şekil 15. Gri seviyesi dilimleme örneği....................................................................14
Şekil 16. İmge çıkarma işlemi................................................................................15
Şekil 17. İmge çıkarma işlemi................................................................................15
Şekil 18. 250x250 boyutunda 2 bit imgede histogram. .............................................16
Şekil 19. 250x250 boyutunda 2 bit imgede histogram...............................................16
Şekil 20. Parlak ve karanlık iki histogram örneği.......................................................16
Şekil 21. Düşük ve yüksek karşıtlık için iki histogram örneği......................................17
Şekil 22. Matlab’ta histogram görüntüleme..............................................................17
Şekil 23. Histogram eşitleme..................................................................................18
Şekil 24. Uzaysal ortalama filtreleme örneği.............................................................19
Şekil 25. Uzaysal ortalama filtre (maske) örnekleri...................................................20
Şekil 26. Gaussian filtre için örnek maskeler............................................................20
Şekil 27. Uzaysal ortalama filtreleme örneği.............................................................21
Şekil 28. Ortanca filtre uygulaması.........................................................................22
Şekil 29. Matlab’ta ortanca filtre uygulaması............................................................23
Şekil 30. Matlab’ta keskinlik maskelemesi uygulaması...............................................24
Şekil 31. Uzaysal filtreler.......................................................................................24
Şekil 32. İmge büyütme........................................................................................26
Şekil 33. 2x3 piksellik bir imgenin replikasyon ile 4x6 piksel yapılması........................26
Şekil 34. 2x2 piksellik bir imgenin doğrusal çoğullama ile 4x4 piksel yapılması.............27
Şekil 35. p.ninci çoğullama....................................................................................27
Şekil 36. Dönüşüm İşlemleri Filtrelemesi.................................................................27
Şekil 37. İmge büyütme........................................................................................28
Şekil 38. Frekans filtreleri......................................................................................28
Şekil 39. Homomorfik filtreleme.............................................................................29
Şekil 40. Genelleştirilmiş cepstrum ve homomorfik filtreleme.....................................29
Şekil 41. Bir imgenin farklı bantları.........................................................................30
Şekil 42. Bir imgenin farklı bantlarının oranları.........................................................31
Şekil 43. Bir imgenin farklı bantlarda ayrıştırılması....................................................32
Şekil 44. Pseudocolor sahte renklendirmesi..............................................................32
Şekil 45. Pseudocolor sahte renklendirme örneği......................................................33
Şekil 46. Renkli imge iyileştirmesi...........................................................................33
TABLOLAR DİZİNİ
Tablo 1. İmge iyileştirme için hafızasız filtreler...........................................................7
3
7. IMAGE ENHANCEMENT (İMGE İYİLEŞTİRME)
7.1. Introduction (Giriş)
İmge iyileştirmenin temel hedefi; belirli bir uygulama için, resmi orijinal halinden daha iyi
duruma getirmektir. İmge iyileştirme sürecinde her durumda aynı işlemler tekrarlanmaz.
Örneğin; X-ışını görüntüleri ve uydu görüntülerinde aynı iyileştirme yöntemlerinin
uygulanması doğru olmayabilir. Her görüntüye ve her amaca göre imge iyileştirme
araçları o duruma uygun olarak kullanılmalıdır.
Girdi imgesi
Operatör (İşlem)
İşlenmiş imge
İmge iyileştirmenin (image enhancement), imge yenileme (image restoration) ile
karıştırılmaması gerekir. İyileştirme özneldir yani kişiye (bakışa) göre değişir, yenileme
ise nesneldir. İyileştirmede her durum için farklı işlemler farklı seviyelerde
uygulanmaktadır, yenilemede ise yapılacak işlemler ve bunların seviyeleri önceden
belirlidir.
4
• Coğrafi bilimler (hava ve uydu görüntülerinden hava tahmini)
• Eski, hasar görmüş fotoğrafların onarılması, GPR-mayın tarama, arkeolojik
kalıntıların tespiti
• Oyun Programlama ( bilgisayarda görü, 3-B modelleme)
• Fizik (spektrometreler, elektron mikroskobu görüntüleri)
• Uzay bilimleri (uydu, mikrodalga radar görüntüleri…)
• Savunma sanayi (gece görüş, akıllı roket sistemleri…)
• Endüstriyel uygulamalar (süreç, ürün denetimi…)
• Tüketici elektroniği (Video kayıt cihazları, cep telefonları…)
• Biyometrik tanıma ve güvenlik sistemleri (iris-parmak izi tanıma, güvenlik-kamera
uygulamaları)
• Uzaktan algılama
Renk skalası; bir imgeyi oluşturan tüm renklerin bir yelpaze halinde yayılmış haline denir.
İmge siyah-beyaz ise skala siyah’tan beyaza kadar giden gri yelpazedir. İmge renkli ise,
skala morötesi ile kızılötesi arasında yer alan tüm renklerin bulunduğu bir yelpazedir.
Renkli skala:
Gri skala:
Bir skalada en fazla değer L ile gösterilir. Bu durumda imgedeki her bir nokta 0 ile L-1
arasında genlik değeri ile ifade edilir. İki boyutlu bir imgede her bir noktayı betimleyen en
az 3 adet değer (2 adet koordinat ve 1 adet genlik) bulunmalıdır. [0, L-1] aralığına da
imgenin “dinamik aralığı (dynamic range)”denir.
5
Şekil 3. Sayısal imge gösterimi
Filtre
Fourier fonksiyonu Ters Fourier
dönüşümü H(u,v) dönüşümü
F(u,v) H(u,v)F(u,v)
Son
Ön işleme
işleme
2. Noise clipping and 0, 0 ≤ u < a Gri seviye dağılımı düzensiz olan ikili
ve diğer imgelerde kullanışlıdır. a ve
treshoolding f (u ) = αu , a ≤ u ≤ b b, histogramın tepeleri arasında bir
(gürültü kırpma ve L, vadi belirler. a=b=t değeri için bu
u ≥b
eşikleme) duruma eşikleme adı verilir.
3. Gray scale reversal f (u ) = L − u İmgenin sayısal olarak tersini
(Gri skala tersleme) (negatif) verir.
6
4. Gray-level Windows L, a ≤u ≤b a ve b değerleri aralığında bulunan
slicing f (u ) = pikselleri tamamen aydınlatır. Arka
0, aksi halde zemini silmek için kullanılır.
(Gri Seviyesi Dilimleme)
f (u ) = (in − 2in −1 ) L B= “u sayısını tamsayı olarak
5. Bit extraction tanımlamak için kullanılan bit sayısı”.
u
(Bit çıkarma) i n = Int B −n , n = 1,2,...., B
2 Bu bize, n’inci en değerli biti verir.
6. Bit removal u
f (u ) = 2 Int
(Bit Silme) 2
Düşük değerli biti siler.
v = c log10 (1 + u ), u ≥0
7. Range compression ∆ L Karşıtlık dönüşümünün yoğunluğu.
Aralık Sıkıştırma c=
log 10 (1 + L)
Tablo 1. İmge iyileştirme için hafızasız filtreler
En basit nokta işlemi parlaklık değiştirmedir. Basitçe aşağıdaki gibi ifade edilir:
g ( x, y ) = f ( x , y ) + b
Bu ifadede x,y koordinatları ile belirtilen noktanın gri skala değerine doğrudan b kadar
ekleme yapılıyor. b sayısı pozitif ise parlaklık artar, sayı negatif ise parlaklık azalır.
Aşağıda parlaklık değiştirme ile ilgili örnek fotoğraflar gösterilmiştir.
(a)
(b)
7
(c)
Aşağıda aynı imgenin farklı karşıtlık değerleri görülmektedir. Karşıtlık ayarlamanın özel
bir biçimi ileride göreceğimiz eşikleme (tresholding) olarak karşımıza çıkmaktadır.
(a)
(b)
8
(c)
γ
Vb
Va
α u
a b L
Şekil 7. Karşıtlık esnetme dönüşüm fonksiyonu.
Koyu bölgelerde: α > 1, a ≅ L / 3
Orta koyulukta bölgelerde: β >1, b ≅ 2 3 L ve parlak bölgelerde: γ >1
(a) (b)
9
(c) (d)
Şekil 8. Karşıtlık esnetme örneği.
(a) orijinal imge, (b) orijinal histogram
(c) dönüşüm fonksiyonu, (d) esnetilmiş karşıtlık
Örneğin 8 bit gri skalalı bir resimde; fmin=80 ve fmax=140 ise, buna kırpma
uygulandığında, 80 ve altındaki renk değerleri tam siyaha çekilir, 140 ve üzerindeki
değerler de tam beyaza çekilir. Böylece 80 ve 140 arasında bulunan 60 değer, 256
seviyelik skalaya yayılır.
v v
a b u u
Şekil 9. Kırpma (solda) ve eşikleme (sağda) durumu
10
Aşağıdaki resimlerde de kırpma ve eşikleme örnekleri verilmiştir.
v
L
0 L u
Şekil 12. Negatif alma işlemi
11
Şekil 13. Orijinal resim (solda) ve tersi [negatif] (sağda)
İmgenin renk skalasının boyutu L olsun. Her nokta için gri düzeyler (r), [0, (L-1)]
aralığında olacaktır. Bu durumda, resmin negatifi şöyle bulunabilir:
s = (L-1)-r
s: noktanın negatif renk değeri
r: noktanın renk değeri
L: renk skalasının boyutu
Örnek: 256 renkli gri skala biçiminde bir imgede renk değeri 10 olan bir noktanın negatif
değeri şöyle bulunabilir:
s=(L-1)-r
s=(256-1)-10
s=245
Aşağıdaki şekilde, 256 renk gri skaladaki renk değerini değiştirmek için kullanılan bazı
diğer dönüşüm fonksiyonları görülmektedir.
12
Görüntünün parlaklığı (%)
(a) (b)
(c) (d)
13
Şekil 15. Gri seviyesi dilimleme örneği.
(a) A ve B aralığındaki değerler öne çıkarılmış, diğer tüm gri seviyeleri sıfırlanmış.
(b) A ve B aralığındaki değerler öne çıkarılmış, diğer tüm gri seviyeleri olduğu gibi bırakılmış.
(c) İşlenecek imge
(d) a şıkkındaki fonksiyonun imgeye uygulanmış hali.
Bit çıkarma işlemi, bir imgede hangi değerlikli bitlerin görüntüde etkili olduğunun
bulunması için kullanılmaktadır. Tahmin edilebileceği gibi, sadece baştaki birkaç bit
imgenin çoğunu oluşturmaktadır. Aşağıdaki örnekten bu anlaşılabilir:
Örnek: (10111111)2 sayısı onluk sistemde 191 sayısına karşılık gelir. Onlu sayı
sisteminde 192 sayısı ise, ikili sistemde (11000000) 2 sayısına karşılık gelir. 256 renk gri
skalada 191 ve 192 renk değerleri arasında çok çok az fark vardır. Onlu sistemde
birbirine çok yakın olan iki sayının ikili karşılığında yüksek ağırlıklı bitler aynı iken düşük
ağırlıklı bitler çok fazla değişebilmektedir. Buradan yüksek ağırlıklı bitlerin renk değerinin
belirlenmesinde daha etkin olduğu anlaşılmaktadır.
Gerçek dünyada her şey yüksek dinamik aralıklıdır. Oysa sayısal dünyada yüksek dinamik
aralığı kullanmak kolay değildir. Aynı kadrajda hem aydınlık hem de karanlık bölgeler
içeren bir fotoğraf çekildiğinde, bu durum görülmektedir. Bu tarz fotoğraflarda ya karanlık
veya aydınlık bölgelerden birisindeki veriler kaybedilir veya fotoğrafın tamamı soluk
çıkmaktadır. Bunun nedeni; görüntü kaydedip sayısallaştıran cihazların gerçek dünyadaki
dinamik aralığı yakalayamamasındandır. Bu nedenle özelikle yüz tanıma sistemlerinde,
yüzlerde koyu gölge olan kısımları görebilmek için “dinamik aralık sıkıştırma” ve “karşıtlık
iyileştirme” çokça kullanılan yöntemlerdendir.
Bazen imgenin dinamik aralığı çok fazla olabilir. Bu tarz durumlarda mesela sadece birkaç
pikselin görülebildiği dahi olabilir. Logaritmik bir dönüşüm ile dinamik aralık sıkıştırılabilir.
Aşağıda bu dönüşüm verilmiştir:
v = c log 10 (1 + u )
14
Formüldeki c sayısı, istenen seviyede sıkıştırmayı sağlamak için kullanılan bir sabittir. Bu
dönüşüm; yüksek genlikli noktalara nazaran, düşük genlikli noktaların iyileştirilmesini
sağlamaktadır.
15
Histogram Nedir?
Aşağıdaki şekillerde basit histogram örneği verilmiştir6. Şekilden de görüleceği üzere,
histogramlarda konum bilgisi bulunmaz, sadece frekans bilgisi bulunur. Aşağıda iki farklı
şeklin histogramlarının aynı olduğuna dikkat ediniz:
Karanlık imge
Aydınlık imge
16
Düşük karşıtlık
Yüksek karşıtlık
800
600
400
200
17
(a) (b)
(c) (d)
Şekil 23. Histogram eşitleme.
(a)orijinal fotoğraf (b)orijinal histogram
(c)Histogram eşitlenmiş fotoğraf (d)eşitlenmiş histogram
Histogram eşitleme işleminde, olasılık dağılımına bağlı olarak doğrusal olmayan dönüşüm
gerçekleştirilir. Bu sayede bulunma olasılığı fazla olan piksellerin arası histogram üzerinde
daha fazla açılır.
18
7.4. Spatial Operations (Uzaysal İşlemler)
Birçok imge iyileştirme tekniği, uzaysal düzlemde giriş noktalarının komşuluğuna bağlı
olarak kullanılır. Sıklıkla imge, “uzaysal maske” adı verilen bir sonlu darbe cevabı ile
konvolve edilir. Uzaysal maske yerine “konvolüsyon çekirdeği (convolution kernel)”,
“konvolüsyon maskesi (convolution mask)”, “konvolüsyon penceresi (convolution
window)” gibi isimler de kullanılmaktadır.
Bu işleme filtreleme de denir. İmgenin üzerinde sanki bir filtre varmış gibi düşünülüp her
piksel yeniden hesaplanır.8 İlgili pikselin yeni değeri, komşu piksellerin değerleri de
dikkate alınarak bulunur. Kullanılacak piksellerin ağırlıkları, yapılacak işleme bağlı olarak
değişmektedir. Kenar bulma, gürültü giderme, imge keskinleştirme, yumuşatma gibi
işlemlerde kullanılmaktadır. Hesapsal yükü, nokta işlemlerine göre oldukça fazla
olabilmektedir.9
Resimdeki her piksel yerine komşuları ile beraber ortalaması alınarak hesaplanan değer
konulduğundan, resimdeki gri düzeyleri arasındaki keskin geçişler azalır; daha yumuşak
geçişler söz konusudur. Resim üzerindeki kenarlarda bulanıklaşmaya (blur) yol açarlar.10
19
Aşağıda örnek uzaysal ortalama filtreleri görülmektedir.
l l l
k 1/9 1/9 1/9 k
¼ ¼ 0 1/8 0
Burada, her bir nokta ona komşu olan tüm noktaların ortalaması şeklinde hesaplanır.
y(m,n) fonksiyonun girişi, v(m,n) çıkışıdır. W, seçilen maske penceresidir. a(k,l) de filtrenin
ağırlığıdır (hücre değerleri). Uzaysal ortalama filtrelerinde sıkça kullanılan bir maske de
tüm ağırlıkların eşit olduğu maskedir. Şöyle gösterilebilir:
1
v ( m, n) =
NW
∑( k∑,l )∈W
y ( m − k , n, l )
Bu filtrenin Gaussian dağılımını kullanarak biraz daha değiştirilmiş hali Gaussian filtresi
olarak bilinir. Bu filtrenin ifadesi aşağıda verilmiştir:
x2 + y2
− 2
1 wσ
v(m, n, σ ) = e
2π σ2
Gaussian filtresi için örnek maske aşağıdaki şekilde verilmiştir.
20
MATLAB’ta Ortalama ve Gaussian filtresi:
asil=imread('edebali.jpg');
asil=im2double(asil); %imgenin genlik değerlerini noktalıya çevir.
%
h1=fspecial('gaussian',10,2); %maske:10x10 ve sigma=2
gaussian=imfilter(asil,h1,'replicate');
%
h2=fspecial('average',10); %maske:10x10
ortalama=imfilter(asil,h2,'replicate');
%
figure,imshow(asil);
figure,imshow(gaussian,[]);
figure,imshow(ortalama,[]);
21
Şekil 28. Ortanca filtre uygulaması.
(a)orijinal fotoğraf (b)tuz & biber gürültüsü (c)ortanca filtre sonucu
Basit bir ortanca filtresinin nasıl çalıştığını inceleyelim. Örneğin aşağıdaki sayılar için
kenar tekrarlı ortanca filtresi uygulayalım (pencere genişliği (window size, katar) 3 için:
g = [2,32,2,1,2,8,9]
ç [0] = [2,2,32] = [2,2,32] => 2 // burada ilk sayıyı tekrar ettik çünkü katar 3 olmalı ve
şayet ilk sayıyı 2 kere almazsak ilk sayı için 3 adet sayımız olmayacaktır.
ç [1] = [2,32,2] = [2,2,32] => 2 // ilk dizi giriş dizisinin ilk 3 sayısıdır (katar 3 olduğu
için) ikinci dizi ise sıralanmış halidir. ve sonuç olarak ortanca değer 2 bulunur.
ç [2] = [32,2,1] = [1,2,32] => 2
ç [3] = [2,1,2] = [1,2,2] => 2
ç [4] = [1,2,8] = [1,2,8] => 2
ç [5] = [2,8,9] = [2,8,9] => 8
ç [6] = [8,9,9] = [8,8,9] => 9
ç = [2,2,2,2,2,8,9] olarak bulunur.
Yukarıdaki örnekte g giriş dizisi, ç ise çıkış dizisi olarak kabul edilmiştir. Görüldüğü üzere
yukarıdaki örnekte ortanca filtresi uygulandıktan sonra çok büyük bir sayı olan ve
yakınlarında başka benzer sayı bulunmayan 32 sayısı elenmiştir. Benzer şekilde
yakınlarında benzeri bulunmayan 1 sayısı da çok fazla 2 sayısı arasında kalıp bu sayılar
tarafından boğulmuştur. 2 boyutlu imgelerde bu filtre kullanılırken 2 boyutlu pencere
uygulanır. Örneğin 3×3 gibi. Bu durumda 9 hücreli katar’ın içinde kalan sayılar
sıralanarak ortalama değeri yeni değer olarak yazılır.
22
Şekil 29. Matlab’ta ortanca filtre uygulaması.
Solda, gürültülü fotoğraf. Sağda, ortanca filtresi sonrası.
Keskinleştirici filtreler:
Resimdeki ayrıntıları, keskin geçişleri belirginleştirmek, bulanıklaştırılmış görüntülerdeki
ayrıntıları yeniden ortaya çıkarmak için kullanılır. Endüstriyel ve askeri alanda, tıbbi
çalışmalarda ve diğer birçok alanda yararlıdır. Keskinleştirme, sayısal farkların alınması
ile gerçekleştirilir (diferansiyel, türev). Fark alma, resimdeki kenarları, süreksizlikleri
(gürültü gibi) belirginleştirir (keskinleştirir) ve küçük gri düzeyi değişimleri olan resim
bölgelerini solgunlaştırır.
23
Şekil 30. Matlab’ta keskinlik maskelemesi uygulaması.
Solda, orijinal fotoğraf. Sağda, keskinlik maskelemesi sonrası.
LPF hL2(m,n)
Daha önce de belirtildiği gibi, alçak geçiren filtreler imgeyi bulanıklaştırırken yüksek
geçiren filtreler keskinleştirir. Bunun sebebi imgedeki ani renk geçişlerinin (özellikle kenar
ve köşe hatlarında) yüksek frekans bileşeni olarak görülmesidir. Bu nedenle; yüksek
geçiren filtre kullanıldığında keskin olan bileşenler geçirilirken, alçak geçiren filtre ile de
yumuşak bileşenler geçirilir.
7.4.6. Inverse Contrast Ratio Mapping and Statistical Scaling (Ters Karşıtlık
Oranı Eşleştirme ve İstatistiksel Boyutlandırma)
Görme sistemlerimizin başarısı, yeknesak bir arka zemin önünde duran nesnelerin
boyutuna (çözünürlüğüne) ve karşıtlık oranına (γ) bağlıdır. Karşıtlık oranı aşağıda
gösterilmiştir:
σ
γ=
µ
24
Burada, μ nesnenin ortalama aydınlığıdır. σ ise nesnenin etrafındaki diğer nesnelerin
aydınlığının standart sapmasıdır. Buradan ters karşıtlık oranının dönüşümünü yazarsak:
µ(m, n)
v( m, n) =
σ(m, n)
olacaktır. Burada; μ(m,n) ve σ(m,n) yerel ortalamalardır. u(m,n) nin standart sapması W
penceresinin dışında ölçülmüş, aşağıdaki eşitlikler de verilmiş olsun.
1
µ(mn) =
Nw
∑ ∑u (m − k , n −l )
( k ,l )∈w
1
1 2
∑ ∑[u (m −k , n −l ) −µ(m, n)]
2
σ8m, n) =
N w ( k ,l )∈w
Bu durumda; bu dönüşümler, imge üzerinde zayıf olan (karşıtlığı az) bölgelerde
iyileştirme sağlar.
µ(m, n)
v( m, n) = dönüşümü de her pikseli, tüm pikseller arasında bütünlük
σ(m, n)
sağlayacak şekilde, kendi standart sapmasına göre yeniden boyutlandırır. Buna da
istatistiksel boyutlandırma denir.
25
Şekil 32. İmge büyütme
Üst imge 70x70 piksel.
Solda, 210x210 piksel replikasyon yapılmış. Sağda, 210x210 piksel bilineer büyütme kullanılmış.
Şekil 33. 2x3 piksellik bir imgenin replikasyon ile 4x6 piksel yapılması
Bir başka deyişle, doğrusal çoğullama yönteminde önce her satır ve sütun için iki piksel
arasına bir 0 eklenerek önce imgenin piksel sayısı artırılır. Sonra her 0 olan piksel için
önce satırda, sonra da sütunlarda iki yan komşusunun ortalaması alınarak bu 0 yerine
yazılır. Aşağıda örnek bir doğrusal çoğullama işlemi görülmektedir:
26
Şekil 34. 2x2 piksellik bir imgenin doğrusal çoğullama ile 4x4 piksel yapılması
Araya 0 ekleme suretiyle piksel sayısı artırılmış olan imgede aşağıda verilen H dizisi ile
konvolve edilerek sonuca ulaşılır:
1 / 4 1 / 2 1 / 4
H =1 / 2 1 1 / 2
1 / 4 1 / 2 1 / 4
p satır ve
sıfırlar sütunu
ile çoğullama
27
Şekil 37. İmge büyütme
Solda, DFT bölgesel maskesi. Sağda, (gerçek) ortogonal dönüşümün bölgesel maskesi
Şekilde alçak geçiren (LPF), yüksek geçiren (HPF) ve bant geçiren (BPF) için, DFT (sanal)
ve ortogonal dönüşüm (gerçel) domenlerinde g(k,l) bölgesel maskeleri için örnekler
görülmektedir. g(k,l) fonksiyonu, kısmi filtreler için belirtilen bölgelerin dışında sıfırdır.
Önemli bir filtre de NxN imge için bölgesel maskesi aşağıda belirtilmiş olan ters Gaussian
filtresidir.
(k 2 + l 2 ) N
exp , 0 ≤ k, l ≤
g (k , l ) = 2σ 2
2
g(N-k,N-l), aksi halde
Yine benzer şekilde önemli bir yüksek frekans filtresi de aşağıda verilmiştir. Bu filtre,
atmosfer türbülansı veya benzeri nedenlerle bulanıklaşmış imgeleri netleştirmekte
kullanılır.
28
Çoğu imgede, yüksek uzaysal frekanslara kıyasla v(k,l)nin genliği daha ufaktır. α-kök etkisi
düşük uzaysal frekanslara (yüksek genlik) kıyasla yüksek uzaysal frekansları (düşük
genlik) iyileştirmeyi sağlar.
Yüksek dinamik aralık bulunan bir imgede, mesela güneşte çekilen ve sert ışık ve sert
gölge bulunan fotoğraflarda, homomorfik filtreler kullanışlıdır.15
Başka bir deyişle ışık dağılımın dengeli olmadığı imgelerde kullanışlıdır. Aşağıdaki şekilde
bunun örneği gösterilmiştir.16
29
imge kullanılır. Aşağıdaki şekilde bir imgenin farklı bantlardaki (frekanslar) elemanları
görülmektedir.17
Çoğul tayflı imge üzerinde iyileştirme yapmanın farklı avantajları vardır. Örneğin bir
imgenin sadece belirli bir tayfı üzerinde çalışma yapma imkânı bu şekilde olabilir.
İmgenin farklı tayflarının birbirine oranlanması da sıkça kullanılan bir uygulamadır.
Aşağıda tayf oranlama konusunda bir örnek uygulama görülmektedir.
30
Şekil 42. Bir imgenin farklı bantlarının oranları
31
oluşturmada daha etkili iken sonrakilere doğru etki gittikçe azalır. Aşağıda örnek
ayrıştırma sonucu görülmektedir.
v1(m,n) R
32
Şekil 45. Pseudocolor sahte renklendirme örneği
Yukarıdaki şekilde Seismic isimli bir grafiğe pseudocolor yöntemi ile sahte renklendirme
uygulanmıştır. Grafiğin orijinal renk paleti (a) şıkkında verilmiştir. Renklendirme yapmak
için bu renk paleti (b) şıkkındaki palet ile değiştirilmiştir. (a) şıkkında verilen paletteki her
bir rengin karşılığı (b) şıkkındaki paletteki bir renge sabit olarak eşleştirilmiştir. Örnekte
detay yakalamak için, tam beyaz olan renkler griye çekilmiştir.
33
Şekilde görüldü gibi; RGB paletindeki giriş imgesi önce koordinat dönüşümüne tabi
tutuluyor. Daha sonra imge 3 bileşenine ayrılıyor. Her bileşen kendi içerisinde siyah-
beyaz imge gibi işleme tabi tutuluyor ve iyileştirme yapılıyor. Daha sonra, yeniden
koordinat dönüşümü yapılarak ayrıştırılmış imge yeniden RGP paletinde bir araya
getiriliyor.
KAYNAKLAR
1. Anil K. Jain, “Fundamentals of Digital Image Processing”
2. Li Tao, Ming-Jung Seow and Vijayan K. Asari. “Nonlinear Image Enhancement to
Improve Face Detection in Complex Lighting Environment”
3. Sarp Ertürk, “Digital Image Processing”
4. Rafael C. Gonzalez, “Digital Image Processing”
5. T. Acharya, A.Ray – “Image Processing - Principles and Applications”
6. John C. Russ – “The Image Processing Handbook”
7. Jae S. Lim, “Two Dimensional Signal And Image Processing”
8. William K. Pratt – “Digital Image Processing”
9. Bernd Jähne – “Digital Image Processing”
10. Mathworks – “Image Processing Toolbox User's Guide”
11. Gérard Blanchet, Maurice Charbit – “Digital Signal and Image Processing Using
MATLAB”
12. Gonzalez & Woods & Eddins – “Digital Image Processing Using MATLAB”
13. Hany Farid – “Fundamentals of Image Processing”
14. Thomas Klinger - “Image Processing with LabVIEW and IMAQ Vision”
15. S.G.Hoggar – “Mathematics Of Digital Images”
16. http://yzgrafik.ege.edu.tr/~aybars/ip/
17. http://www.ehm.yildiz.edu.tr/dersweb/vedat/vedatnot.htm
18. http://www.yildiz.edu.tr/~bayram/sgi/saygi.htm
19. http://www.emrahustun.com
20. http://www.bilgisayarkavramlari.com
21. http://www.icaen.uiowa.edu/~dip/LECTURE/
22. http://eeweb.poly.edu/~onur/lectures/lectures.html
23. Ergin Altıntaş - Örüntü Tanıma Dersleri
24. Oya Örnek (Selçuk Üniversitesi) - Ders Notları
REFERANSLAR
34
1
Oya Örnek (Selçuk Üniversitesi) - Ders Notları
2
Yrd. Doç. Dr. M. Kemal GÜLLÜ, Kocaeli Üniversitesi İmge İşleme Ders Notları
3
Yrd. Doç. Dr. M. Kemal GÜLLÜ, Kocaeli Üniversitesi İmge İşleme Ders Notları
4
Li Tao, Ming-Jung Seow and Vijayan K. Asari. “Nonlinear Image Enhancement to Improve
Face Detection in Complex Lighting Environment”
5
John C. Russ - The Image Processing Handbook
6
Yrd. Doç. Dr. M. Kemal GÜLLÜ, Kocaeli Üniversitesi İmge İşleme Ders Notları,
(http://mf.kou.edu.tr/elohab/kemalg/imge_web/odev.htm)
7
Rafael C. Gonzalez, “Digital Image Processing”
8
K.Sinan YILDIRIM, Cenk İNCE, Tahir Emre KALAYCI, “Görüntü İşleme” (Ege Üniversitesi
Bilgisayar Mühendisliği).
9
Yrd. Doç. Dr. M. Kemal GÜLLÜ, Kocaeli Üniversitesi İmge İşleme Ders Notları (Eski Notları 4.
saydam)
10
Aybars, Ege Üniversitesi (MATLAB ile Görüntü İşleme Part – IV ve Part – V)
11
T. Acharya, A.Ray - Image Processing - Principles and Applications (S:109)
12
T. Acharya, A.Ray - Image Processing - Principles and Applications (S:115)
13
Sarp Erturk - Digital Image Processing (S:1-5)
14
Jae S. Lim, Two Dimensional Signal And Image Processing (S:292)
15
Jae S. Lim, Two Dimensional Signal And Image Processing (S:463)
16
T. Acharya, A.Ray - Image Processing - Principles and Applications (S:118)
17
William K. Pratt - Digital Image Processing 3rd.Ed
18
William K. Pratt - Digital Image Processing (S:288)