Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Сурет өңдеудегі контрастты реттеу әдісі – суреттің гистограммасын қолдану.
Method in image processing of contrast adjustment using the image's histogram
Гистограмманы теңестіру – сурет өңдеудегі контрастты реттеу әдісі, суреттің гистограммасын пайдаланады.
Histogram equalization is a method in image processing of contrast adjustment using the image's histogram.
Шолу
Бұл әдіс әдетте көптеген суреттердің жаппай контрастын арттырады, әсіресе сурет интенсивтілік мәндерінің тар диапазонымен ұсынылған кезде. Осы түзету арқылы интенсивтіліктерді гистограммада толық интенсивтілік диапазонын біркелкі пайдалана отырып, жақсырақ бөлуге болады. Бұл жергілікті контрасттың төмен аймақтарына жоғары контрастты алуға мүмкіндік береді. Гистограмманы теңестіру мұны сурет контрастын төмендету үшін қолданылатын, көп жиналған интенсивтілік мәндерін тиімді таратып жүзеге асырады. Бұл әдіс фон мен алдыңғы планның жарық немесе қараңғы суреттерінде пайдалы. Әсіресе, бұл әдіс рентгендік суреттерде сүйек құрылымын жақсырақ көруге және суреттерде артық немесе жетіспей ашылған суреттерде жақсырақ егжей-тегжейлі қарауға мүмкіндік береді. Әдістің басты артықшылығы - бұл кіру кескініне бейімделетін және кері айналатын операторға бейімделетін өте қарапайым әдіс. Теориялық тұрғыдан алғанда, егер гистограмманы теңестіру функциясы белгілі болса, онда бастапқы гистограмманы қалпына келтіруге болады. Есептеу есептеулік жағынан қиын емес. Бұл әдістің кемшілігі - оның таңдаусыздығы. Ол фондық шудың контрастын арттырып, сонымен бірге пайдалы сигналын азайта алады. Ғылыми бейнелеуде кеңістіктік байланысы сигналдың қарқындылығынан маңызды (мысалы, квантталған ұзындығы бар ДНК фрагменттерін бөлу) сигналдың шуға шаққандағы шағын арақатынасы әдетте визуалды анықтауға кедергі келтіреді. Гистограмманы теңестіру фотосуреттерде жиі шынайы емес әсерлерді тудырады; алайда ол ғылыми суреттер үшін өте пайдалы, мысалы, термиялық, спутниктік немесе рентгендік суреттер, көбінесе жалған түсті қолданатын суреттердің бірдей класы. Сонымен қатар, гистограмманы теңестіру төмен түстер тереңдігі бар суреттерге қолданғанда жағымсыз әсерлер (көрінетін сурет градиенті сияқты) туғыза алады. Мысалы, 8 битті сұрлық шкаласы палитрасы бар 8 битті бейнеге қолданса, бұл суреттің түстер тереңдігін (сұрдың бірегей реңктерінің санын) одан әрі азайтады. Гистограмманы теңестіру үздіксіз деректер немесе 16 битті сұр масштабтағы суреттер сияқты палитра өлшеміне қарағанда түстер тереңдігі әлдеқайда жоғары суреттерге қолданғанда жақсы жұмыс істейді. Гистограмманы теңестіру туралы ойлаудың және оны жүзеге асырудың екі жолы бар, олар суретті өзгерту немесе палитраны өзгерту болып табылады. Операцияны P(M(I)) деп көрсетуге болады, мұнда I - бастапқы сурет, M - гистограмманы теңестіру карталау операциясы және P - палитра. Егер біз жаңа палитраны P'=P(M) деп анықтасақ және I кескінді өзгертпей тастасақ, онда гистограмманы теңестіру палитраның өзгеруі немесе картаның өзгеруі ретінде жүзеге асырылады. Екінші жағынан, егер P палитрасы өзгерістен қалса және сурет I'=M(I) деп өзгертілсе, онда іске асыру сурет өзгерісі арқылы жүзеге асырылады. Көп жағдайда палитраны ауыстыру жақсы, өйткені ол бастапқы деректерді сақтайды. Бұл әдістің модификациялары жалпы жаһандық контрастқа қарағанда жергілікті контрастты баса көрсету үшін субистограмма деп аталатын бірнеше гистограммаларды қолданады. Мұндай әдістердің мысалдары болып адаптивті гистограмманы теңестіру, контрасты шектейтін адаптивті гистограмманы теңестіру немесе CLAHE, көп шыңды гистограмманы теңестіру (MPHE) және көп мақсатты бета-оптимизацияланған бигистограмманы теңестіру (MBOBHE) жатады. Бұл әдістердің, әсіресе MBOBHE әдістерінің мақсаты - жарықтылық орташа ауысуын және HE алгоритмін өзгерту арқылы егжей-тегжейін жоғалту артефактілерін тудырмай, контрасты жақсарту. Гистограмманы теңестіруге тең сигнал трансформациясы биологиялық нейрондық желілерде де пайда болады, бұл кіріс статистикасының функциясы ретінде нейронның шығыс атылу жылдамдығын барынша арттырады. Бұл әсіресе, ұшқанның торшасында дәлелденген. Гистограмманы теңестіру - гистограмманы қайта карталау әдістерінің жалпы класының ерекше жағдайы. Бұл әдістер бейнелерді талдауды жеңілдету немесе визуалды сапаны жақсарту үшін түзетуді көздейді (мысалы, ретинес).
This method usually increases the global contrast of many images, especially when the image is represented by a narrow range of intensity values. Through this adjustment, the intensities can be better distributed on the histogram utilizing the full range of intensities evenly. This allows for areas of lower local contrast to gain a higher contrast. Histogram equalization accomplishes this by effectively spreading out the highly populated intensity values which are used to degrade image contrast. The method is useful in images with backgrounds and foregrounds that are both bright or both dark. In particular, the method can lead to better views of bone structure in x ray images, and to better detail in photographs that are either over or under exposed. A key advantage of the method is that it is a fairly straightforward technique adaptive to the input image and an invertible operator. So in theory, if the histogram equalization function is known, then the original histogram can be recovered. The calculation is not computationally intensive. A disadvantage of the method is that it is indiscriminate. It may increase the contrast of background noise, while decreasing the usable signal. In scientific imaging where spatial correlation is more important than intensity of signal (such as separating DNA fragments of quantized length), the small signal to noise ratio usually hampers visual detections. Histogram equalization often produces unrealistic effects in photographs; however it is very useful for scientific images like thermal, satellite or x ray images, often the same class of images to which one would apply false color. Also histogram equalization can produce undesirable effects (like visible image gradient) when applied to images with low color depth. For example, if applied to 8 bit image displayed with 8 bit gray scale palette it will further reduce color depth (number of unique shades of gray) of the image. Histogram equalization will work the best when applied to images with much higher color depth than palette size, like continuous data or 16 bit gray scale images. There are two ways to think about and implement histogram equalization, either as image change or as palette change. The operation can be expressed as P(M(I)) where I is the original image, M is histogram equalization mapping operation and P is a palette. If we define a new palette as P'=P(M) and leave image I unchanged then histogram equalization is implemented as palette change or mapping change. On the other hand, if palette P remains unchanged and image is modified to I'=M(I) then the implementation is accomplished by image change. In most cases palette change is better as it preserves the original data. Modifications of this method use multiple histograms, called subhistograms, to emphasize local contrast, rather than overall global contrast. Examples of such methods include adaptive histogram equalization, contrast limiting adaptive histogram equalization or CLAHE, multipeak histogram equalization (MPHE), and multipurpose beta optimized bihistogram equalization (MBOBHE). The goal of these methods, especially MBOBHE, is to improve the contrast without producing brightness mean shift and detail loss artifacts by modifying the HE algorithm. A signal transform equivalent to histogram equalization also seems to happen in biological neural networks so as to maximize the output firing rate of the neuron as a function of the input statistics. This has been proved in particular in the fly retina. Histogram equalization is a specific case of the more general class of histogram remapping methods. These methods seek to adjust the image to make it easier to analyze or improve visual quality (e. g., retinex)
Артқа қарай проекциялау
Гистограммалық кескіннің артқы проекциясы (немесе "жобалау") – бұл өзгертілген гистограмманы бастапқы кескінге қайта қолдану, ол пикселдің жарықтық деңгейі үшін анықтама кестесі ретінде жұмыс істейді. Барлық кіріс бір арналы кескіндерінен бірдей орналасқан пикселдердің әрбір тобы үшін, функция гистограмманың интервалдық мәнін мақсатты кескінге орналастырады, мұнда интервалдың координаттары осы кіріс тобындағы пикселдердің мәндерімен анықталады. Статистикалық тұрғыдан алғанда, әрбір шығыс кескін пикселінің мәні, сәйкес кіріс пикселдер тобының гистограммасы қолданылған нысанға жататын ықтималдығын көрсетеді.
The back projection (or "project") of a histogrammed image is the re application of the modified histogram to the original image, functioning as a look up table for pixel brightness values. For each group of pixels taken from the same position from all input single channel images, the function puts the histogram bin value to the destination image, where the coordinates of the bin are determined by the values of pixels in this input group. In terms of statistics, the value of each output image pixel characterizes the probability that the corresponding input pixel group belongs to the object whose histogram is used.
Түсті бейнелер
Жоғарыда сұр түсті кескіндегі гистограмманы теңестіру сипатталған. Дегенмен, оны түсті суреттерде де қолдануға болады, суреттің RGB түстерінің қызыл, жасыл және көк компоненттеріне жеке-жеке осы әдісті қолдану арқылы. Бірақ, RGB кескінінің қызыл, жасыл және көк компоненттеріне бірдей әдісті қолдану, алгоритмді қолдану нәтижесінде түсті каналдардың салыстырмалы таралуы өзгеретіндіктен, суреттің түс тепе-теңдігінде айқын өзгерістерге әкелуі мүмкін. Егер сурет алдымен басқа түсті кеңістікке, атап айтқанда Lab түсті кеңістігіне немесе HSL/HSV түсті кеңістігіне түрлендірілсе, онда алгоритм суреттің түсі мен қанықтығын өзгертпей, жарықтыққа немесе мәнге қолданылуы мүмкін. 3D кеңістікте гистограмманы теңестірудің бірнеше әдістері бар. Траханиас және Венецанопулос 3D түсті кеңістікте гистограмманы теңестіруді қолданды. Бірақ, бұл "ақтандыру" эффектісіне алып келеді, онда ақ пикселдердің болу ықтималдығы қара пикселдерге қарағанда жоғары болады. Хан және авторлар изолюминант жазықтығымен анықталатын жаңа CDF қолдануды ұсынды, бұл сұр түстің біртекті таралуын қамтамасыз етеді.
The above describes histogram equalization on a grayscale image. However it can also be used on color images by applying the same method separately to the Red, Green and Blue components of the RGB color values of the image. However, applying the same method on the Red, Green, and Blue components of an RGB image may yield dramatic changes in the image's color balance since the relative distributions of the color channels change as a result of applying the algorithm. However, if the image is first converted to another color space, Lab color space, or HSL/HSV color space in particular, then the algorithm can be applied to the luminance or value channel without resulting in changes to the hue and saturation of the image. There are several histogram equalization methods in 3D space. Trahanias and Venetsanopoulos applied histogram equalization in 3D color space However, it results in "whitening" where the probability of bright pixels are higher than that of dark ones. Han et al. proposed to use a new cdf defined by the iso luminance plane, which results in uniform gray distribution.
Мысалдар
Статистикалық қолданудың дәйектестігі үшін "CDF" (яғни, жиынтық үлестіру функциясы) "жиынтық гистограмма" деп ауыстырылуы тиіс, әсіресе мақалада жиынтық гистограммадағы мәндерді пикселдердің жалпы санына бөлу арқылы туындайтын жиынтық үлестіру функциясына сілтеме жасалған. Теңестірілген CDF ренгі арқылы анықталады.
For consistency with statistical usage, "CDF" (i. e. Cumulative distribution function) should be replaced by "cumulative histogram", especially since the article links to cumulative distribution function which is derived by dividing values in the cumulative histogram by the overall amount of pixels. The equalized CDF is defined in terms of rank as .
Артықшылықтар
Кейіпті суреттер: Гистограмманы теңестіру суреттерді егжей-тегжейлі көрсетіп, жалпы көрінісін жақсартады. Объектілерді табуға көмектеседі: Бұл компьютерлік бағдарламаларға суреттердегі маңызды белгілерді анықтауға көмектеседі, медициналық диагноз қою немесе объектілерді тану сияқты міндеттер үшін пайдалы. Қолдану оңай: Гистограмманы теңестіруді қолдану үшін сіз маман болуыңыз міндетті емес. Бұл түсінікті әдіс және сурет өңдеу және компьютерлік көру саласындағы жаңадан бастаушылар оны қолдана алады. Уақытты және ресурстарды үнемдейді: Ол сурет пиксельдерімен тікелей жұмыс істейтіндіктен, қосымша деректер немесе күрделі конфигурация қажет емес, бұл оны нақты уақыт қолданбалары мен шектеулі есептеу қуаты бар құрылғылар үшін тиімді етеді.
Better Looking Images: Histogram equalization makes images look better by making the details clearer and improving their overall appearance. Helps Spot Things: It can help computer programs spot important features in images, which is handy for tasks like medical diagnosis or identifying objects. Easy to Use: You don't need to be an expert to use histogram equalization. It's straightforward and can be used by beginners in image editing and computer vision. Saves Time and Resources: Since it works directly on the image pixels, you don't need extra data or complicated setup, making it efficient for real time applications and devices with limited computing power.
Кемшіліктер
Кейде гистограмманы теңестіру кескіндерді кішкентай бөлшектерді күшейтіп немесе текстураларды тым анық көрсету арқылы ерекше көрінетін етеді, бұл көзді алаңдатуы мүмкін. Жергілікті егжей-тегжейлермен жақсы жұмыс істемейді: Ол ұсақ бөлшектерді жақсы сақтамауы мүмкін, әсіресе кескіннің жарық және қараңғы бөліктері бар жерлерінде. Баптау мүмкіндігі жеткіліксіз: Ол кескіннің барлық бөлігін бірдей өңдейді, бұл нақты жарық жағдайлары немесе ерекше қасиеттері бар кескіндер үшін тиімді болмауы мүмкін. Дәл реттеу қиын: Гистограмманы теңестіру параметрлерін реттеу қиынға соғуы мүмкін, ал оны дұрыс орнату үшін көбінесе кескін өңдеуді жақсы білу қажет.
Can Make Things Look Strange: Sometimes, histogram equalization can make images look odd by exaggerating small details or making textures too prominent, which can be distracting. Not Good with Local Details: It might not preserve small details well, especially in areas of the image that have both bright and dark parts. Not Customizable Enough: It treats the whole image the same way, which might not work well for images with specific lighting conditions or unique characteristics. Tricky to Fine Tune: Adjusting the settings for histogram equalization can be tricky, and getting it just right often requires a good understanding of image processing.