پردازش تصویر کمی: 5 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:57

(شکل بالا مقایسه روش پردازش تصویر موجود با پردازش تصویر کمی را نشان می دهد. به نتیجه بهبود یافته توجه کنید. تصویر بالا سمت راست مصنوعات عجیبی را نشان می دهد که از فرض نادرست که تصاویر چیزی مانند نور را اندازه گیری می کنند ، ناشی می شود. تصویر سمت راست پایین با انجام همان کار نتیجه بهتری را نشان می دهد از نظر کمی

در این دستورالعمل شما یاد خواهید گرفت که چگونه با استفاده از یک مفهوم بسیار ساده ، عملکرد سیستم های تصویربرداری یا حس بینایی موجود را تا حد زیادی بهبود بخشید: سنجش تصویر کمی

پردازش تصویر کمی با هر یک از موارد زیر بسیار بهبود می یابد:

• پردازش تصویر موجود مانند محو شدن تصویر ؛
• یادگیری ماشین ، بینایی کامپیوتر و تشخیص الگو ؛
• تشخیص چهره پوشیدنی (به https://wearcam.org/vmp.pdf مراجعه کنید) ، دید مبتنی بر هوش مصنوعی و هوش مصنوعی و غیره.

ایده اصلی این است که تصاویر را به صورت کمی از پیش پردازش و پس پردازش کنیم ، به شرح زیر:

1. محدوده دینامیکی تصویر یا تصاویر را گسترش دهید.
2. تصویر یا تصاویر را طبق معمول پردازش کنید.
3. محدوده دینامیکی تصویر یا تصاویر را فشرده کنید (به عنوان مثال واگرد مرحله 1).

در دستورالعمل های قبلی ، برخی از جنبه های حسگر HDR (محدوده دینامیکی بالا) و سنجش کمی را آموزش دادم ، به عنوان مثال. خطی بودن ، اضافه کردن و غیره..

اکنون اجازه دهید از این دانش استفاده کنیم.

هر روشی را که می خواهید استفاده کنید انجام دهید. نمونه ای که نشان می دهم محو کردن تصویر است ، اما می توانید از آن برای تقریباً هر چیز دیگری نیز استفاده کنید.

مرحله 1: محدوده دینامیکی تصویر یا تصاویر خود را گسترش دهید

(ارقام اقتباس شده از "پردازش تصویر هوشمند" ، سری John Wiley and Sons Interscience ، استیو مان ، نوامبر 2001)

اولین قدم گسترش دامنه دینامیکی تصویر ورودی است.

در حالت ایده آل ، ابتدا باید عملکرد پاسخ دوربین ، f را تعیین کنید و سپس عکس العمل معکوس ، f معکوس را روی تصویر اعمال کنید.

دوربین های معمولی دارای محدوده دینامیکی فشاری هستند ، بنابراین ما معمولاً می خواهیم یک تابع گسترده را اعمال کنیم.

اگر عملکرد پاسخ را نمی دانید ، سعی کنید با یک کار ساده مانند بارگذاری تصویر در یک آرایه تصویر ، ارسال متغیرها به یک نوع داده مانند (float) یا (double) ، و افزایش هر مقدار پیکسل به یک نماد ، مانند ، برای مثال ، مربع سازی هر مقدار پیکسل.

بنیاد و پایه:

چرا ما داریم این کار را می کنیم؟

پاسخ این است که اکثر دوربین ها محدوده دینامیکی خود را فشرده می کنند. دلیل انجام این کار این است که اکثر رسانه های نمایشی دامنه پویا را گسترش می دهند. این کاملا تصادفی است: میزان نور ساطع شده توسط یک صفحه نمایش تلویزیونی لوله کاتد تقریباً برابر ولتاژ افزایش یافته به توان 2.22 است ، به طوری که وقتی ولتاژ ورودی ویدئو تقریباً به نصف برسد ، میزان نور ساطع شده بسیار زیاد است. کمتر از نصف.

رسانه های عکاسی نیز دارای گستره پویا هستند. به عنوان مثال ، یک کارت خاکستری عکاسی "خنثی" 18 light از نور حادثه ای را منتشر می کند (نه 50 of از نور برخوردی). این نور زیاد (18)) در وسط پاسخ در نظر گرفته می شود. بنابراین همانطور که می بینید ، اگر به نمودار خروجی به عنوان تابعی از ورودی نگاه کنیم ، رسانه های نمایشی طوری رفتار می کنند که گویی نمایشگرهای خطی ایده آلی هستند که قبل از پاسخ خطی ایده آل ، دارای گستره پویا هستند.

در شکل بالا ، در بالا ، می توانید صفحه نمایش را مشاهده کنید که دارای خط نقطه ای است و معادل داشتن یک گسترش دهنده قبل از نمایش خطی ایده آل است.

از آنجا که نمایشگرها به طور ذاتی گسترده هستند ، دوربین ها باید فشرده سازی شوند تا تصاویر در نمایشگرهای موجود خوب به نظر برسند.

در زمانهای قدیم که هزاران نمایشگر گیرنده تلویزیون و فقط یک یا دو ایستگاه پخش (به عنوان مثال فقط یک یا دو دوربین تلویزیونی) وجود داشت ، قرار دادن یک غیر خطی فشرده در دوربین آسانتر از فراخوانی همه تلویزیونها و در هر گیرنده تلویزیون یک عدد قرار دهید

به طور تصادفی این امر همچنین به کاهش نویز کمک کرد. به صورت صوتی ما این را "دالبی" ("متقابل") می نامیم و برای آن ثبت اختراع می کنیم. در فیلم کاملا اتفاقی رخ داده است. استکهام پیشنهاد کرد که ما باید لگاریتم تصاویر را قبل از پردازش تهیه کنیم و سپس آنتیلوگ را بگیریم. چیزی که او متوجه نشد این است که اکثر دوربین ها و نمایشگرها این کار را کاملا تصادفی انجام می دهند. در عوض ، آنچه من پیشنهاد کردم این است که ما دقیقاً برعکس آنچه استکهام پیشنهاد کرده بود عمل کنیم. (به "پردازش تصویر هوشمند" ، سری John Wiley and Sons Interscience ، صفحه 109-111 مراجعه کنید.)

در تصویر پایین ، پردازش تصویر ضد همومورفیک (کمی سنجی) را مشاهده می کنید ، جایی که ما مرحله گسترش و فشرده سازی محدوده دینامیکی را اضافه کرده ایم.

مرحله 2: پردازش تصاویر ، یا انجام رایانه ، یادگیری ماشین یا موارد مشابه

مرحله دوم ، پس از گسترش دامنه پویا ، پردازش تصاویر است.

در مورد من ، من به سادگی یک دور زدایی از تصویر را انجام دادم ، با عملکرد تار ، یعنی محو شدن تصویر ، همانطور که در هنر قبلی مشهور است.

دو دسته گسترده برای سنجش تصویر کمی وجود دارد:

• کمک به مردم برای دیدن ؛
• ماشین های کمکی را ببینید.

اگر ما سعی می کنیم به مردم کمک کنیم (که نمونه ای است که در اینجا نشان می دهم) ، هنوز کارمان تمام نشده است: باید نتیجه پردازش شده را به فضای تصویر برگردانیم.

اگر به ماشین ها کمک می کنیم تا ببینند (به عنوان مثال تشخیص چهره) ، اکنون کارمان تمام شده است (نیازی به ادامه مرحله 3 نیست).

مرحله 3: دامنه پویای نتیجه را دوباره فشرده کنید

هنگامی که ما در محدوده دینامیکی گسترده کار می کنیم ، گفته می شود که در "فضای نور" (فضای تصاویر کمی) هستیم.

در پایان مرحله 2 ، ما در فضای نوری هستیم و باید به فضای تصویر برگردیم.

بنابراین این مرحله 3 در مورد بازگشت به فضای تصویر است.

برای انجام مرحله 3 ، فقط محدوده دینامیکی خروجی مرحله 2 را فشرده کنید.

اگر عملکرد پاسخ دوربین را می دانید ، به سادگی آن را اعمال کنید تا نتیجه حاصل شود ، f (p (q)).

اگر عملکرد پاسخ دوربین را نمی دانید ، فقط یک حدس خوب بزنید.

اگر پیکسل های تصویر را در مرحله 1 مربع کرده اید ، اکنون وقت آن است که ریشه مربعی هر پیکسل تصویر را بگیرید تا به حدس و گمان خود در مورد فضای تصویر بازگردید.

مرحله 4: ممکن است بخواهید برخی از تغییرات دیگر را امتحان کنید

Deblurring تنها یکی از نمونه های احتمالی است. به عنوان مثال ، ترکیب چندین نوردهی را در نظر بگیرید.

هر دو عکس مانند دو موردی که در بالا دارم را بگیرید. یکی در روز و دیگری در شب گرفته می شد.

آنها را با هم ترکیب کنید تا تصویری شبیه غروب ایجاد کنید.

اگر فقط آنها را با هم متوسط کنید ، زباله به نظر می رسد. این را خودتان امتحان کنید!

اما اگر ابتدا دامنه دینامیکی هر تصویر را گسترش دهید ، سپس آنها را اضافه کرده و سپس دامنه پویایی مجموع را فشرده کنید ، بسیار عالی به نظر می رسد.

پردازش تصویر (افزودن تصاویر) را با پردازش کمی اندازه گیری تصویر (گسترش ، افزودن و سپس فشرده سازی) مقایسه کنید.

می توانید کد من و نمونه مطالب دیگر را از اینجا بارگیری کنید:

مرحله 5: ادامه دهید: اکنون آن را با کامپوزیت های تصویر HDR امتحان کنید

(تصویر بالا: کلاه ایمنی جوشکاری HDR از پردازش تصویر کمی برای پوشش های واقعیت افزوده استفاده می کند. به Slashgear 2012 12 سپتامبر مراجعه کنید.)

به طور خلاصه:

یک تصویر بگیرید و مراحل زیر را اعمال کنید:

1. گسترش دامنه دینامیکی تصویر ؛
2. پردازش تصویر ؛
3. محدوده دینامیکی نتیجه را فشرده کنید.

و اگر می خواهید نتیجه بهتری بگیرید ، موارد زیر را امتحان کنید:

ضبط تعدادی از تصاویر متفاوت در معرض دید ؛

1. طبق دستورالعمل قبلی من در HDR ، محدوده پویا را به فضای نور گسترش دهید.
2. تصویر کمی اندازه گیری شده ، q را در فضای نوری پردازش کنید.
3. محدوده پویا را از طریق tonemapping فشرده کنید.

از آن لذت ببرید و لطفاً روی "من آن را درست کردم" کلیک کنید و نتایج خود را ارسال کنید ، و من خوشحال می شوم که نظر بدهم یا راهنمایی سازنده ارائه دهم.