Цифровые фотоаппараты

• Во-первых, большинство изображений, в процессе их формирования (фотографирования сканирования и т.д.), подвергаются влиянию ряда негативных факторов (вибрация фотокамеры, неравномерность движения сканирующего элемента и т.д.), приводящих к смазанности, появлению малоконтрастных и зашумленных участков и т.д.
• во-вторых, подавляющее большинство методов основано на выделении объектов на изображении и дальнейшем их анализе.

      Таким образом, прежде чем подвергнуться  анализу, изображение должно пройти этап препарирования, который состоит  в выполнении операций улучшения  визуального качества (повышение  контраста, устранение размытости, подчеркивание  границ, фильтрация) и операций формирования графического препарата (сегментация, выделение контуров) изображения.

      Изменение контраста. Слабый контраст обычно вызван малым динамическим диапазоном изменения яркости, либо сильной нелинейностью в передаче уровней яркости. Простейшим методом контрастирования является функциональное отображение градации яркости f_ij в g_ij, то есть g_ij = R(f_ij). На практике очень часто используют линейные функциональные отображения. Если в результате неравномерности освещения при фотографировании или изготовлении фотографий, возникает ситуация, когда различные участки изображения обладают разным контрастом. В таком случае для изменения контраста используют адаптивные алгоритмы контрастирования. Примером может служить алгоритм локального усиления контраста. Экспериментальные исследования подтвердили высокую эффективность работы алгоритма в том случае, если на снимке присутствуют области с явно завышенным или заниженным контрастами.

      Суть  алгоритма состоит в том, что  снимок рассматривается как набор  некоторого числа локальных областей, и эти области обрабатываются с учетом их характеристик. Обработка  ведется в следующей последовательности: вычисляется коэффициент усиления срезов плотности р отдельно для каждого локального участка изображения. И осуществляется обработка каждого пикселя изображения. Если р равно единице, то над локальным участком изображения никакого действия не производится (если р отлично от единицы, то осуществляется повышение контраста локальной области). Первоначально вычисляется контраст в анализируемой точке относительно ближайшей окрестности. Затем значение относительного контраста складывается с единицей, и полученное значение принимается в алгоритме как коэффициент усиления p, а далее производится вычисление по формуле L_i^{`</sup> = p*L<sub>i</sub> – int(p*L<sub>i</sub>/L<sup>`}_max)*L^{`</sup><sub>max</sub>, где L<sup>`}_i - новое значение яркости, L_i - текущая яркость обрабатываемого изображения, L^`_max - необходимое максимальное значение яркости обработанного изображения.

      Сглаживание шумов. Изображения на этапе оцифровки подвергаются воздействию аддитивного и импульсного шума. Аддитивный шум представляет собой некоторый случайный сигнал, который прибавляется к полезному на выходе системы, в рассматриваемом случае аддитивный шум возникает вследствие зернистости пленки. Импульсный шум, в отличие от аддитивного, характеризуется воздействием на полезный сигнал лишь в отдельных случайных точках (значение результирующего сигнала в этих точках принимает случайное значение). Импульсный шум характерен для цифровых систем передачи и хранения изображений. Таким образом, в процессе препарирования изображения возникает задача подавления шума.

      Простейшим  методом, сглаживающим шум, на изображении  является сглаживание, т.е. замена значения яркости каждого элемента средним  значением, найденным по его окрестности: f_ij = (1/p)*S_k,l(fkl), где f_kl Î S₈(f_ij) — множество точек, принадлежащих окрестности точки f_ij (включая и саму точку f_ij); p — число точек в окрестности.

      Рассмотренный метод эффективно устраняет аддитивный и импульсный шум в каждом элементе изображения

      Подчеркивание границ. Методы сглаживания изображений могут устранять шум очень эффективно. Существенным недостатком алгоритмов сглаживания является смаз изображения (т.е. снижение четкости контурных элементов), при этом величина смаза пропорциональна размеру маски, используемой для сглаживания. Для однозначного анализа изображений, особенно при вычислении геометрических характеристик структурных элементов, очень важно убрать смаз с контуров объектов в изображении, то есть усилить разницу между градациями яркости контурных элементов объекта и соседних элементов фона. В этом случае при обработке изображений используются методы подчеркивания контуров.

      Обычно  подчеркивание границ осуществляется методом высокочастотной пространственной фильтрации. Характеристики фильтров задаются в виде маски, в которой  среднее значение должно быть равно  нулю.

      Еще одним методом подчеркивания  границ является так называемое статическое  дифференцирование. В этом методе значение яркости каждого элемента делится  на статистическую оценку среднеквадратического  отклонения s_F, то есть g_ij = f_ij/s_F (среднеквадратическое отклонение вычисляется в некоторой окрестности элемента f_ij).

      Медианная фильтрация. Медианная фильтрация относится к нелинейным методам обработки изображений и имеет следующие преимущества перед линейной фильтрацией (классической процедуры сглаживания): сохраняет резкие перепады (границы); эффективно сглаживает импульсный шум; не изменяет яркость фона.

      Медианная фильтрация осуществляется путем движения некоторой апертуры (маски) вдоль  дискретного изображения и замены значения центрального элемента маски  медианным значением (среднее значение упорядоченной последовательности) исходных элементов внутри апертуры. В общем случае, апертура может  иметь самую разнообразную форму, но на практике чаще всего применяется  квадратная апертура размером (2k+1)*(2k+1), где k=1,2,...

      Сегментация изображений. Под сегментацией изображения понимается процесс его разбиения на составные части, имеющие содержательный смысл: объекты, их границы или другие информативные фрагменты, характерные геометрические особенности и др. В случае автоматизации методов получения изображений сегментацию необходимо рассматривать как основной начальный этап анализа, заключающийся в построении формального описания изображения, качество выполнения которого во многом определяет успех решения задачи распознавания и интерпретации объектов.

      В общем случае сегментация представляет собой операцию разбиения конечного  множества плоскости, на которой  определена функция исходного изображения  f(x,y) на k непустых связанных подмножеств s_i (i=[1,k]) в соответствии с некоторым предикатом P, определяемом на множестве S={s₁,s₂,…,s_k} и принимающий истинные значения, когда любая пара точек из каждого подмножества s_i удовлетворяет некоторому критерию однородности (например, критерий однородности, основанный на оценке максимальной разности яркости отдельного пикселя и среднего значения яркости, вычисленного по соответствующей области). 
 
 

      Методы  сегментации можно разделить  на следующие основные группы:

      1. Пороговые методы сегментации.  Эти методы заключается в преобразовании  функции яркости изображения  оператором вида:

TH: f(i,j)         f_s(i,j),

         l_p при T_p £ f_s(i,j) < T_p+1

f_s(i,j) = íl₀ при f_s(i,j) £ T₀

         l_k-1 при f_s(i,j) > T_k-1,

где f_s(i,j) — сегментированное изображение; k — число областей сегментации; l₀, l₁ , ..., l_k-1 — метки сегментированных областей; T₀, T₁ , ..., T_k-1 — упорядоченные величины порогов T₀<T₁<T_k-1 (при выборе порогов применяют, как правило, гистограмму распределения яркостей цифрового изображения).

      2. Методы наращивания областей. Методы  этой группы основаны на использовании  локальных признаков изображения.  Идея метода наращивания областей  состоит в анализе сначала  стартовой точки, затем ее соседних  точек и т.д. в соответствии  с некоторым критерием однородности, и в последующем зачислении  проанализированных точек в ту  или иную группу (количество стартовых  точек должно быть равно количеству  однородных областей на изображении). В более эффективных вариантах  метода в качестве отправной  точки используются не отдельные  пиксели, а разбиение изображения  на ряд небольших областей. Затем  каждая область проверяется на  однородность, и если результат  проверки оказывается отрицательным,  то соответствующая область разбивается  на более мелкие участки. Процесс  продолжается до тех пор, пока  все выделенные области не  выдержат проверку на однородность. После этого начинается формирование  однородных областей при помощи  наращивания.

      Проведенный анализ показывает, что пороговая  сегментация и сегментация по критерию однородности на основе средней  яркости часто не дает желаемых результатов. Такая сегментация обычно приводит к появлению значительного числа  небольших областей, не имеющих реальных прототипов на изображении. Наиболее эффективные  результаты дает сегментация по критерию однородности на основе текстуры (или  текстурных признаков).

      Выделение контуров. Не редко приходится сталкиваться с задачей нахождения периметров, кривизны, факторов формы, удельной поверхности объектов и т.д. Все перечисленные задачи так или иначе связаны с анализом контурных элементов объектов.

      Методы  выделения контуров (границ) на изображении  можно разделить на следующие  основные классы:

• методы высокочастотной фильтрации;
• методы пространственного дифференцирования;
• методы функциональной аппроксимации;

      Общим для всех этих методов является стремление рассматривать границы как область  резкого перепада функции яркости  изображения f(i,j); отличает же их вводимая математическая модель понятия границы и алгоритм поиска граничных точек.

      В соответствии с поставленными задачами к алгоритмам выделения контуров предъявляются следующие требования: выделенные контура должны быть утоньщенными, без разрывов и замкнутыми. Таким  образом, процесс выделения контуров несколько усложняется в связи  необходимостью применять алгоритмы  утоньшения и устранения разрывов. Однако и это не всегда дает желаемого  результата – в большинстве случаев контуры получаются незамкнутыми и, как следствие, непригодными для ряда процедур анализа.

      Разрешить возникшую задачу можно, производя  оконтуривание алгоритмом прослеживания  границ методом “жука”, который  позволяет выделить замкнутые контура  объектов [9]. Суть алгоритма состоит  в следующем: на объекте выбирается некоторая стартовая граничная  точка и долее происходит последовательное прослеживание контура до тех  пор, пока не будет достигнута стартовая  точка. В случае прослеживания контура  по часовой стрелке для достижения стартовой точки осуществляется по пиксельное движение вправо, если пиксель  находится вне объекта, и влево, если – на объекте.

      Выделенный  таким образом контур представляет собой замкнутый цепной код, т.е. последовательность координат граничных  точек объекта, что очень удобно для решения поставленных задач.

3. Принципы  действия цифровых фотокамер.

      В цифровой, в отличие от оптической, фототехнике роль светочувствительного элемента выполняют CCD-матрицы или CCD-линейки, преобразующие изображение в  последовательность электрических  импульсов цифрового кода. 
Механической основой для цифровых камер с CCD-матрицей служат полупрофессиональные и профессиональные фотоаппараты ведущих мировых производителей, в которых CCD-матрица ставится на место светочувствительной пленки. Такие фотоаппараты имеют сменную оптику, съемное запоминающее устройство, встроенную вспышку. Затвор таких камер отрабатывает выдержки от 1/40000 до нескольких секунд. Они применяются в основном для оперативной фотосъемки. 
Принцип действия цифровой фотокамеры с CCD-линейкой аналогичен планшетному сканеру. Принимающий элемент (CCD-линейка) движется вдоль чувствительной зоны камеры, постоянно сканируя заданное пространство. Таким образом, принцип действия цифровой фотокамеры состоит в следующем: пучок лучей света от объекта съемки, проходя через линзу (или систему линз) объектива и диафрагму, попадает на матрицу CCD (Charged Coupled Device). Матрица CCD или, как ее еще называют, ПЗС (преобразователь свет-сигнал) представляет собой прямоугольную матрицу из светочувствительных элементов. Луч света, попадая на чувствительный элемент, преобразуется в аналоговый электрический сигнал. Аналоговые сигналы от CCD преобразуются в цифровые, обрабатываются и записывается в память. Преобразование сигналов в цифровую форму производится с помощью аналого-цифрового преобразователя ADC.