Lung-Yu,Tsai 的部落格

在對影像分析時會需要知道影像像數值的分布狀況，可以透過直方圖進行分析。

以下是將影像R、G、B分別進行統計後繪出各自顏色的分布。

#include <opencv2/opencv.hpp>

using namespace std;

int main(){
        Mat src, dst;

        const char* source_window = "Source image";
        const char* equalized_window = "Equalized Image";

        /// 載入圖檔
        src = imread("C:\\images\\lena.jpg", 1);
        if (!src.data)
                return -1;

        /// 轉成灰階
        cvtColor(src, src, COLOR_BGR2GRAY);

        /// 使用色階分佈圖 (Histogram) 等化(Equalization)
        equalizeHist(src, dst);

        /// 顯示結果
        namedWindow(source_window, WINDOW_AUTOSIZE);
        namedWindow(equalized_window, WINDOW_AUTOSIZE);

        imshow(source_window, src);
        imshow(equalized_window, dst);

        waitKey();
        return EXIT_SUCCESS;

|

由下圖可見Power-Law相較於log的轉換幅度較小，因此若資料不須不如log如此敏感之轉換曲線時可採用Power-Law。其轉換公式如下。

Prewitt也是透過兩個不同的遮罩分別找到垂直邊緣與水平邊緣後，將遮罩與套入即可求得影像邊緣。

在影像分析之中常見的分析手法是透過投影(projection)後找到最適合的分割點，進而成功取得感興趣的區域。

其方法是透過統計垂直/水平 上所有的像素點。

傅立葉轉換主要是將時域空間的資訊轉換為頻域空間的資訊。

傅立葉轉換圖解可參照下圖(引用維基百科)。

Image Processin 形態學上之處理基礎有Erosion、Dilation以及其延伸Opening、Closing四種，以下分別進行說明。

有時為強化影像之輪廓可以採用"Laplacian 邊緣偵測"，強化影像邊緣。

其概念是梯度的散度,即是針對X 軸與Y 軸分別二次偏微分，然後相加。

影像上有時會發現出現一點一點的雜訊，此種雜訊稱之為胡椒鹽雜訊(Salt and pepper noise)，此類雜訊可以透過Median Filter過濾雜訊，使得影像較為接近原始的狀態。

有時為強化影像之輪廓可以採用"Sobel 邊緣偵測"，強化影像邊緣。

當影像銳度如果太高希望使其看起來較為自然一點時可採用"Mean Filter"

8 Bit plane slicing 主要是進行影像分割，經影像切割出來以觀察其高頻與低頻訊息。

通常為了分辨圖像識別會進行"Binary Thresholding"。

其透過設立一門檻值(Threshold value)，將像數值大於門檻值的像素點設為255，小於則設為0。

當影像的色階集中於集中於某些極端的位置時，會導致影像顏色非常相近，因此人眼難以辨別其細節。

此時可以採用"Histogram equalization"，將其資訊等比例放大後影像則可更清晰可視。

影像轉換中可以透過"Log Transform" 或 "Power – law" 將較為不明顯的資訊強化出來，其曲線圖如下所示。

由此可見Log對於較為陰暗的影像有較敏感的轉換能力，因此當影像有部分地方較為黑暗需強化其訊號可以選用"Log Transform"將其強化。

在C# 影像處理中bitmap的像數值提取主要可分為三種方式 :

• 提取像素法
• 內存法
• 指標法

以灰階影像處理進行效能比較之效果如下，由此測試可發現"內存法"與"指標法"速度遠快於"像素法"，而"指標法"又略快於"內存法"。