Главная › Телефон › Контрастирование изображения в labview. Обработка данных в средах MathCAD и LabVIEW. Контрастирование цветных изображений

Контрастирование изображения в labview. Обработка данных в средах MathCAD и LabVIEW. Контрастирование цветных изображений

Цель данного курсового проекта заключается в реализации предлагаемых алгоритмов и методов обработки массивов данных (цифровых изображений) с помощью сред MathCAD и LabVIEW, а так же сравнительный анализ двух рассматриваемых приложений, указав их преимущества и недостатки, по отношению друг к другу. Следует отметить среды MathCAD и LabVIEW являются наиболее наглядными и часто используемыми для решения различных инженерных вычислительных задач и исследовательских проблем.

Обработка цифровых изображений является достаточно ярким и наглядным примером преобразования и анализа измерительных данных. Цифровое преобразование изображений широко используют в промышленных системах машинного зрения, измерительных видеосистемах, прикладных телевизионных системах, вещательном телевидении и так далее.

Назначение цифрового преобразования изображений состоит в создании условий для улучшения восприятия изображения (например, в рентгено- или ультразвуковой медицинской диагностике), формировании определенного художественного образа (в телевидении), выделении информативных признаков (в системах распознавания изображений, измерительных системах, системах мониторинга) и так далее.

В данном курсовом проекте будут использованы такие цифровые преобразования как, импортирование данных из полученного файла в массив; инверсия изображения; линейное контрастирование исходного изображения; построение линейной и кумулятивной исходного и контрастированного изображения; бинаризация полученного изображения после линейного контрастирования с различными порогами бинаризации; двукратное увеличение контрастированного изображения, используя экстраполяцию нулевого порядка и интерполяцию первого порядка для восстановления промежуточных пикселей изображения; экспортирование контрастированного и восстановленных изображений в bmp файлы.

Следует различать обработку изображений, предназначенных для зрительного восприятия, и обработку в устройствах автоматического анализа, где на первый план выходят задачи выделения признаков, определения точных текущих координат объекта и формирования данных о количественных характеристиках.

Исследуемые изображения отражают закономерности взаимодействия светового и другого электромагнитного излучения с отдельными участками изучаемой сцены. Модуляция лучистого потока происходит как по величине энергии, так и по спектральному распределению и осуществляется в результате взаимодействия излучения с исследуемым веществом вследствие явлений поглощения, отражения, рассеяния, преломления, поляризации или интерференции. Именно на этих свойствах, как правило, основано использование обработки изображений в системах автоматического анализа с целью извлечения количественной информации об исследуемых объектах.

Подготовка исходного изображения

Создание исходного цифрового изображение путем цифровой фотосъемки и дальнейшей обработки в редакторе Abode Photoshop. Сохранение полученного изображения в формате bmp, размером 300х300 пикселей (Рис п. 1).

Обработка изображений путем поэлементных преобразований

Результат обработки в любой точке кадра зависит только от значения входного изображения в этой же точке. Очевидным достоинством таких процедур является их предельная простота. Вместе с тем, многие из них приводят к очевидному субъективному улучшению визуального качества. Этим определяется внимание, которое уделяется поэлементным процедурам. Не преувеличивая их роли, отметим, что очень часто поэлементная обработка применяется как заключительный этап при решении более сложной задачи обработки изображения. Часто бывает полезным подчеркнуть, усилить какие-то черты, особенности, нюансы наблюдаемого изображения с целью улучшения ее субъективного восприятия.

Представление полученного изображения в матричном виде

Инверсия изображения

Под инверсией изображения понимается получение негатива из исходного изображения и наоборот (Рис 2а, б). При использовании восьми битового формата изображения градации серого уровень яркости кодируется 256 уровнями (от 0 до 255). Фактически осуществляется преобразование белого в черный, учитывая все 256 уровней кодирования (Рис п. 2).

Линейное контрастирование изображения

Задача контрастирования связана с улучшением согласования динамического диапазона изображения и экрана, на котором выполняется визуализация. В рассматриваемом случае формата градаций серого на кодирование каждого отсчета изображения отводится 1 байт (8 бит) запоминающего устройства, поэтому уровни могут принимать одно из 256 значений. Обычно в качестве рабочего используется диапазон 0...255; при этом значение 0 соответствует при визуализации уровню черного, а значение 255 – уровню белого. Предположим, что минимальная и максимальная яркости исходного изображения равны и соответственно. Если эти параметры или один из них существенно отличаются от граничных значений яркостного диапазона, то визуализированная картина выглядит как ненасыщенная, неудобная, утомляющая при наблюдении.

Получим ненасыщенное изображение (Рис п. 3), а потом, с помощью линейного контрастирования, улучшим его качество (Рис 3а, б, Рис п. 4).

Построение линейной и кумулятивной гистограмм изображения

Для цифрового изображения формата градации серого, шкала яркостей которого принадлежит целочисленному диапазону 0...255, гистограмма представляет собой таблицу из 256 чисел. Каждое из них показывает количество точек в кадре, имеющих данную яркость.

Линейная гистограмма определяет полный перебор матрицы изображения. Значение элементов матрицы в свою очередь являются индексами массива гистограммы. При выборе какого-либо элемента матрицы к соответствующему элементу массива гистограммы добавляется единица. В итоге, после полного перебора матрицы каждый элемент массива отражает общее число элементов матрицы с соответствующим уровнем яркости (Рис 4а, 5а, Рис п. 5а, б).

У кумулятивной гистограммы любое значение элемента массива равно сумме всех предыдущих (Рис 4б, 5б, Рис п. 6а, б).

Бинаризация изображения

Преобразование с пороговой характеристикой превращает полутоновое изображение, содержащее все уровни яркости, в бинарное, точки которого имеют яркости 0 или 255.

Такая операция, называемая иногда бинаризацией или бинарным квантованием, может быть полезной, когда для наблюдателя важны очертания объектов, присутствующих на изображении, а детали, содержащиеся внутри объектов или внутри фона, не представляют интереса (Рис 6а, б).

Двукратное увеличение изображений

Масштабирование изображений является весьма важной задачей при анализе изображений. Эта задача неразрывно связанна с проблемой восстановления данных, так как при увеличении физических размеров изображения всегда возникают промежуточные пиксели, значение которых не известно. Определение уровней яркости новых пикселей и есть основная решаемая задача. Однако оба предлагаемых метода хорошо применимы только для одномерных массивов, поэтому сначала необходимо произвести операцию восстановления данных построчно, игнорируя строки только с новыми пикселями (всеми нулевыми значениями), а затем проделать ту же операцию для столбцов полученной матрицы.

Интерполяция первого порядка

Интерполяция первого порядка заключается в приравнивании новому пикселю среднего значения двух соседних оригинальных пикселей (Рис 8а, б, Рис п. 8).

Вывод

В данной курсовой работе были рассмотрены две программные среды - MathCAD и LabVIEW. В качестве объекта исследования было использовано восьмибитное изображение размером 300х300 пикселей. В ходе исследования было выяснено, что качество конечных и промежуточных результатов, полученных с помощью обеих сред, оказалось идентичным. Одним из достоинств среды LabVIEW является наглядность алгоритма выполнения и интуитивный понятный интерфейс, что является существенным преимуществом по сравнению с программой MathCAD. Однако, если сравнивать затрачиваемые ресурсы ПК, необходимые для выполнения поставленных задач, то видно, что для одних и тех же алгоритмов LabVIEW необходима гораздо мощная «машина». Это отчетливо видно в разделах «интерполяция» и «экстраполяция». По моему мнению, спектр решаемых задач в среде LabVIEW шире, чем у среды MathCAD. Но в рамках данной курсовой работы это увидеть нельзя. Поэтому можно сделать вывод, что MathCAD является оптимальной программой для реализации поставленной задачи.

Список литературы

1. Руководство к курсовому проектированию: Обработка данных в средах MathCAD и LabVIEW, Таганрог 2007 г.

Приложение

Рис п. 1

Для выполнения курсового проекта сначала необходимо получить мою фотографию в цифровом виде с размерами 120х300 пикселов в формате bmp. Для этого необходимо взять свою фотографию, и в программеACDSeeпосле редактирования, получить необходимое для работы изображение. Исходное изображение представлено на рис. 1.

Рис. 1. Исходное изображение.

Импортирование данных из полученного графического файла в массив.

Приложение, разработанное в среде LabVIEW, для импортирования графического файла и преобразования его в двумерный массив использует следующие функции:

ВП читает файл BMP и формирует данные изображения, необходимые для отображения файла на индикаторе рисунка.

ВП выводит 1- , 4- или 8-битовое изображение или 24-битовое RGB изображение на индикатор рисунка.

Этот ВП берет одномерный массив байтов, предполагая, что пользователь выполнил все операции упаковки и заполнения.

ВП преобразует кластер данных изображения в двумерный массив.

Данный ВП целесообразно использовать на выходе одного из ВП подпалитры. Графические форматы (Graphics Formats), выполняющих чтение графических файлов, для преобразования данных изображения в двумерное представление.

Если на вход ВП подаются 32-битовые данные изображения, то ВП удаляет альфа-канал и возвращает 24-битовое изображение.

На рис.2 представлен результат, полученный на лицевой панели приложения.

Рис. 2 Отображение исходного файла и преобразование его в двумерный массив

Инверсия изображения.

На рис. 3 показана блок-диаграмма, которую я использовала для получения негатива в среде LabVIEW. Принцип построения этой блок-диаграммы основан на инверсии изображения.

Под инверсией изображения понимается получение негатива из исходного изображения и наоборот.

Операцию инверсии изображения математически можно записать следующим образом:

С помощью формулы (1) осуществляется преобразование белого в черный.

Рис.3 Блок-диаграмма для получения негатива изображения.

Лицевая панель для схемы на рис. 3 представлена на рис. 4. Здесь видна разница между исходным изображением и его негативом.

Рис. 4 Лицевая панель для получения негатива изображения.

Для выполнения инверсии изображения в приложении использовались следующие функции:

ВП преобразует изображение в рисунок, что позволяет использовать другие ВП из подпалитры Функции рисунка (Picture Functions) для добавления инструкций рисования элементов на изображении.

Данный полиморфный ВП позволяет преобразовывать 1-битовые, 4-битовые, 8-битовые или полноцветные изображения.

ВП преобразует рисунок в кластер данных изображения, который может быть далее сохранен в файле с помощью ВП из подпалитры Графические форматы (Graphics Formats).

Вход фоновый цвет (Background Color) устанавливает фоновый цвет изображения.

ВП производит запись файла в формате BMP.

Функции входов путь к файлу BMP (path to BMP file) и данные изображения (image data).

2. Линейное контрастирование исходного изображения.

Принцип построения блок-диаграммы рис. 5 для получения ненасыщенного и контрастированного изображения основан на способе линейного контрастирования изображения.

Контрастирование изображения связано с улучшением согласования динамического диапазона изображения и размеров экрана, на котором выполняется визуализация.

Рис. 5 Блок-диаграмма для получения ненасыщенного изображения и контрастированного изображения.

Лицевая панель для схемы на рис. 5 представлена на рис. 6. На ней можно увидеть разницу между ненасыщенным изображением и контрастированным изображением. Также здесь показаны значения минимальной и максимальной яркостей точек изображения.

Рис. 6 Лицевая панель для получения ненасыщенного изображения и контрастированного изображения.

Для реализации контрастирования исходного изображения в приложении использованы следующие функции:

Функция возвращает максимальное и минимальное значения, найденные в массиве (array), вместе с индексами каждого значения.

Вход массив может быть n-мерным массивом произвольного типа.

Выходы максимальное значение (max value) и минимальное значение (min value) имеют тот же тип и структуру данных, что и элементы входного массива.

Выход максимальный индекс (max index) отображает индекс первого максимального значения. Если массив является многомерным, то выход максимальные индексы (max indexes) представляет массив, элементами которого являются индексы первого максимального значения массива.

Выход минимальный индекс отображает индекс первого минимального значения.

Если массив является многомерным, то выход минимальные индексы представляет массив, элементами которого являются индексы первого минимального значения массива.

Если числовой массив является одномерным, то выходы максимальный индекс и минимальный индекс являются скалярными целыми (а). Если числовой массив является многомерным, то эти выходы представляют одномерный массив, который содержит индексы максимального и минимального значений (б).

В байтовое целое без знака.

Функция преобразует входное число в 8-битовое целое число без знака в диапазоне от 0 до 255.

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ТЕХНОЛОГИЧЕСКИЙ ИНСТИТУТ

_____ЮЖНОГО ФЕДЕРАЛЬНОГО УНИВЕРСИТЕТА в г. Таганроге

Факультет электроники и приборостроения (ФЭП)

Кафедра автоматизированных систем научных исследований и экспериментов (АСНИиЭ)

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА

к курсовой работе

по дисциплине

«Компьютерные технологии в приборостроении»

«Обработка данных в среде графического программирования Lab VIEW »

Введение

Цель данного курсового проекта заключается в реализации предлагаемых алгоритмов и методов обработки массивов данных (цифровых изображений) с помощью LabVIEW. LabVIEW являются наиболее наглядными и часто используемыми для решения различных инженерных вычислительных задач и исследовательских проблем.

Естественные изображения имеют некомпьютерное происхождение. В

них почти нет резких цветовых переходов. Компьютерные рисунки, как

в прочем и любые другие, подразделяются на два типа: растровые и векторные.

Растровые изображения хранятся как прямоугольная матрица с элементами,

определяющими яркость цветовых составляющих. Векторные изображения

представляют собой последовательность команд для их построения. Пример

команды – круг с центром в какой-либо точке и с определенным радиусом,

текстурированный материалом под дерево. Преимущество растровых

изображений – простота воспроизведения и реалистичность, недостаток –

большой занимаемый объем, проблемы с масштабированием. У векторных

изображений, наоборот, преимущество – небольшой занимаемый объем,

легкость масштабирования, а недостаток – необходимость предварительной

обработки перед воспроизведением и трудность создания реалистических

изображений. В дальнейшем мы будем рассматривать только растровые изображения как прямоугольную матрицу.

Рассмотрим основные форматы, применяемые в компьютерной обработке

изображений.

Черно-белый формат . Каждый элемент матрицы представлен одним

битом. Если он равен единице, то его отождествляеют с черным цветом, если

равен нулю – с белым. Это самый простой формат, он применяется при печати

газет, распознавании текстов и подписей.

Формат Grayscale (градации серого). Отличие данного формата от

предыдущего состоит в том, что для каждого элемента матрицы отводится 8

битов (один байт). Это позволяет нам использовать 256 уровней серого цвета.

Если элемент матрицы равен 0, то имеем белый цвет, с возрастанием

значения элемента до 255 яркость изображения снижается, и при равенстве

значения элемента 255 получаем черный цвет. В промежутке от 0 до 255

уровней будут располагаться серые цвета по правилу: чем ближе значение к

255, тем темнее будет серый. Данный формат позволяет получать довольно

качественные черно-белые изображения.

Многоканальный формат . В данном случае элемент матрицы представлен в виде вектора с координатами используемой цветовой модели.

Обычно вектор трехмерный, так как человеческий глаз реагирует на три

различные цветовые составляющие. Каждый компонент вектора чаще всего

занимает один байт памяти.

Индексированный формат используется для уменьшения объемов

изображения или для использования определенных цветов. Элемент матрицы

является указателем на таблицу цветов. Число используемых цветов равно

2K, где K – количество битов памяти, используемых для хранения элемента

матрицы. Цвета в указываемой таблице могут кодироваться другим числом

битов. Например, в 256 цветовых режимах видеоадаптеров выбирается 256

цветов из 262 144 возможных, так как выбираемые цвета представляются в

RGB-формате и для каждого цветового компонента кодируются шестью

На всех этапах данного курсового проекта осуществляется обработка

изображений в черно-белом формате или формате градаций серого.

Подготовка исходного изображения

Создание исходного цифрового изображение путем цифровой фотосъемки и дальнейшей обработки в любом графическом редакторе. Сохранение полученного изображения в формате bmp, размером 300х300 пикселей (Рис 2).

Обработка изображений путем по элементных преобразований

Улучшение визуального качества цветных изображений

Большой практический интерес представляет задача улучшения качества цветных изображений. В большинстве случаев под улучшением имеется в виду повышение качества визуального восприятия. Рассмотрим несколько подходов, которые применяются при решении этой задачи. Это – выравнивание гистограммы значений яркостей элементов изображения (эквализация), растяжение динамического диапазона значений яркостей изображения, контрастирование и нечеткое маскирование. Особенностью рассматриваемой задачи является то, что большинство известных подходов разрабатывались для улучшения качества не цветных, а полутоновых изображений. Задача повышения качества цветных изображений, в отличии от полутоновых, имеет свои особенности. Однако, в данном материале при решении задачи повышения визуального качества цветных изображений будем использовать только этот инструментарий и функции, которые реализованы в приложении Image Processing Toolbox.

Выравнивание гистограммы значений яркостей элементов изображения (эквализация)

Довольно часто исходным необработанным изображениям свойственны яркостные искажения. Причины могут быть самые разные, но в большинстве случаев это объясняется несовершенством аппаратуры формирования видеоданных. В результате, на таких изображениях детали различаются плохо или вообще не различаются. Для повышения контрастности таких изображений используют различные методы видоизменения гистограмм. Приведем пример повышения визуально качества изображения путем выравнивания гистограммы значений яркостей его элементов. Для этого будем использовать встроенную в приложение Image Processing Toolbox функцию histeq.

Считаем исходное изображение в рабочее пространство Matlab

L=imread("forest.bmp"); L=double(L)./255;

и визуализируем его.

Figure, imshow(L);

Известно, что в приложении Image Processing Toolbox изображения представляются в цветовом пространстве RGB или в виде индексированных изображений. Сначала реализуем выравнивание гистограмм значений яркостей отдельно по каждой цветовой составляющей в пространстве RGB.

L_R=histeq(L_R); L_G=histeq(L_G); L_B=histeq(L_B); L(:,:,1)=L_R; L(:,:,2)=L_G; L(:,:,3)=L_B; figure, imshow(L);

При обработке цветных изображений довольно часто используется цветовая система HSV. В литературе утверждается, что эта цветовая система более адекватно отображает восприятие цвета человеком, чем RGB.

Преобразуем исходное изображение в формат HSV с помощью функции rgb2hsv.

L_hsv(:,:,3)=histeq(L_hsv(:,:,3));

Для визуализации результата необходимо провести обратное преобразование в цветовое пространство RGB.

L=hsv2rgb(L_hsv); figure, imshow(L);

Растяжение динамического диапазона значений яркостей изображения

Еще одним известным подходом, который широко используется для улучшения визуального качества изображений, является растяжение динамического диапазона значений его яркостей

L=imread("krepost.bmp"); L=double(L)./255; figure, imshow(L);

Исходное изображение представлено в цветовом пространстве RGB. Проведем растяжение динамического диапазона его яркостей по каждой цветовой составляющей.

L_R=L(:,:,1);L_G=L(:,:,2);L_B=L(:,:,3);

Определим минимальные и максимальные значения яркостей всех цветовых составляющих. Эти данные будут являться исходными для этого метода коррекции градационных искажений.

MIN_L_R=min(min(L_R));MIN_L_G=min(min(L_G));MIN_L_B=min(min(L_B)); MAX_L_R=max(max(L_R));MAX_L_G=max(max(L_G));MAX_L_B=max(max(L_B));

Характер преобразований определяется параметром . Если =1 , то преобразование линейное. Однако довольно часто, особенно если исходное изображение содержит темные или светлые области большой площади, более эффективные нелинейные преобразования при .

A=.5; L_R=((L_R-MIN_L_R)./(MAX_L_R-MIN_L_R)).^a; L_G=((L_G-MIN_L_G)./(MAX_L_G-MIN_L_G)).^a; L_B=((L_B-MIN_L_B)./(MAX_L_B-MIN_L_B)).^a; L(:,:,1)=L_R; L(:,:,2)=L_G; L(:,:,3)=L_B;

Визуализируем результат преобразования.

Figure, imshow(L);

Теперь, как и в предыдущем примере, представим изображение в цветовой системе HSV

L_hsv=rgb2hsv(L);

и реализуем эту же процедуру растяжения динамического диапазона значений цветового тона.

A=.5; L_hsv(:,:,3)=((L_hsv(:,:,3)-min(min(L_hsv(:,:,3))))./(max(max(L_hsv(:,:,3)))-min(min(L_hsv(:,:,3))))).^a; L=hsv2rgb(L_hsv);

Представим результат.

Figure, imshow(L);

Контрастирование цветных изображений

Рассмотрим еще один подход, который используется для повышения визуального качества изображений – контрастрование. При реализации этого подхода будем использовать функцию imfilter.

Считаем исходное изображение и визуализируем его.

L=imread("canoe.bmp"); L=double(L)./255; figure, imshow(L);

Каждую цветовую составляющую изображения, которое представлено в формате RGB, будем обрабатывать отдельно.

L_R=L(:,:,1);L_G=L(:,:,2);L_B=L(:,:,3);

Для этого выберем маску фильтра, повышающую контраст изображения

H = fspecial("unsharp");

и применим ее к каждой цветовой составляющей.

L_R=imfilter(L_R,h); L_G=imfilter(L_G,h); L_B=imfilter(L_B,h); L(:,:,1)=L_R; L(:,:,2)=L_G; L(:,:,3)=L_B;

Визуализируем результат контрастирования изображения, представленного в цветовом пространстве RGB.

Figure, imshow(L);

Представим это же изображение в цветовой системе HSV и проведем аналогичные преобразования.

L_hsv=rgb2hsv(L); L_hsv(:,:,3)=imfilter(L_hsv(:,:,3),h); L=hsv2rgb(L_hsv

Представим результат проведенных преобразований.

Figure, imshow(L);

Методы нечеткого маскирования

Рассмотрим еще один класс методов – методы нечеткого маскирования, которые также применяются для повышения визуального качества изображений.

Сначала считаем и визуализируем исходное изображение.

L=imread("hestain.bmp"); L=double(L)./255; figure, imshow(L);

L_R=L(:,:,1);L_G=L(:,:,2);L_B=L(:,:,3); MEAN_L_R=mean(mean(L_R));MEAN_L_G=mean(mean(L_G));MEAN_L_B=mean(mean(L_B)); a=3; L_R=MEAN_L_R+a.*(L_R-MEAN_L_R); L_G=MEAN_L_G+a.*(L_G-MEAN_L_G); L_B=MEAN_L_B+a.*(L_B-MEAN_L_B); L(:,:,1)=L_R; L(:,:,2)=L_G; L(:,:,3)=L_B;

Представим результат преобразования.

Figure, imshow(L);

L_hsv=rgb2hsv(L);

и применим метод нечеткого маскирования.

MEAN_L_hsv=mean(mean(L_hsv(:,:,3))); L_hsv(:,:,3)=MEAN_L_hsv+a.*(L_hsv(:,:,3)-MEAN_L_hsv); L=hsv2rgb(L_hsv);

Представим результат проведенного преобразования.

Figure, imshow(L);

Метод нечеткого маскирования, который был использован для повышения резкости цветных изображений, можно реализовать иначе. Рассмотрим это более детально.

Как и в предыдущих примерах, сначала продемонстрируем работу метода при обработке отдельных цветовых составляющих. Для этого считаем исходное изображение в рабочую область Matlab и визуализируем его.

L=imread("westconcordaerial.bmp"); figure, imshow(L);