• Keine Ergebnisse gefunden

Bildauswertung und -bearbeitung

N/A
N/A
Protected

Academic year: 2022

Aktie "Bildauswertung und -bearbeitung"

Copied!
10
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Prof. Dr. Aris Christidis • WS 2018 / 19

Bildauswertung und -bearbeitung

 Wichtiges Werkzeug der Bildanalyse:

Verwendung der binär codierten Pixel als Meßwerte für Helligkeit

(Statistische Auswertung, Anwendung von Rechenverfahren, Retusche…)

DIPintro.c

(2)

Prof. Dr. Aris Christidis • WS 2018 / 19

Bildauswertung und -bearbeitung

Histogramm: Grafische Darstellung absoluter Häufigkeiten (Bildv.: Auftretenshäufigkeit von Farb- und Grauwerten)

Übung: DIPhisto.c

(3)

Prof. Dr. Aris Christidis • WS 2018 / 19

Bildauswertung und -bearbeitung

Nutzung des Histogramms zur Feststellung der im Bild vorkommenden Grau-/Farbtöne (z.B. zur Abschätzung des Codierungsbedarfs oder der Kompressionsmöglichkeiten)

16 Grauwerte

(4)

Prof. Dr. Aris Christidis • WS 2018 / 19

Bildauswertung und -bearbeitung

Bildbearbeitung: 3 Klassen von Operationen (Verfahren):

Punktoperationen (Pixeloperationen): Pixel-Grauwert im Ergebnisbild abhängig nur vom Grauwert im Eingangsbild z.B. Histogramm-Modifikation, Schwellenoperation

Lokale Operationen (Maskenoperationen): Pixel-Grauwert im Ergebnisbild abhängig von Grauwerten innerhalb eines Fensters („Maske“) um das aktuelle Pixel

z.B. Schärfungs- / Glättungsoperationen, Kantendetektion

Globale Operationen: Pixel-Grauwert im Ergebnisbild abhängig von Grauwerten im gesamten Bild

z.B. Fourier-Transformation, Hough-Transformation

„Grauwert“ steht hier als Synonym für Grau- o. Farbwert:

Farbbild als parallele Darstellung / Behandlung von drei Farbauszügen (RGB)

(5)

Prof. Dr. Aris Christidis • WS 2018 / 19

Punktoperationen

 Verwendung des Histogramms z.B. für die Erstellung von Zuordnungstabellen (engl. Look-Up Tables) zur effizienten Nutzung des verfügbaren Grau-/Farbwertbereichs.

 Typische Anwendung: Spreizung interessanter Grauwert- Bereiche (nach einmaliger Auswertung aller Pixel); hierbei Abhängigkeit jedes Farbwertes im Ergebnisbild von genau

einem korrespondierenden Wert im Ursprungsbild DIPhisto.c

(6)

Prof. Dr. Aris Christidis • WS 2018 / 19

Punktoperationen

Implementierungshinweis:

 Lineare Abbildung der im Bild vorkommenden Grauwerte Bmin ≤ Balt ≤ Bmax in den gewünschten Grauwertbereich Gmin ≤ Gneu ≤ Gmax durch Strahlensatz

Günstigere Ergebnisse bei Abbildung der Grauwert- Differenz (max–min) statt des Gw-Umfangs (max–min+1)

(Gneu – Gmin) : (Gmax–Gmin) = (Balt–Bmin) : (Bmax–Bmin)

Gneu = Gmin + (Balt–Bmin)· (Gmax–Gmin) (Bmax–Bmin)

Gmax

Gmin Gneu Balt

Bmax

Bmin Streckung / Stauchung

des Grauwertbereichs

(7)

Prof. Dr. Aris Christidis • WS 2018 / 19

Punktoperationen

Zur Beachtung:

 Die Farbkomponenten von Farbbildern (R, G, B) belegen meist unterschiedliche Intensitätsintervalle.

Unbedachte Maximierung aller Farbkanäle kann zu Farbstich (Farbverschiebung) führen (vgl. Übung).

DIPhisto.c

(8)

Prof. Dr. Aris Christidis • WS 2018 / 19

Punktoperationen

 Individuelle 1:1-Behandlung der Bildpixel (unabhängig von der bildinternen Statistik) bei der Konvertierung von Farb- in Schwarzweißbilder:

 Meist verwendete Umwandlungsformel für RGB:

0,299 · R + 0,587 · G + 0,114 · B

(angepaßt an S/W-Filme und menschliche Wahrnehmung)

DIPhisto.c

(9)

Prof. Dr. Aris Christidis • WS 2018 / 19

Punktoperationen

 Ebenfalls 1:1-Zuordnung zwischen Pixeln im Ergebnis- und im Ursprungsbild bei Schwellen(wert)operationen (engl. thresholding); mit ihnen werden Pixel jenseits eines ausgewählten Grau-/ Farbwertes o. -bereiches markiert:

[0, …, 59] [255, 0, 128]

Universellere Handhabung bei Implementierung mit Wert- Intervallen statt mit Schwellenwerten

Übung: DIPops.c

(10)

Prof. Dr. Aris Christidis • WS 2018 / 19

Übung

 Implementierung von Funktionen

zur Bildausgabe und Bildauswertung (s. Übungsblatt)

Grauwerte78

Bild: www.imageprocessingplace.com/root_files_V3/image_databases.htm

Referenzen

ÄHNLICHE DOKUMENTE

 Kennzeichen lokaler Operationen: Grauwert- / Farbänderung von Pixeln auf der Grundlage einer (mathematischen, logischen) Verknüpfung mit ihrer „Nachbarschaft“

Large area O(1m 2 ) monolithic pixel detectors with X/X 0 = 0.1% per tracking layer Novel helium gas cooling concept.. Thin scintillating fiber detector with ≤ 1mm thickness

• Minimize material budget of cooling in active volume. • Gaseous Helium: low density, reasonable

[r]

● Resolution as predicted by size of a single pixel (gray markers). ●

Links im Bild erkennt man die Schubfächer, in denen die Artikel aufbewahrt wurden (sogenannter Stehsatz); rechts steht eine kleine Druckmaschine – vermutlich eine der

Die Computerwelt änderte sich aber schlagartig als Apple 1984 einen neuen Computer auf den Markt brachte, der eine grafische Oberfläche hatte.. Mit einem Mal vereinfachten sich

Übertrage alle farbigen Kästchen auf das Raster und male sie in der entsprechenden Farbe aus.. So wird‘S