1

‫مدرس‪ :‬محمدرضا محمدی‬

‫‪1400‬‬

‫‪2‬‬
3
 ‫ارتقاء تصویر‬
‫ارتقاء تصویر پردازشی است که در آن تصویر تولید شده برای پردازشهای بعدی یا برای دیدن مناسبتر‬ ‫‪‬‬
‫از تصویر اصلی باشد‬
‫پردازشهای حوزه مکان در حالت کلی با نماد زیر نشان داده میشوند‬ ‫‪‬‬

‫𝑦 ‪𝑔 𝑥, 𝑦 = 𝑇 𝑓 𝑥,‬‬

‫‪4‬‬
 ‫پردازش نقطهای‬
‫پردازش نقطهای سادهترین شکل همسایگی است که اندازه قاب ‪ 1×1‬است‬ ‫‪‬‬
‫در این حالت‪𝑔(𝑥,𝑦) ،‬تنها به مقدار 𝑓 در نقطه )𝑦‪ (𝑥,‬وابسته است‬ ‫‪‬‬

‫𝑟 𝑇=𝑠‬ ‫𝑇 نیز تابع تبدیل شدت روشنایی یا تابع نگاشت نامیده میشود‬ ‫‪‬‬

‫‪5‬‬
 ‫پردازش نقطهای‬
‫مثال‬ ‫‪‬‬

‫‪6‬‬
 ‫تبدیل گاما‬
‫𝛾 𝑟𝑐 = 𝑠‬

‫‪7‬‬
 ‫هیستوگرام‬
‫هیستوگرام برای یک تصویر دیجیتال با سطوح روشنایی در محدوده ‪ 0 𝐿 − 1‬تابعی است گسسته که‬ ‫‪‬‬
‫به صورت زیر تعریف میشود‪:‬‬
‫𝑘𝑛 = 𝑘𝑟 ‪ℎ‬‬

‫که 𝑘𝑟 یک سطح روشنایی در محدوده مورد نظر است و 𝑘𝑛 تعداد پیکسلهایی است که دارای آن سطح‬ ‫‪‬‬
‫روشنایی هستند‬
‫هیستوگرام نرمالیزه‬ ‫‪‬‬
‫𝑘𝑛‬
‫= 𝑘𝑟 𝑝‬
‫𝑛‬

‫‪8‬‬
9
 ‫هیستوگرام‬
‫هیستوگرام اساس بسیاری از روشهای پردازش تصویر در حوزه مکان را تشکیل میدهد‬ ‫‪‬‬
‫محاسبه نرمافزاری هیستوگرام تصویر و تحقق سختافزاری آن ساده و ارزان است‬ ‫‪‬‬
‫مولفههای هیستوگرام در تصویر با کنتراست باال محدوده وسیعتری از محور سطوح روشنایی را پوشش‬ ‫‪‬‬
‫میدهد‬

‫‪10‬‬
 ‫کشش هیستوگرام‬
‫سادهترین راه برای استفاده از تمام سطوح روشنایی‪ ،‬کشش هیستوگرام است‬ ‫‪‬‬

‫𝑛𝑖𝑚𝑓 ‪𝑓 𝑥, 𝑦 −‬‬
‫𝑦 ‪𝑔 𝑥, 𝑦 = 𝑠𝑡𝑟𝑒𝑡𝑐ℎ 𝑓 𝑥,‬‬ ‫=‬ ‫𝑁𝐼𝑀 ‪𝑀𝐴𝑋 − 𝑀𝐼𝑁 +‬‬
‫𝑛𝑖𝑚𝑓 ‪𝑓𝑚𝑎𝑥 −‬‬

‫‪11‬‬
 ‫کشش هیستوگرام‬

‫‪12‬‬
 ‫کشش هیستوگرام‬
Histogram
Stretching

13
 ‫برش هیستوگرام‬
‫در برش هیستوگرام‪ ،‬بخشی از مولفههای پائین و باال در نمودار هیستوگرام را قطع میکنیم‬ ‫‪‬‬
‫به طور مثال اگر ‪ 1‬درصد از مولفههای باال و پائین را قطع کنیم‪:‬‬ ‫‪‬‬

‫‪𝑓 𝑥, 𝑦 − 𝑓1‬‬
‫𝑦 ‪𝑔 𝑥, 𝑦 = 𝑐𝑙𝑖𝑝 𝑓 𝑥,‬‬ ‫=‬ ‫𝑁𝐼𝑀 ‪𝑀𝐴𝑋 − 𝑀𝐼𝑁 +‬‬
‫‪𝑓99 − 𝑓1‬‬

‫𝑛𝑖𝑚𝑓 ‪𝑓 𝑥, 𝑦 −‬‬
‫𝑦 ‪𝑔 𝑥, 𝑦 = 𝑠𝑡𝑟𝑒𝑡𝑐ℎ 𝑓 𝑥,‬‬ ‫=‬ ‫𝑁𝐼𝑀 ‪𝑀𝐴𝑋 − 𝑀𝐼𝑁 +‬‬
‫𝑛𝑖𝑚𝑓 ‪𝑓𝑚𝑎𝑥 −‬‬

‫‪14‬‬
 ‫کشش هیستوگرام‬
Histogram
Clipping

15
 ‫متعادلسازی هیستوگرام‬
‫متعادلسازی هیستوگرام (‪ )Histogram Equalization‬پردازشی است که هیستوگرام تصویر را تا حد‬ ‫‪‬‬
‫امکان مسطح میکند‬
‫اساس متعادلسازی هیستوگرام مبتنی بر تئوری احتماالت است که در آن هیستوگرام به عنوان تابع‬ ‫‪‬‬
‫توزیع احتمال سطوح روشنایی تصویر در نظر گرفته میشود‬
‫متعادلسازی هیستوگرام برابر با تابعی است که این توزیع احتمال را به توزیع احتمال یکنواخت تبدیل‬ ‫‪‬‬
‫کند‬

‫‪16‬‬
 ‫متعادلسازی هیستوگرام‬

‫‪17‬‬
 ‫متعادلسازی هیستوگرام‬
‫𝑟 𝑇=𝑠‬ ‫‪0≤𝑟 ≤𝐿−1‬‬

‫‪0≤𝑇 𝑟 ≤𝐿−1‬‬ ‫‪𝑇 𝑟2 ≥ 𝑇 𝑟1 for 𝑟2 > 𝑟1‬‬

‫چگالی احتمال شدت روشنایی در تصویر اولیه را با 𝑟 𝑟𝑝 و در تصویر جدید را با 𝑠 𝑠𝑝 نشان میدهیم‬ ‫‪‬‬
‫تابع چگالی احتمال (‪)pdf‬‬ ‫‪‬‬
‫𝑥𝑑 ‪𝑃𝑟 𝑥 ≤ 𝑋 < 𝑥 +‬‬
‫= 𝑥 𝑥𝑝‬
‫𝑥𝑑‬
‫تابع توزیع تجمعی (‪)cdf‬‬ ‫‪‬‬
‫𝑥 ≤ 𝑋 𝑟𝑃 = 𝑥 𝑥𝑃‬
‫𝑥‬ ‫𝑑‬
‫𝑥𝑑 𝑥 𝑥𝑝 ‪𝑃𝑥 𝑥 = න‬‬ ‫= 𝑥 𝑥𝑝‬ ‫𝑥 𝑥𝑃‬
‫∞‪−‬‬ ‫𝑥𝑑‬
‫‪18‬‬
 ‫تبدیل توزیع احتمال‬
‫اگر 𝑇 یک تابع یکنوا از 𝑟 باشد رابطه توزیع احتمال 𝑠 برابر است با‪:‬‬ ‫‪‬‬
‫𝑟𝑑‬
‫𝑟 𝑟𝑝 = 𝑠 𝑠𝑝‬
‫𝑠𝑑‬
‫هدف از متعادلسازی هیستوگرام آن است که توزیع 𝑠 یکنواخت باشد‬ ‫‪‬‬

‫‪1‬‬ ‫𝑟𝑑‬
‫= 𝑠 𝑠𝑝‬ ‫𝑟 𝑟𝑝 =‬
‫‪𝐿−1‬‬ ‫𝑠𝑑‬
‫𝑠𝑑‬ ‫𝑟 𝑇𝑑‬
‫=‬ ‫𝑟 𝑟𝑝 ‪= 𝐿 − 1‬‬ ‫𝑟 𝑟𝑃 ‪⇒ 𝑇 𝑟 = 𝐿 − 1‬‬
‫𝑟𝑑‬ ‫𝑟𝑑‬
‫‪19‬‬
 ‫تبدیل توزیع احتمال گسسته‬
‫𝑘𝑛‬ ‫احتمال تخمینی از هر سطح روشنایی‬ ‫‪‬‬
‫𝑘𝑟 𝑟𝑝‬ ‫=‬
‫𝑛‬
‫تابع تبدیل که معادل با توزیع تجمعی است‬ ‫‪‬‬

‫𝑘‬ ‫𝑘‬
‫‪𝐿−1‬‬
‫𝑘𝑟 𝑇 = 𝑘𝑠‬ ‫= 𝑗𝑟 𝑟𝑝 ‪= 𝐿 − 1 ෍‬‬ ‫𝑗𝑛 ‪෍‬‬
‫𝑛‬
‫‪𝑗=0‬‬ ‫‪𝑗=0‬‬

‫در فضای گسسته نمیتوان انتظار داشت که توزیع حاصل کامال یکنواخت باشد‬ ‫‪‬‬

‫‪20‬‬
21
22
23
 ‫مثال عددی‬
‫عملیات متعادلسازی هیستوگرام را برای تصویر ‪ 4×4‬زیر انجام دهید (فرض کنید پیکسلها دارای ‪10‬‬ ‫‪‬‬
‫سطح هستند)‬

‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬

‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬

‫‪24‬‬
 ‫مثال عددی‬
𝑘 0 1 2 3 4 5 6 7 8 9

𝑛𝑘 0 0 6 5 4 1 0 0 0 0
𝑘

෍ 𝑛𝑗 0 0 6 11 15 16 16 16 16 16
𝑗=0
𝑘
𝑛𝑗 6 11 15
෍ 0 0 1 1 1 1 1
𝑛 16 16 16
𝑗=0
𝑘
𝑛𝑗
𝐿−1 ෍ 0 0 3.38 6.19 8.44 9 9 9 9 9
𝑛
𝑗=0

Round 0 0 3 6 8 9 9 9 9 9

25
 ‫مثال عددی‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬

‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪8‬‬

‫‪3‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪9‬‬
‫‪3‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪26‬‬
 ‫مثال عددی‬
𝑘 0 1 2 3 4 5 6 7 8 9

𝑛𝑘 0 0 6 5 4 1 0 0 0 0
𝑘

෍ 𝑛𝑗 0 0 6 11 15 16 16 16 16 16
𝑗=0
𝑘
𝑛𝑗 6 11 15
෍ 0 0 1 1 1 1 1
𝑛 16 16 16
𝑗=0
𝑘
𝑛𝑗
𝐿−1 ෍ 0 0 3.38 6.19 8.44 9 9 9 9 9
𝑛
𝑗=0

Round 0 0 3 6 8 9 9 9 9 9

Stretch Round 0 0 0 4 8 9 9 9 9 9

27
 ‫تطبیق هیستوگرام‬
‫کاربردهایی وجود دارد که ارتقاء تصویر به روش یکنواخت ساختن هیستوگرام بهترین راه حل نیست‬ ‫‪‬‬
‫در برخی موارد الزم است که هیستوگرام تصویر مورد پردازش مشابه با یک هیستوگرام از پیش تعیین شده‬ ‫‪‬‬
‫باشد‬
‫میتوان ابتدا تابع متعادلسازی هیستوگرام تصویر ورودی را اعمال کرد و سپس معکوس تابع متعادلسازی‬ ‫‪‬‬
‫تصویر مرجع را بر آن اعمال نمود‬

‫‪28‬‬
29