Разработка цифровой системы контроля качества текстильного материала на базе матричных фотоприборов с зарядовой связью

= =10 мкс, (2.1)

где: - время восприятия изображения, - допустимая величина смещения изображения за время , - скорость перемещения ткани.

Для оценки времени восприятия можно принять, что;

=0,1d =0,10,1=0,01мм, (2.2)

где d - диаметр нити ткани.

При d =0,1 мм и скорости перемещения ткани 60 м/мин, вычисление по выражению (2.2) дает, что необходимое время восприятия изображения должно быть менее 10 мкс. Это не представляет технической сложности. Так, матрица ФПЗС6М допускает длительность входного оптического импульса 1 мкс.

При больших скоростях движения ткани или при невозможности задания малых , для уменьшения отрицательного влияния "смаза" изображения возможно применение методов восстановления изображений (в данном случае методов компенсации "смаза"). Однако, это вызовет увеличение времени на алгоритмическую обработку изображения. К динамическим параметрам системы автоматической правки утка относится также и время, затрачиваемое на алгоритмическую обработку изображения. По результатам проведенных экспериментов с использованием 1ВМ386, время обработки первичного изображения размером 200x200 элементов в соответствии с координатным алгоритмом составляет величину порядка 0,15с. При скорости движения ткани 60 м/мин дискретность измерения по длине ткани будет равна 12 см. Это можно считать достаточным для большинства встречающихся случаев. При практической разработке системы на микропроцессорных комплектах это время может быть существенно уменьшено за счет распараллеливания процессов обработки и адаптации разработанных алгоритмов к конкретному типу процессора [6].

3. Расчётная часть

3.1 Расчёт блока питания

Выбор той или иной схемы вторичного электропитания обусловлен параметрами питающей сети, требованиями к выходным электрическим параметрам, конструктивными особенностями устройства, температурным диапазоном работы, сроком службы, гарантированной надежностью. Основными критериями при выборе и расчете схем являются: масса, габариты, кпд, надежность, стоимость.

Источник питания нужен для получения напряжения заданной величины мощности и качества.

Структурная схема источника питания изображена на рисунке 3.1

Рисунок 3.1 - Структурная схема источника питания: 1-силовой трансформатор (преобразует напряжение сети в напряжение нужной нам величины); 2 - электронный выпрямитель; 3- фильтр сглаживающий; 4 - стабилизатор

Трансформатор - электромагнитное устройство переменного тока, предназначенное для изменения напряжения, согласования сопротивлений электрических цепей, разделения цепей источника и нагрузки по постоянному току. Основной частью трансформатора является магнитопровод из магнитомягкого материала с размещенными на нем обмотками. Трансформатор питания - трансформатор малой мощности, предназначенный для преобразования напряжения питающей сети в напряжения, необходимое для питания электронной аппаратуры.

Магнитопроводы - для уменьшения потерь на вихревые токи, магнитопроводы трансформаторов набираются из штампованных пластин, навиваются из полос электротехнической стали либо железо-никилиевых сплавов, а также изготовляются из магнитомягких ферритов. Витые (ленточные) магнитопроводы характеризуются возможностью использования материалов различной толщины, что позволяет их применять для трансформаторов при повышенных частотах; лучшим, чем у пластинчатых магнитопроводов, использованием магнитных свойств материалов; несколько повышенными потерями меньшей стоимостью изготовления. Преимуществом магнитопроводов, набираемых из пластин, является возможность изготовления их практически их любых, даже очень хрупких, материалов. По конструкции магнитопроводы разделяют на броневые, стержневые и кольцевые. В броневых магнитопроводах обмотки располагаются на центральном стержне, что упрощает конструкцию, позволяет лучше использовать окно и частично создает защиту обмоток от механических воздействий. Недостатком трансформаторов с броневым магнитопроводом является повышенная чувствительность к воздействию магнитных полей низкой частоты. Это ограничивает применение броневых магнитопроводов для входных трансформаторов. В стержневых магнитопроводах обмотки располагаются на двух стержнях. При этом уменьшается толщина намотки. Кроме того, уменьшается расход провода.

Кольцевые магнитопроводы позволяют наиболее полно использовать магнитные свойства материала, уменьшить внешнее магнитное поле трансформатора, однако применяются сравнительно редко вследствие сложности намотки катушек.

Каркасы, на которые наматываются обмотки трансформаторов, прессуют из пластмассы, склеивают из электрокартона.

Обмотки трансформаторов разделяют на цилиндрические и галетные. Цилиндрическая обмотка проще в изготовлении. При намотке на каркас провод может укладываться рядами или беспорядочно. Галетная обмотка сложнее в изготовлении, но отличается более высокой электрической прочностью и допускает ремонт путем замены галет. Для обмоток трансформаторов применяют медные обмоточные провода. Вид изоляции провода выбирают в зависимости от рабочей температуры обмотки, требуемой ее электрической прочности, допускаемого коэффициента заполнения окна магнитопровода.

Выпрямитель - устройство предназначенное для преобразования энергии источника переменного тока в постоянный ток. Необходимость в подобном преобразовании возникает, когда питание потребителя осуществляется постоянным током, а источником электрической энергии является источник переменного тока, например промышленная сеть частотой 50 Гц. В источниках питания приемно-усилительной находят применение выпрямители однополупериодные, двухполупериодные с выводом средней точки, мостовые, с удвоением напряжения. Чаще всего они выполняются со сглаживающим фильтром, начинающимся с конденсатора, и, следовательно, работает на емкостную нагрузку. Хотя эти выпрямители обладают низким КПД по сравнению с выпрямителями, работающими на индуктивную нагрузку, они позволяют получить меньший коэффициент пульсаций. Однополупериодную схему выпрямителя применяют при мощностях в нагрузке до 5 - 10Вт и тогда, когда не требуется малый коэффициент пульсаций. Достоинства однополупериодного выпрямителя - минимальное число элементов, низкая стоимость. Недостатки - низкая частота пульсаций, плохое использование трансформатора, подмагничивание его магнитопровода постоянным током. Двухполупериодная схема с выводом средней точки дает несколько больший коэффициент использования выпрямительного трансформатора и меньшую по сравнению со схемой однополупериодного выпрямителя пульсацию. Однофазная мостовая схема характеризуется хорошим использованием мощности трансформатора. Весьма существенным преимуществом однофазной мостовой схемы является также и то, что она может быть непосредственно подключена к питающей сети переменного тока. В схеме я использую однофазную мостовую схему выпрямления и мостовую схему выпрямления с выводом нулевой точки трансформатора для получения двух разнополярных напряжений.

Фильтр выпрямителя предназначен для сглаживания переменной составляющей выпрямленного напряжения. Допустимый уровень переменной составляющей определяется условиями эксплуатации и характером работы питаевамого радиотехнического устройства. В источник электропитания радиоаппаратуры наибольшее применение получили простейшие фильтры: емкостные, резистивно-емкостные, индуктивные и т.д. Емкостные фильтры применяются в выпрямителях на токи до 1А. На большие токи емкостные фильтры применяются в тех случаях, когда хотят иметь лучшую частотную характеристику выпрямителя при работе его на импульсную нагрузку.В описанной схеме используется емкостный фильтр.

Стабилизатор - для стабилизации напряжения постоянного тока используются нелинейные, элементы, напряжение на которых мало зависит от тока, протекающего через них. В качестве таких элементов часто применяются кремневые стабилитроны. Полупроводниковые параметрические стабилизаторы (ППС) - наиболее простые. Они характеризуются сравнительно невысокими коэффициентами стабилизации, большим выходным сопротивлением, низким КПД. Принцип работы полупроводниковых параметрических стабилизаторов основан на использовании нелинейности ВАХ кремневых стабилитронов.

Простейший ППС представляет собой делитель напряжения, состоящий из резистора и кремниевого стабилитрона. Нагрузка подключается параллельно кремневому стабилитрону.

Исходными данными для расчета выпрямителя являются номинальное выпрямленное напряжение Uo, ток нагрузки I₀, коэффициент пульсаций К_По, номинальное напряжение питающей сети Ui. Значения U₀, Io определяются параметрами той аппаратуры, питание которой будет осуществляться от выпрямителя. Коэффициент пульсаций, принимаемый для расчета, не должен превышать 0,15, а допустимое относительное значение переменной составляющей напряжения для выбранных конденсаторов фильтра должно быть не меньше 0,05. Расчет выполняется в следующем порядке. Выбирают диоды. Для этого по приближенным формулам вычисляют значение обратного напряжения на диодах U_oбp, среднего тока I_ср и амплитуды тока I_м через диод. В процессе расчета выпрямителя эти значения уточняются.

3.2 Расчет мостовой схемы выпрямления

Расчет выпрямителя

U₀ = 22,5В,

I₀ =250mА,

К_по=0.05,

U₁ = 220В,

fc = 50Гц

U_oбр?3U₀=3*22.5=67.5В. (3.1)

По найденным U_обр и Iср выбираем выпрямительный диод КД109А, у которого U_oбp⁼100B, I_cp=0,3A.

Определяем сопротивление нагрузки выпрямителя

R_н=U₀/1₀ =22,5 /220 * 10^-3 =102.3(Ом). (3.2)

Принимаем сопротивление обмоток трансформатора

r_ТР =0.07R_H =0.07* 102.3 = 7.16(Ом). (3.3)

Находим прямое сопротивление выпрямленного диода по приближенной формуле

r_ТР?U_пр/3I_ср =1/3*0.3 = 1.1(Ом), (3.4)

где U_пр - постоянное прямое падение напряжения на диоде.

Определяем активное сопротивление фазы выпрямителя по формуле

r=r_пр +2r_пр =7.16 + 2*1.1 = 94(Ом). (3.5)

И основной расчетный коэффициент А, который равен:

А_пр =1,6 r/R_н = 1,6 9,4/102.3 = 0,15. (3.6)

Зная А, находим вспомогательные

коэффициенты В, D,F,H:

В=0.95, D=2.3, F=7, Н=400.

По точным формулам вычисляем значение обратного напряжения на диодах, амплитуды и среднего прямого тока через диоды, которые не должны превышать допустимых значений для выбранных диодов.

U_2X =BU₀ =0,95*22,5 = 21,4B, (3.7)

U_OБP =l,4U_2X =1,4*21,4 = 30В, (3.8)

I_м=0,5DI₀ = 0,5 * 2,3 * 250 * 10^-3 = 288mA, (3.9)

I₂=DI₀ / v2=2,3*250*10^-3 / v2=411mA. (3.10)

Выбираем диод КД109А.

Расчет фильтра

Определяем выходную емкость выпрямителя (входную емкость фильтра) по формуле:

С₀=Н/rК_П0 = 400/9,4*0,05?220мкФ. (3.11)

Коэффициент сглаживания фильтра:

q = K_по/K_п1, (3.12)

где К_по и К_п1 - коэффициент пульсаций на входе и выходе фильтра соответственно.

q=K_по/K_п1=0,05/0.01=5. (3.13)

Сз,С4?Со

В итоге выбираем емкости Сз=С₄=200мкФ

3.3 Расчет трансформатора

1. Определяем ток первичной обмотки

, (3.14)

. (3.15)

2. Определяем габаритную мощность трансформатора

P_r=(U₁I₁ +U₂I₂)/2з=(220*67+21,4*411)10^-3./2*0,6=19,7Вm, (3.16)

где з- КПД трансформатора.

3. Определяем произведение

S_MS_OK ? 25Р_Г (1 + з )/ fB_м jk_0K k_M k_ф з , (3.17)

где S_M -площадь сечения магнитной цепи, см²;

Sok - площадь окна магнитопровода, см ;

Р_г - мощность, Вт;

f - частота питающей сети;

В_м - амплитуда магнитной индукции в магнитопроводе, Тл;

j - плотность тока в обмотках A/мм²;

Кок - коэффициент заполнения окна магнитопровода;

к_м - коэффициент заполнения сталью сечения стержня магнитопровода;

к_ф - коэффициент формы кривой напряжения.

Вм=1,5 Тл, j=5A/m, к_ок=0,28, к_м=0,85, к_ф=1,11, f=50Гц, (3.18)

S_мS_ок?25*19,7(1 + 0,6)/50*1,5*5*0,28*0,85*1,11*0,6=13,24см². (3.19)

Выбираем магнитопровод и определяем его размеры: ШЛМ12х16 (а=6мм, Ь=16мм, с=8мм, h=23мм, S_c=1,92cm , S_ok=1,84cm² , 1_Ср=8,1мм).

4. Определяем число витков первичной обмотки по формуле

w_i =2250U_i(1-дU_, 100)/fB_MS_М , (3.20)

где U_i- напряжение на i-й обмотке В;

дU; - допустимое относительное падение напряжения на i-й

обмотке, %.

дU₁=12 %.

дU_i=15 %.

w₁=2250*220(1-12/100)/50*1,5*1,92=3025

w₂ =2250*22,5*2(1-15/100)/50*1,5*1,92 = 163

5. Определяем диаметры проводов обмоток:

d_i = 1,13vI_i/ j , (3.21)

d₁ =1,13v I₁/ j =1.13v67*10^-3 /5=0.131

d₂ =1,13v 1₂/ j =1.13v411* 10^-3 /5 =0.344

Выбираем ПЭВ-2:

d₁=0,063мм, d_1ИЗ=0.09мм

d₂=0.08мм , d₂из⁼0.11мм

Рисунок 3.2 - Электрическая схема блока питания

FU1 FU2 - 0,25А предохранители;

SA2- сдвоенный тумблер П2К;

T1 - понижающий трансформатор;

Конденсаторы К50-16:С1 =0,047 мкФ;

С2=1000 мкФ;

С3 = С4 = 200 мкФ;

VD1 - диод КД109А;

VT1 - транзистор КТ816А;

R1 - резистор ОМЛТ;

DA1 - микросхема КР142ЕН8Б;

DA2 - микросхема КР142ЕН5А.

4. Анализ эффективности использования различных прикладных программ для улучшения качества изображений

4.1 Adobe Photoshop

Adobe Photoshop - графический редактор, разработанный и распространяемый фирмой Adobe Systems. Этот продукт является лидером рынка в области коммерческих средств редактирования растровых изображений и наиболее известным продуктом фирмы Adobe. Часто эту программу называют просто Photoshop (Фотошоп). Несмотря на то, что изначально программа была разработана для редактирования изображений для печати на бумаге (прежде всего, для полиграфии), в данное время она широко используется в веб-дизайне. В более ранней версии была включена специальная программа для этих целей -- Adobe ImageReady. Photoshop тесно связан с другими программами для обработки медиафайлов, анимации и другого творчества. Основной формат Photoshop, PSD, может быть экспортирован и импортирован всеми программными продуктами, перечисленными выше. Photoshop поддерживает следующие цветовые модели или способы описания цветов изображения (в нотации самой программы -- режим изображения): RGB, LAB, CMYK, Grayscale, Bitmap, Duotone, Indexed, Multichannel.

Поддерживается обработка изображений как с традиционной глубиной цвета (8 бит, 256 градаций яркости на канал), так и с повышенной (16 бит, 65536 оттенков в каждом канале). Возможно сохранение в файле дополнительных элементов, как то: направляющих (Guide), каналов (например, канала прозрачности -- Alpha channel), путей обтравки (Clipping path), слоёв, содержащих векторные и текстовые объекты. Файл может включать цветовые профили (ICC), функции преобразования цвета (transfer functions) [7].

Инструменты программы Photoshop просты и в тоже время очень эффективны.

Фотошоп имеет огромное количество инструментов для обработки на все случаи жизни. Рассмотрим самые простые и эффективные из них.

Dodge Tool/Burn Tool (DBT). Главная функция DBT - осветление/затемнение отдельных участков изображения. По сути, вы можете «рисовать» затемнение или наоборот - осветлять снимок. Это очень просто. DBT имеет всего две, но очень важные настройки.

Вы можете использовать этот инструмент на темные (Shadows), светлые (Highlights) или нейтральные (Midtones) области фотографии. Например, вам нужно осветлить темные участки подбородка (при обработке портрета), а светлые оставить нетронутыми. В таком случае ставится режим Shadows в Dodge Tool, и она будет осветлять только темные участки мест, на которые она применяется.

Clone Stamp. В фотошопе существует несколько инструментов для ретуши изображений, и каждый из них по своему хорош. Но «Штамп» - самый универсальный в применении инструмент.

В настройках штампа важно обратить внимание на два параметра: mode и opacity.

Mode - это режимы, в которых будет работать штамп. Например, в режиме Darken штамп будет «заменять» только более светлые зоны, нежели выбранный участок. По сути - вы можете затемнять светлые зоны изображения, оттого и название режима - Darken. И, сооветственно, в режиме Lighten штамп будет работать только на более темные зоны изображения, осветляя их.

Opacity - значит непрозрачность. Проще говоря, чем меньше вы поставите процент в этой настройке, тем более прозрачная будет «работа» штампа. Например, при 100 % штамп полностью заменит выбранный участок, а при 50 % - будет полупрозрачным.

Также можно заретушировать, например, нежелательный объект в кадре. Если, конечно, он не занимает половину фотографии.

Очень удобно использовать штамп для устранения небольших пересветов.

History Brush. Данный инструмент - это машина времени для обработки фотографий. Вы можете брать любую стадию обработки и кисточкой рисовать из нее по вашему изображению.

History Brush таит в себе огромные возможности. Например, можно увеличивать резкость только на нужных вам участках изображения. Безусловно, увеличение резкости не единственная область ее применения

Black&White. Главная функция инструмента Black&White - «правильный» перевод цветного изображения в черно - белое. Правильный потому, что вы можете изменять черно - белое отображение каждого из цветов. Тем самым вы сможете получить красивую черно - белую картинку.

Shadow/Highlights (S/H). Этот инструмент создан, чтобы затемнять пересвеченные области и высветлять области с тенью. Кроме самого очевидного применения - устранять пересветы и недосветы, S/H отлично работает также и для создания ощущения большей глубины картинки. В светлые области добавляются темные полутоны, а в темные - светлые. Тем самым, картинка станет более объемной и глубокой.

На самом деле, S/H - совершенно незаменимый инструмент для любой серьезной обработки. Практически любую фотографию можно сделать лучше, если грамотно применить S/H.

Все эти инструменты очень просты в использовании, но при этом - очень эффективны.

4.2 Adobe Premiere Pro

Adobe Premiere Pro - это еще один мощный пакет программ для редактирования уже видеоизображения с широким спектром возможностей по обработке данных в режиме реального времени и поддержкой практически всех, в том числе и самых новых, стандартов. Потрясающие инструменты для обработки аудио и видео-файлов в режиме реального времени обеспечат вам полный контроль над всеми элементами проекта.

Главные особенности новой версии - работа с популярными цифровыми форматами, среди которых HDV, HD, SD и Flash Video. Программа поддерживает захват и редактирование содержимого в формате HDV без необходимости конвертирования, что дает возможность получать видео максимального качества.

Программа Adobe Premiere включает в себя много различных инструментов, которые позволяют управлять цветокоррекцией, изменять резкость и контраст изображения. Также имеются фильтры для устранения различных шумов.

Нужно понимать, что помимо того большого количества времени, которое вы тратите на настройку параметров цветокоррекции вашего видеоматериала, вам потребуется увеличить примерно в 3 - 4 раза время на рендеринг откорректированного видео по сравнению с обычными временными затратами. И иногда бывает более целесообразно оставить весь видеоматериал вашего любительского фильма неоткорректированным, но однородным по тональной и цветовой гамме, чем заниматься его коррекцией. Если же вы хотите получить максимально качественный результат из вашего исходного видеоматериала, не считаясь с затратами на его обработку и подготовку - то эти инструменты подходят идеально.

Если же вы ставите перед собой задачу исказить (стилизировать) ваше видео до неузнаваемости, да еще и динамически (чтобы измения цветов в клипе менялись с течением времени), и при этом не разобрались с соответсвующими фильтрами стандартной поставки программы и у вас нет дополнительных плагинов стилизации - то и в этом случае фильтры, представленные в данной программе, могут вам пригодиться.

4.3 MATLAB

Интегрированные среды для моделирования и исполнения программ цифровой обработки изображений и сигналов содержат мощные средства для инженерно-научных расчетов и визуализации данных. Большинство современных пакетов поддерживает визуальное программирование на основе блок-схем. Это позволяет создавать программы специалистам, не владеющим техникой программирования. К таким пакетам относится Image Processing Toolbox системы MATLAB, разработанный фирмой MathWorks. Этот пакет владеет мощными средствами для обработки изображений. Они имеют открытую архитектуру и позволяют организовывать взаимодействие с аппаратурой цифровой обработки сигналов, а также подключать стандартные драйвера.

MATLAB - это набор прикладных программ для выполнения задач и решения технических вычислений на основе языка программирования четвертого поколения. Сам по себе пакет прикладных решений MATLAB представляет собой не только язык программирования нового поколения, но и отдельную вычислительную среду. При помощи MATLAB можно создавать пользовательские интерфейсы, выполнять вычисления с матрицей, функциями и другими данными, алгоритмы, а также устанавливать связи с программами, работающими на других языках программирования. На сегодняшний день система MATLAB, в частности пакет прикладных программ Image Processing Toolbox, является наиболее мощным инструментом для моделирования и исследования методов обработки изображений. Он включает большое количество встроенных функций, реализующих наиболее распространенные методы обработки изображений. Рассмотрим основные возможности пакета Image Processing Toolbox. Image Processing Toolbox предоставляет широкий спектр средств для цифровой обработки и анализа изображений. Будучи тесно связанным со средой разработки приложений MATLAB, пакет Image Processing Toolbox освобождает от выполнения длительных операций кодирования и отладки алгоритмов, позволяя сосредоточить усилия на решении основной научной или практической задачи. MATLAB и пакет Image Processing максимально приспособлен для развития, внедрения новых идей и методов пользователя. Для этого имеется набор сопрягаемых пакетов, направленных на решение всевозможных специфических задач и задач в нетрадиционной постановке. Главным отличием системы MATLAB от других программ, которые служат для обработки изображения, является возможность моделирования нового алгоритма обработки изображения.

Из представленного материала видно, что пакет прикладных программ Image Processing Toolbox обладает мощным инструментарием для обработки и анализа цифровых изображений. Это приложение является очень удобной средой для разработки и моделирования различных методов.

Далее в работе эффективность данной программы будет рассмотрена более подробно на примере обработки различных изображений [8].

цифровой изображение шум контрастность

5. Компьютерное моделирование обработки изображений

5.1 Способы представления изображений

Система MATLAB и пакет прикладных программ Image Processing Toolbox (IPT) является хорошим инструментом разработки, исследования и моделирования методов и алгоритмов обработки изображений. При решении задач обработки изображений пакет IPT позволяет идти двумя путями. Первый из них состоит в самостоятельной программной реализации методов и алгоритмов. Другой путь позволяет моделировать решение задачи с помощью готовых функций, которые реализуют наиболее известные методы и алгоритмы обработки изображений. И тот, и другой способ оправдан. Но все же для исследователей и разработчиков методов и алгоритмов обработки изображений предпочтительным является второй путь.

Это объясняется гибкостью таких программ, возможностью изменения всех параметров, что очень актуально при исследовании, разработке, определении параметров регуляризации и т.д. Прежде чем использовать для решения каких-либо задач обработки изображений стандартные функции пакета IPT, разработчик должен в совершенстве их исследовать. Для этого он должен точно знать, какой метод и с какими параметрами реализует та или иная функция. В том и другом подходе к решению задачи обработки видеоданных объектом исследования является изображение. Для этого рассмотрим коротко особенности представления изображений в IPT.

Изображения бывают векторными и растровыми. Векторным называется изображение, описанное в виде набора графических примитивов. Растровые же изображения представляют собой двумерный массив, элементы которого (пиксели) содержат информацию о цвете. В цифровой обработке используются растровые изображения. Они в свою очередь делятся на типы - бинарные, полутоновые, палитровые, полноцветные.

Элементы бинарного изображения могут принимать только два значения: 0 или 1. Природа происхождения таких изображений может быть самой разнообразной. Но в большинстве случаев они получаются в результате обработки полутоновых, палитровых или полноцветных изображений методами бинаризации с фиксированным или адаптивным порогом. Бинарные изображения имеют то преимущество, что они очень удобны при передаче данных.

Полутоновое изображение состоит из элементов, которые могут принимать одно из значений интенсивности какого-либо одного цвета. Это один из наиболее распространенных типов изображений, который применяется при различного рода исследованиях. В большинстве случаев используется глубина цвета 8 бит на элемент изображения.

В палитровых изображениях значение пикселов является ссылкой на ячейку карты цветов (палитру). Палитра представляет собой двумерный массив, в столбцах которого расположены интенсивности цветовых составляющих одного цвета [9].

В отличии от палитровых, элементы полноцветных изображений непосредственно хранят информацию о яркостях цветовых составляющих.

Выбор типа изображения зависит от решаемой задачи, от того, насколько полно и без потерь нужная информация может быть представлена с заданной глубиной цвета. Также следует учесть, что использование полноцветных изображений требует больших вычислительных затрат. В зависимости от типа изображения они по-разному представляются в разных форматах. Этот момент будет очень важным при создании программ в среде IPT. Наиболее удобно зависимость способов представления элементов изображения (диапазон их значений) от типа и формата представить в виде таблицы 5.1

В дальнейшем, при рассмотрении методов обработки изображений, будем считать, что изображение представляется матрицей чисел (размер матрицы nЧm, где значение каждого элемента отвечает определенному уровню квантования его энергетической характеристики (яркости).

Таблица 5.1 - Зависимость способов представления элементов от типа и формата

Тип изображения	double	uint8
Бинарное	0 и 1	0 и 1
Полутоновое	[0, 1]	[0, 255]
Палитровое	[1, размер палитры],где 1 - первая строка палитры	[0, 255],где 0 - первая строка палитры.
Полноцветное	[0, 1]	[0, 255]

Это так называемая пиксельная система координат. Она применяется в большинстве функций пакета IPT. Существует также пространственная система координат, где изображение представляется непрерывным числовым полем квадратов с единичной величиной. Количество квадратов совпадает с числом пикселов. Значение интенсивности элемента в центре квадрата совпадает со значением соответствующего пиксела в пиксельной системе координат. При решении практических задач, связанных с измерениями реальных геометрических размеров объектов на изображении, удобно использовать пространственную систему координат, так как она позволяет учитывать разрешение (количество пикселов на метр) системы [10].

5.2 Функции MATLAB

Среди встроенных функций, которые реализуют наиболее известные методы улучшения изображений, выделим следующие: histeq, imadjust и imfilter (fspecial).

Как уже отмечалось ранее, гистограмма изображения является одной из наиболее информативных характеристик. На основе анализа гистограммы можно судить о яркостных искажениях изображения, т.е. сказать о том, является ли изображение затемненным или засветленным. Известно, что на цифровом изображении в равном количестве должны присутствовать пиксели со всеми значениями яркостей, т.е. гистограмма должна быть равномерной. Перераспределение яркостей пикселей на изображении с целью получения равномерной гистограммы выполняет метод эквализации, который в системе MATLAB - реализован в виде функции histeq. Результат применения можно видеть на рисунке 5.1

L=imread('pes.jpg');

figure, imshow(L);

L1=histeq(L);

figure, imshow(L1);

а б

Рисунок 5.1 - Применение функции histeq (a - до преобразования, б-после преобразования)

Довольно часто при формировании изображений не используется весь диапазон значений интенсивностей, что отрицательно отражается на качестве визуальных данных. Для коррекции динамического диапазона сформированных изображений используется функция imadjust (рисунок 5.2). Ниже на рисунке 5.3 приведены гистограммы направленности исходного и преобразованного изображений.

L=imread('pes.tif');

figure, imshow(L);

L1=imadjust(L);

figure, imshow(L1);

figure, imhist(L);

figure, imhist(L1);

а б

Рисунок 5.2 - Применение функции imadjust изображения до преобразования и после (a - до преобразования, б - после преобразования)

Рисунок 5.3 - Гистограмма распределения яркостей

Также при решении задач улучшения изображений используется функция imfilter в паре с функцией fspecial. Функция fspecial позволяет задавать различные типы масок фильтра. Рассмотрим пример использования маски фильтра, повышающего резкость изображения. Результат видим на рисунке 5.4.

L=imread('pes.tif');

figure, imshow(L);

H = fspecial('unsharp');

L1 = imfilter(L,H,'replicate');

figure, imshow(L1);

а б

Рисунок 5.4 - Применение функции imfilter(a - до преобразования, б-после преобразования)

Выбор метода обработки изображения в системе MATLAB зависит от того, какое искажение присутствует на изображении. Рассмотрим, как устраняются искажения наиболее часто встречающиеся на различных изображениях.

5.3 Подавление шумов на изображениях

Довольно часто при формировании визуальных данных результирующие изображения получаются зашумленными. Это объясняется несовершенством аппаратуры, влиянием внешних факторов и т.п. В конечном результате это приводит к ухудшению качества визуального восприятия и снижению достоверности решений, которые будут приниматься на основе анализа таких изображений. Поэтому актуальной является задача устранения или снижения уровня шумов на изображениях. Решению задачи фильтрации шумов посвящено очень много работ, существуют различные методы и алгоритмы. В этой работе рассмотрим только некоторые подходы и возможности их реализации в системе MATLAB [11].

Шаг 1: Считывание исходного изображения.

Считаем изображение из файла в рабочее пространство MATLAB и отобразим его на экране монитора (рисунок 5.5).

L=imread('cerkov.bmp');

figure, imshow(L);

Рисунок 5.5 - Исходное изображение

Шаг 2: Формирование зашумленных изображений.

В системе MATLAB (Image Processing Toolbox) существует возможность формирования и наложения на изображение трех типов шумов. Для этого используется встроенная функция imnoise, которая предназначена, в основном, для создания тестовых изображений, используемых при выборе и исследовании методов фильтрации шума. Рассмотрим несколько примеров наложения шума на изображения.

1. Добавление к изображению импульсного шума (рисунок 5.6):

L2=imnoise(L,'salt&pepper', 0.05);

figure, imshow(L2);



Рисунок 5.6 - Зашумленное изображение (импульсный шум)

2. Добавление к изображению гауссовского белого шума (по умолчанию математическое ожидание равно 0, а дисперсия - 0,01, рис. 5.7):

L1=imnoise(L,'gaussian');

figure, imshow(L1);

Рисунок 5.7 - Зашумленное изображение (гауссовский шум)

3. Добавление к изображению мультипликативного шума (по умолчанию математическое ожидание равно 0, а дисперсия 0,04, рис 5.8):

Рисунок 5.8 - Зашумленное изображение (мультипликативный шум)

L3=imnoise(L,'speckle',0.04);

figure, imshow(L3);

Шаг 3: Использование медианного фильтра для устранения импульсного шума.

Одним из эффективных путей устранения импульсных шумов на изображении является применение медианного фильтра. Наиболее эффективным вариантом является реализация в виде скользящей апертуры .

Для наглядного сравнения приведем три изображения вместе: исходное, зашумленное и восстановленное (рисунок 5.9).

aбв

Рисунок 5.9 - Восстановление изображения, искаженного импульсным шумом, с применением метода медианной фильтрации (а - исходное изображение; б - зашумленное изображение; в - восстановленное изображение)

Восстановленное изображение лишь незначительно отличается от исходного изображения и значительно лучше, с точки зрения визуального восприятия, зашумленного изображения.

Шаг 4: Подавление шумовой составляющей с использованием операции сглаживания.

Существует класс изображений, для которых подавление шумовой составляющей возможно реализовать с помощью операции сглаживания (метод низкочастотной пространственной фильтрации). Этот подход может применяться к обработке изображений, содержащих области большой площади с одинаковым уровнем яркости (рисунок 5.10). Отметим, что уровень шумовой составляющей должен быть относительно небольшим.

F=ones(n,m); n и m размерность скользящей апертуры

Lser=filter2(F,Lroshyrena,'same')/(n*m);

а бв

Рисунок 5.10 - Восстановление изображения, искаженного импульсным шумом с применением операции сглаживания (а - исходное изображение; б - зашумленное изображение; в - восстановленное изображение)

Недостаток этого метода, в отличие от метода медианной фильтрации, состоит в том, что он приводит к размыванию границ объектов изображения.

Шаг 5: Пороговый метод подавления шумов.

Элементы изображения, которые были искажены шумом, заметно отличаются от соседних элементов. Это свойство легло в основу многих методов подавления шума, наиболее простой из которых, так называемый пороговый метод (рисунок 5.11). При использовании этого метода последовательно проверяют яркости всех элементов изображения.Если яркость данного элемента превышает среднюю яркость локальной окрестности, тогда яркость данного элемента заменяется на среднюю яркость окрестности.

а б в

Рисунок 5.11 - Восстановление изображения, искаженного гауссовским шумом, с применением порогового метода подавления шумов (а - исходное изображение; б - зашумленное изображение; в - восстановленное изображение)

Представленные выше методы являются довольно эффективными алгоритмами восстановления изображений, которые были искажены импульсным, гауссовским или мультипликативным шумом. Эти методы служат основой для построения других более сложных методов решения задач по устранению шумовой составляющей на изображениях.

5.4 Технология повышения контрастности изображений

Часто является необходимым повысить контрастность изображения. Пакет Image Processing Toolbox содержит несколько классических функций улучшения изображений. Эти функции являются очень эффективными при повышении контраста: imadjust, histeq, и adapthisteq. Приведем их сравнительный анализ при использовании для улучшения полутоновых и цветных изображений.

План последовательности действий:

· Шаг 1: Считывание изображения.

· Шаг 2: Изменение размеров изображения.

· Шаг 3: Улучшение полутонового изображения.

Шаг 1: Считывание изображений.

Считаем два полутоновых изображения: pout.tif и tire.tif. Также считаем индексное RGB-изображение: shadow.tif.

pout=imread('pout.tif');

tire=imread('tire.tif');

[X map]=imread('shadow.tif');

shadow=ind2rgb(X,map);

Шаг 2: Изменение размеров изображения.

Для более удобного сравнения изображений преобразуем их размеры так, чтобы они имели одинаковую ширину. Высота изображений изменится пропорционально в соответствии с исходным изображением.

width=210;

images={pout, tire};

for k=1:3

dim=size(images{k});

images{k}=imresize(images{k}, [width*dim(1)/dim(2) width], 'bicubic');

end;

pout=images{1};

tire=images{2};

Шаг 3: Улучшение полутоновых изображений.

Проведем сравнительный анализ эффективности использования следующих функций к улучшению изображений:

imadjust - увеличение контраста изображений путем изменения диапазона интенсивностей исходного изображения.

histeq - выполнение операции эквализации (выравнивания) гистограммы. В этом подходе увеличение контрастности изображения происходит путем преобразования гистограммы распределения значений интенсивностей элементов исходного изображения. Существуют также другие подходы к видоизменению гистограмм.

adapthisteq - выполнение контрастно-ограниченного адаптивного выравнивания гистограммы. Здесь методика повышения контрастности изображений базируется на анализе и эквализации гистограмм локальных окрестностей изображения.

Original Imadjust Histeq

Adapthisteq

Рисунок 5.12 - Повышение контрастности изображения различными методами для изображения pout

Применим данные методы к изображению pout (рисунок 5.12) и tire (рисунок 5.13).

pout_imadjust=imadjust(pout);

pout_histeq=histeq(pout);

pout_adapthisteq=adapthisteq(pout);

imshow(pout);

title('Original');

figure, imshow(pout_imadjust);

title('Imadjust');

figure, imshow(pout_histeq);

title('Histeq');

figure, imshow(pout_adapthisteq);

title('Adapthisteq');

tire_imadjust=imadjust(tire);

tire_histeq=histeq(tire);

tire_adapthisteq=adapthisteq(tire);

figure, imshow(tire);

title('Original');

Original Imadjust

Histeq Adapthisteq

Рисунок 5.13 - Повышение контрастности изображения различными методами для изображения tire

figure, imshow(tire_imadjust);

title('Imadjust');

figure, imshow(tire_histeq);

title('Histeq');

figure, imshow(tire_adapthisteq);

title('Adapthisteq');

Проведем краткий анализ эффективности обработки изображений с помощью функций imadjust, histeq и adapthisteq. В основе этих функций лежат разные методы: в imadjust - преобразование диапазона яркостей элементов изображения, в histeq - эквализация гистограммы и в adapthisteq - адаптивное выравнивание гистограммы. Каждый из этих методов (функций) нацелен на устранение некоторого недостатка, поэтому может быть применен для эффективной обработки такого класса изображений, на которых есть такой тип искажений.

Один из критериев выбора того или иного метода может базироваться на анализе гистограммы распределения значений яркостей элементов изображения (рисунок 5.14).

Рисунок 5.14 - Гистограммы распределения значений яркостей элементов изображения pout.tif и tire.tif.

figure, imhist(pout), title('pout.tif');

figure, imhist(tire), title('tire.tif');

В качестве примера рассмотрим гистограммы изображений pout.tif и tire.tif. Гистограмма изображения pout.tif занимает только центральную часть возможного диапазона яркостей. Таким образом, для растяжения динамического диапазона можно использовать функцию imadjust. Гистограмма изображения tire.tif характеризуется неравномерностью распределения. Для выравнивания гистограммы можно применить функцию histeq.

5.5 Метод обнаружения краев изображения

Рассмотрим задачу выделения и локализации краев (границ). Края - это такие кривые на изображении, вдоль которых происходит резкое изменение яркости или ее производных по пространственным переменным. Наиболее интересны такие изменения яркости, которые отражают важные особенности изображаемой поверхности. К ним относятся места, где ориентация поверхности меняется скачкообразно, либо один объект загораживает другой, либо ложится граница отброшенной тени, либо отсутствует непрерывность в отражательных свойствах поверхности и т.п. В любом случае нужно локализовать места разрывов яркости или ее производных, чтобы узнать нечто о вызвавших их свойствах изображенного объекта.

Вполне естественно, что зашумленность измерений яркости ограничивает возможность выделить информацию о краях. Обнаруживается противоречие между чувствительностью и точностью, и приходим к выводу, что короткие края должны обладать большей контрастностью, чем длинные, чтобы их можно было распознать. Выделение краев можно рассматривать как дополнение к сегментации изображения, поскольку края можно использовать для разбиения изображений на области, соответствующие различным поверхностям.

Для сегментации на изображениях часто необходимо обнаружить границы объектов - участки изображения, в которых есть перепад яркости.

Функция BW=edge (I, method) предназначена для выделения границ на исходном полутоновом изображении I. Данная функция возвращает бинарное изображение BW такого же размера, как исходное I. Пиксель BW(r, с) равен 1, если пиксель I(r, с) принадлежит границе. Для обнаружения границ может использоваться несколько методов. Применяемый метод задается в параметре method в виде одной из следующих строк: 'sobel', 'prewitt', 'roberts', 'log', 'zerocross', 'canny'. Если параметр method при вызове функции опущен, то по умолчанию он полагается равным 'sobel'.

Для каждого из методов определения границ можно задать дополнительные параметры. Для этого используется одна из функций BW=edge(I, method, thresh), BW=edge(I, method, thresh, P), где параметр thresh задает порог для определения того, принадлежит ли пиксель к границе, а в параметре Р передаются настройки, специфичные для каждого из методов .

Если при вызове функции параметр thresh опущен, то значение порога выбирается автоматически. Получить значение порога можно, дополнительно определив выходной параметр thresh: [BW, thresh]=edge(I, method).

Рисунок 5.15 - Метод выделения краев изображения (a - до преобразования, б - после преобразования)

Пример: Рассмотрим выделение границ методом Собеля. Исходное изображение показано на рисунке 5.15,а. Результирующее изображение, на котором отмечены границы, показано на рис. 5.15,б.

Пример демонстрирует выделение границ методом Собеля.

I=imread(`001.bmp'); imshow(001.bmp'); Выделение границ методом Собеля и вывод результата на экран. BW=edge(I, `sobel', 0.09);

6. Систематизация рекомендаций по применению методов для улучшения качества изображения

6.1 Общие рекомендации по применению методов

В основной части работы рассматриваются методы по улучшению качества изображений.

От того, какой результат хочется получить от исходного изображения, просто улучшение его качества для более комфортного восприятия, для извлечения какой-то информации, зависит выбор метода обработки изображения.

В данном разделе систематизировались рекомендации по применению отдельно для каждого метода.

6.1.1 Эквализация

Метод эквализации гистограммы применяется для улучшения качества изображения.

Преимущество данного метода заключается в том, что он является полностью автоматическим. Иными словами, получая на вход изображение, процедура эквализации гистограммы сводится к выполнению преобразования по формуле, параметры которой зависят лишь от информации, которая может быть извлечена непосредственно из обрабатываемого изображения без указания каких-либо дополнительных параметров. Стоит также отметить простоту вычислений, которая требуется для реализации этого метода.

6.1.2 Контрастирование

Контрастирование может использоваться для улучшения изображений. Основное правило для оценки применимости данных видов контрастирования заключается в следующем: монотонно нарастающие характеристики преобразования яркости в основном используются для повышения качества изображений, характеристики с локальным убыванием применяются при улучшении качества изображения. Контрастирование может применяться как для ахроматических, так и для цветных изображений.

Для улучшения качества изображения может использоваться метод адаптивного повышения контрастности с использованием функции протяженности гистограммы. Учитывая характеристики скользящих окрестностей, удается идентифицировать участки изображения по уровню контрастности и соответствующим образом на них реагировать (изменяя размер скользящей окрестности). Благодаря этому достигается более тонкая обработка мелких деталей. Однако изображения должны отвечать двум требованиям. Они не должны содержать большого количества импульсных выбросов и темные или светлые участки большой площади. Ведь в первом случае это может привести к неадекватному вычислению функции протяженности гистограммы, а во втором - к неэффективному усилению контраста. Поэтому, если изображение не отвечает указанным выше требованиям, следует провести его фильтрацию или градационную коррекцию.

6.1.3 Выделение контуров

Высокочастотные фильтры следует применять для улучшения качества (подчеркивание границ, выделение контуров).

Высокочастотные фильтры классифицируются на:

· фильтры класса A, усиливающие высокие частоты, не изменяющие уровня низкочастотных;

· фильтры класса B, ослабляющие относительный уровень НЧ составляющих, т. е. подавляющие фон. Для повышения улучшения качества изображения сохранение только информативных (контурных) деталей изображения может быть осуществлено фильтром, полностью подавляющим фон;

· смешанные (обладающие обоими свойствами), стремящиеся в пределе эквализировать амплитудно-частотную характеристику изображения.

Как и для низкочастотной фильтрации применяется маска с весовыми коэффициентами, только с отрицательными весовыми коэффициентами. Если сумму коэффициентов сделать равной 1, то это будет соответствовать фильтру класса A, который хорошо подойдет для улучшения качества изображения.

Метод нерезкого маскирования (фильтр класса B) следует применять для повышения качества изображения. Для этого нужно чтобы сумма коэффициентов в маске была меньше 1. Степень подчеркивания границ может регулироваться с помощью коэффициента При б = 1 фильтрации нет, при б=0.5 производится полное подавление постоянной составляющей.

Для улучшения качества изображений можно использовать нелинейную обработку спектральных коэффициентов, применив эквализирующие фильтры. Параметр определяет степень эквализации, а именно: при б = 0 спектральная плотность всюду равна единице, что соответствует полной эквализации, характерной для выделения контуров. Улучшение качества изображения (подчеркивание границ) будет происходить при 0 < б < 1 и относительно малой энергии высокочастотных составляющих. Чем ближе б к единице, тем меньше подчеркиваются границы и мелкие детали, чем ближе к нулю - тем это подчеркивание сильнее. Но данный метод достаточно громоздок: для получения результата требуется осуществить прямое и обратное преобразование.

При подчеркивании границ мелкие детали увеличивают свой контраст, границы оконтуриваются, в целом изображение воспринимается более четким и резким. Следовательно, подъем высоких частот может быть эффективным средством для улучшения качества изображений. Необходимость оконтуривания вызвана тем, что человек получает информацию в изображении от перепадов яркости - границ объектов, что позволяет разделить эти объекты в изображении.

Если сигнал, полученный в результате усиления краев, существенно превышает шум, можно сделать вывод о том, принадлежит ли определенная точка краю или нет. Такое решение не является абсолютно надежным, так как добавляемый шум в данной точке может оказаться значительным. Все, что можно сделать, - это уменьшить вероятность подобного события, выбирая порог таким образом, чтобы число ошибочно отнесенных к краю точек лежало в допустимых пределах.

Если порог слишком высок, слабовыраженные края будут пропущены. Таким образом, существует противоречие между двумя видами ошибок. Увеличивая размер участков, по которым производится усреднение, или (что одно и то же) уменьшая частоту, выше которой подавляются частотные компоненты изображения, можно снизить влияние шума и упростить выделение слабовыраженных краев. Однако тут же сталкиваемся с противоположной проблемой, вызванной тем, что с увеличением участков в них могут попасть другие края. Для распознавания коротких краев необходимо, чтобы они были более контрастны.

Изображение с обостренными краями будет иметь большие значения яркости не только в тех пикселях, которые непосредственно расположены на крае, но и в некоторых соседних. Этот эффект особенно ярко проявляется в тех случаях, когда в целях уменьшения шума изображение предварительно сглаживается. Отсюда возникает проблема локализации краев. Если бы не шум, можно надеяться обнаружить максимальные значения яркости непосредственно на крае. Эти экстремальные значения могли бы затем использоваться для подавления соседних больших значений.

Одна из трудностей при разработке вычислительных схем для выделения краев заключается в недостаточно ясной формулировке самого задания. Как нам узнать, был ли край “пропущен” или где-то появился “ложный” край? Ответ на этот вопрос зависит от того, как можно использовать результат .

6.1.4 Подавление шума

Сложность решения данной задачи существенно зависит от характера шумов. В отличие от детерминированных искажений, которые описываются функциональными преобразованиями исходного изображения, для описания случайных воздействий используют модели аддитивного, импульсного и мультипликативного шумов. Для подавления шумов используется низкочастотная противошумовая фильтрация.

Низкочастотные фильтры имеют несколько применений:

1. Подавление шумов (в основном высокочастотных или импульсных).

2. Сокрытие мелких деталей, позволяющих несанкционированно получить дополнительную информацию.

3. Улучшения качества изображения, когда мелкие детали "отвлекают" внимание или маскируют крупный объект.

4. Масштабирование (уменьшение числа отсчетов) изображения, для устранения эффектов перекрытия спектров (aliasing - элайзинг).

5. Снижение утомляемости при работах, связанных с наблюдением или работе на компьютере.

6. Менее заметное ухудшение качества при методах сильного сжатия изображений с потерями. Применяется в видеотелефонии, при мобильной связи.

7. "Омоложение" портретов (устранение морщин, крапинок и других мелкодетальных особенностей лица).

8. Устранение эффекта "коллажа"

9. Имитация глубины резкости объектива (более далекие предметы должны быть "более размытыми", чем ближние, оказавшиеся в фокусе).

Линейная НЧ-фильтрация, как правило, использует симметричные маски, поэтому в зависимости от того, какой шум и как можно его устранить на изображении, будет влиять выбор маски. Например, чем больше вес центрального элемента в маске, тем хуже фильтр подавляет высокие частоты.

Существуют маски служащие для сглаживания изображения. Сглаживание может производиться в локальных участках изображения. Например, если возможно устранить эффект "коллажа" (когда объект, вырезанный из одного изображения, помещается в другое изображения) можно применить низкочастотную фильтрацию с симметричной маской, вдоль границы вырезанного объекта и фона, потому что часто происходит увеличение резкости границы между объектом и фоном. При этом в исходном изображении, из которого происходит вырезание объекта, такой резкости обычно нет.

...