Bildverbesserung
Bildverbesserung
Bildverbesserung
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Bildverarbeitung und Biometrik <br />
Prof. Dr.-Ing. Thomas Zielke "<br />
<strong>Bildverbesserung</strong><br />
(Image Enhancement)<br />
Bildverarbeitung und Biometrik<br />
SS13 4.1
Der Prozess der <strong>Bildverbesserung</strong> (1)"<br />
<strong>Bildverbesserung</strong> wird häufig dafür eingesetzt, die für einen<br />
menschlichen Betrachter relevanten Aspekte eines Bildes<br />
optimal sichtbar zu machen.<br />
Dieser Prozess ist meist iterativ und/oder interaktiv, wobei<br />
sowohl die Art der eingesetzten Verfahren als auch deren<br />
Parameter variiert werden.<br />
Eingangsbild<br />
(input image)<br />
<strong>Bildverbesserung</strong><br />
Anwendungs-<br />
spezifische<br />
Rückkopplung<br />
Ausgangsbild<br />
(output image)<br />
Bildverarbeitung und Biometrik<br />
SS13 4.2
Der Prozess der <strong>Bildverbesserung</strong> (2)"<br />
<strong>Bildverbesserung</strong> wird auch als Vorstufe für die automatische<br />
Bildanalyse / Bilderkennung benötigt.<br />
Für die automatische Auswertung zielt die "Verbesserung" des<br />
Bildes in erster Linie auf eine Kompensation von<br />
bedeutungslosen Bildvariationen, z.B. Änderungen der<br />
Bildhelligkeit bei ansonsten gleichem Bildinhalt.<br />
In Zusammenhang mit einer automatischen Bildanalyse bzw.<br />
Bilderkennung bezeichnet man die <strong>Bildverbesserung</strong> als<br />
Bildnormalisierung.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.3
Eingangsbild<br />
(input image)<br />
Qualitative und<br />
Quantitative<br />
Messung von<br />
Kenngrößen<br />
für "Bildqualität"<br />
Der Prozess der <strong>Bildverbesserung</strong> (3) <br />
Allgemeines Schema"<br />
<strong>Bildverbesserung</strong><br />
Modellbildung,<br />
Situationserkennung,<br />
Verfahrensalternativen<br />
und Schätzung von<br />
Korrekturparametern<br />
Ausgangsbild<br />
(output image)<br />
Automatische<br />
Bildanalyse /<br />
Bilderkennung<br />
Bildverarbeitung und Biometrik<br />
SS13 4.4
Methoden der <strong>Bildverbesserung</strong> <br />
und der Bildrestauration"<br />
Pixel-Punkt-Verarbeitung<br />
(Grauwert bzw. Farbwert-Transformation)<br />
Pixel-Punkt-Verarbeitung unter Kombination<br />
mehrerer Bilder (z.B. Bildsequenzen)<br />
Pixel-Gruppen-Verarbeitung<br />
• Örtliche Filterung (linear / nicht-linear)<br />
• Kantendetektion<br />
Verarbeitung im Frequenzbereich<br />
Geometrische Bildtransformation<br />
Bildverarbeitung und Biometrik<br />
SS13 4.5
Design von Grauwerttransformationen <br />
aus Histogrammbetrachtungen"<br />
30%<br />
"Abwärts"-<br />
Verschie-<br />
bung<br />
30%<br />
"Aufwärts"-<br />
Verschie-<br />
bung<br />
Bildverarbeitung und Biometrik<br />
SS13 4.6
Design von Grauwerttransformationen <br />
Histogramm-Stauchung (histogram shrinking)"<br />
Histogramm<br />
des<br />
Originalbild:<br />
Histogramm-<br />
Stauchung:<br />
Beispiel:<br />
Alle Grauwerte in<br />
den Wertebereich<br />
100...150<br />
transformieren.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.7
Design von Grauwerttransformationen <br />
Histogramm-Spreizung (histogram stretching) <br />
"<br />
Histogramm<br />
des<br />
Originalbild:<br />
Histogramm-<br />
Spreizung<br />
Bildverarbeitung und Biometrik<br />
SS13 4.8
Lineare Abbildung der Grauwerte <br />
auf einen gegebenen Wertebereich"<br />
I max ist der größte Grauwert in dem Bild I[i,j]<br />
I min ist der kleinste Grauwert in dem Bild I[i,j]<br />
MAX und MIN sind die Grenzen des Wertebereichs der<br />
Grauwerte (z.B. 255 und 0)<br />
I T [i,j] ist das transformierte Bild (Ergebnisbild) der Operation<br />
[ ] = I i, j<br />
I T i, j<br />
( )<br />
[ ]! I min<br />
MAX ! MIN<br />
I max ! I min<br />
In der Praxis besteht das Problem, dass I min und I max jeweils<br />
von einem einzigen Ausreißer-Pixel bestimmt werden können.<br />
Deshalb wird zur Ermittlung von I min und I max oft ein<br />
bestimmter Prozentsatz (ca. 1-3 %) der Pixel am unteren und<br />
am oberen Rand des Histogramms ignoriert.<br />
+ MIN<br />
Bildverarbeitung und Biometrik<br />
SS13 4.9
Stückweise lineare Abbildung der Grauwerte <br />
auf den Wertevorrat"<br />
Mit einer stückweise linearen Funktion können einzelne Abschnitte des<br />
Histogramms unterschiedlich stark gespreizt werden.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.10
Histogrammausgleich (1) <br />
Histogram Equalization"<br />
Das Verfahren des Histogrammausgleichs beruht auf dem<br />
theoretischen Ansatz, das Bild so zu transformieren, dass die<br />
Auftrittswahrscheinlichkeit aller verfügbaren Graustufen in etwa<br />
gleich wird (möglichst flaches Histogramm).<br />
Original<br />
Bildverarbeitung und Biometrik<br />
SS13 4.11
1 Bilde die laufende Summe<br />
der Histogrammwerte.<br />
2 Normalisiere die einzelnen<br />
Werte der laufenden Summe<br />
durch Division mit der<br />
Gesamtanzahl der Pixel.<br />
3 Multipliziere die<br />
Ergebniswerte aus<br />
Schritt 2 mit dem größten<br />
darstellbaren Grauwert und runde<br />
jeweils zum nächsten<br />
Ganzzahlwert.<br />
Alter Grauwert<br />
4 Bilde die Originalgrauwerte<br />
1-zu-1 auf die Ergebniswerte<br />
von Schritt 3 ab.<br />
Neuer Grauwert<br />
Histogrammausgleich (2) <br />
Algorithmus"<br />
Beispiel:<br />
0 1 2 3 4 5 6 7<br />
10 8 9 2 14 1 5 2<br />
0 1 2 3 4 5 6 7<br />
10 18 27 29 43 44 49 51<br />
10/51 18/51 27/51 29/51 43/51 44/51 49/51 51/51<br />
Ergebnis:<br />
Histogramm mit<br />
8 Grauwerten<br />
(0...7)<br />
0,196 0,353 0,529 0,569 0,843 0,863 0,961 1,000<br />
0 1 2 3 4 5 6 7<br />
1 2 4 4 6 6 7 7<br />
Bildverarbeitung und Biometrik<br />
SS13 4.12
Histogrammausgleich (3) <br />
Beispiel"<br />
Bildverarbeitung und Biometrik<br />
SS13 4.13
Histogrammausgleich mit ImageJ"<br />
Bildverarbeitung und Biometrik<br />
SS13 4.14
Histogrammausgleich (4) <br />
Beispiel"<br />
Histogrammausgleich auf<br />
einzelnen Farbkanälen<br />
Bildverarbeitung und Biometrik<br />
SS13 4.15
Objekthervorhebung durch Differenzbilder"<br />
Die Differenzbild-Methode hat zwei<br />
typische Anwendungen:<br />
• Hervorhebung bzw. Detektion<br />
von bewegten Objekten in<br />
einem statischen Umfeld.<br />
• Objektentdeckung durch<br />
Berechnung der Änderung<br />
bezüglich eines bekannten<br />
Hintergrundbildes.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.16
Hervorhebung dynamischer Bildbereiche<br />
durch Differenzbild-Methode (1)<br />
-<br />
Beachte:<br />
Die Schatten der Bäume<br />
auf der Fahrbahn ändern<br />
sich viel langsamer als<br />
die Abbildungen der<br />
Autos und erscheinen<br />
deshalb nicht im<br />
Differenzbild.<br />
Binarisierung<br />
Bildverarbeitung und Biometrik<br />
SS13 4.17
Hervorhebung dynamischer Bildbereiche<br />
durch Differenzbild-Methode (2)<br />
-<br />
Durch die Subtraktion<br />
zweier zeitlich benachbarter<br />
Bildaufnahmen wird ein sich<br />
stärker bewegender Partikel<br />
im Mikroskopbild sichtbar.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.18
Hintergrundbild<br />
Objektentdeckung vor bekanntem Hintergrund<br />
Absolut-<br />
Differenz<br />
-<br />
Schwellwert-<br />
Operation<br />
&<br />
Maskierung<br />
Bildverarbeitung und Biometrik<br />
SS13 4.19
Eigenschaften des Median-Filters"<br />
Der Median-Filter gehört zur Gruppe der<br />
Rangfolgeoperationen, bei denen die Grauwerte einer<br />
Bildnachbarschaft in aufsteigender Reihenfolge sortiert<br />
werden. Das Ergebnis der Operation ist der Grauwert, der<br />
in der sortierten Folge eine bestimmte Position einnimmt:<br />
• mittlerer Rang Medianfilter<br />
• niedrigster Rang Minimumfilter<br />
• höchster Rang Maximumfilter<br />
Die Rangfolgeoperationen der Bildverarbeitung sind nichtlineare<br />
örtliche Filter.<br />
Für das Ergebnisbild entstehen keine neuen Grauwerte<br />
(wie z.B. bei einem Mittelwertfilter)<br />
kein "Verschleifen" von Kanten.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.20
Motivation:<br />
Einzelne Stör-<br />
Pixel sollen aus<br />
dem Bild entfernt<br />
werden,<br />
möglichst ohne<br />
die korrekten<br />
Bildwerte zu<br />
beeinflussen.<br />
Eliminierung von Störungen <br />
mit einem Median-Filter "<br />
Diskrete Werte eines<br />
1D-Signals<br />
Vergleich: Mittelwertfilter und Medianfilter (1D)<br />
Ergebnis eines Mittelwertfilters Medianfilter<br />
Bildverarbeitung und Biometrik<br />
SS13 4.21
Berechnung des 2D-Medianfilters <br />
Beispiel: 3x3 Nachbarschaft"<br />
Für die Berechnung des Medians werden die Pixelwerte in einer<br />
Bildnachbarschaft zuerst sortiert.<br />
Der kleinster Wert (niedrigster Rang) ist das Minimum, der größte Wert<br />
(höchster Rang) ist das Maximum und der in der Rangfolge mittige Wert ist<br />
der Median.<br />
Rang:<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
Minimum<br />
Maximum<br />
Bildverarbeitung und Biometrik<br />
SS13 4.22
Originalbild<br />
künstlich gestört<br />
durch "Salt and<br />
Pepper Noise"<br />
Demonstration des Median-Filters (1)"<br />
Median-Filter<br />
3 × 3<br />
Zum Vergleich:<br />
Ergebnis des<br />
Mittelwertfilters<br />
(3x3)<br />
Bildverarbeitung und Biometrik<br />
SS13 4.23
Demonstration des Median-Filters (2) <br />
Wirkung bei wachsender Größe der Filtermaske"<br />
Original 5x5 7x7 11x11<br />
15x15 21x21 31x31<br />
Bildränder mit<br />
Nullwerten<br />
besetzt (obere<br />
Reihe) bzw.<br />
interpoliert<br />
(untere Reihe)<br />
Bildverarbeitung und Biometrik<br />
SS13 4.24
Minimum-Filter"<br />
5x5 11x11 21x21<br />
Der Minimum-Filter wird ähnlich wie der Median-Filter<br />
berechnet, mit dem Unterschied, dass der Ergebniswert<br />
für eine Pixel-Nachbarschaft nicht der Median sondern<br />
das Minimum der Grauwerte ist.<br />
Der Minimum-Filter entspricht einer Erosion in der<br />
grauwert-basierten morphologischen Bildverarbeitung.<br />
Anwendungen:<br />
Hervorhebung (Kontrastverstärkung) von kleinen<br />
dunklen Strukturen, z.B. bei Strichzeichnungen.<br />
Bildverarbeitung und Biometrik<br />
SS13 4.25
Maximum-Filter"<br />
5x5<br />
11x11<br />
Der Maximum-Filter wird ähnlich wie der Median-Filter<br />
berechnet, mit dem Unterschied, dass der Ergebniswert<br />
für eine Pixel-Nachbarschaft nicht der Median sondern<br />
das Maximum der Grauwerte ist.<br />
Der Maximum-Filter entspricht einer Dilatation in der<br />
grauwert-basierten morphologischen Bildverarbeitung.<br />
Anwendungen:<br />
Hervorhebung (Vergrößerung) von kleinen hellen<br />
Strukturen vor dunklem Hintergrund.<br />
21x21<br />
Bildverarbeitung und Biometrik<br />
SS13 4.26