Image restortion در متلب

استقرار مجدد تصاویر :Image Restortion

در طول جمع‌آوری تصاویر، مراحل مختلفی جهت زیاد کردن و کم کردن قسمتهای مختلف تصویر انجام می‌گیرد. مثالی از این عمل را می‌توان محو کردن نامید که برای یا دوربین را از حالت کانونیخارج می‌کنند یا با ایجاد حرکت در تصویر آنرا محو می‌کنند یا نویز ۵۰ یا H2 60 در تصویر ایجاد می‌کنند و یا اعوجاجهای هندسی در آن ایجاد می‌نمایند. تصحیحی که برای برگرداندن به حالت اصلی باید روی آن انجام شود بستگی به مدلی در طول مرحله کم و زیاد کردن انجام شده دارد. هدف از استقرار مجدد تصاویر جهت بهتر کردن کیفیت تصاویر یا برای بهتر شدن تصویر یا جهت پردازش‌های دیجیتالی دیگر می‌باشد. بر روی مناظر همان عملیاتی که توسط استقرار مجدد تصاویر انجام می‌شود همان هم برای زیاد کردن تصاویر انجام می‌گیرد. تفاوت در تصویر فاصله می‌باشد که می‌تواند به عنوان نتیجه‌ای از پروسه کم و زیاد کردن معکوس است که بر روی تصویر اولیه انجام می‌گیرد. به همین دلیل استقرار مجدد تصاویر در پاره‌ای موارد به عنوان زیاد کردن شئ تصاویر نامیده می‌شود. استقرار مجدد تصاویر می‌تواند محلی یا کلی بوده و یا مقوله فضایی یا فرکانسی انجام شود. به عنوان مثال حذف کردن الگوهای مشخص با فرکانسهای معلوم بهتر است در فضای فرکانسی انجام گیرد.

شامل مراحل زیر باشد.

۱-تبدیل فوریه ۲- فیلترکردن  ۳- عکس تبدیل فوریه

حذف کردن خراب‌کننده‌های هندسی در مقوله فضایی انجام گیرد. عملیات فیلترکردن تصاویر مانند فیلتر کردن سیگنال می‌باشد.

زیاد کردن تصاویر Image Enhancement:

هدف از این عمل، بهتر کردن کیفیت تصویر در بعضی جهات می‌باشد. بستگی به کاربردی که مدنظر است می‌توان از روشهای مختلف enhancement جهت رسیدن به اهداف مورد نظر استفاده کرد. چنانچه از تصویر به منظور قابل دید بودن استفاده شود لازم است که میزان کنتراست افزایش یابد. چنانچه لازم باشد که از تصویر جهت پردازشهای دیجیتالی دیگر استفاده شود لازم است که Segmentation انجام گیرد که در این عمل، مرزها و خطوط اجزای تصویر مشخص می شود. بنابراین enhancement تصویر به طرق مختلف بسته به اهدافی که شخص مد نظر دارد، انجام می گیرد. بنابراین بعضی وقت‌ها enhancement موضوعی تصویر نامیده می شود. همانند Restoration این عمل هم می‌تواند محلی یا عمومی بوده و در محدوده فرکانسی یا فضایی عمل کند.

 تشخیص دور یا لبه اجزاء:

این تکنیک جهت مشخص کردن ساختارهای محلی که شبیه خط می‌باشند در تصویر بکار می‌رود . معمولاً یک مرحله پیش‌پرداز جهت بخش‌بندی تصویر می‌باشد. Edge مرز بین دو ناحیه در تصویر که دارای سطوح متوسط خاکستری متفاوت می‌باشند، است. در نتیجه بیشتر تکنیکهای تشخیص لبه به بعضی از عملگرهای گرادیان تکیه می‌کنند. این امر ممکن می‌باشد که عملگرهای گرادیان را که در جهات افقی، عمود، قطری حساس‌اند را به تصویر اعمال کرد و نتایج به یکدیگر متصل شوند جهت تشخیص لبه در جهت اختیاری مورد نظر در پاره‌ای از کاربردهای عملی تشخیص لبه به عنوان یک عملگر فیلتر را بخش‌بندی کرده است. تشخیص لبه‌ها در تصویر هرگز به این معنا نیست که شخص کل تصویر را بخش‌بندی کرده است. تشخیص لبه‌ها معمولاً‌به شکل پیوسته انجام نمی‌گیرد و عموماً‌ یک حلقه بسته به دور هر شی موجود در تصویر تشکیل نمی‌دهد. به معنای دیگر همه تکنیکهای Segneent کردن تصویر وابسته به تشخیص لبه‌ها نمی‌باشد.

بخش‌بندی تصویر Image Segmentation:

هدف از این عمل، جداسازی اجزاء اصلی تشکیل دهنده تصویر است. بطوریکه آنها را جهت اندازه‌گیری‌های بعدی آماده نماید. Segmentation یکی از پردازشهای نسبتاً مشکل می‌باشد.

کیفیت نتایج زیر بخشها بستگی به کیفیت مراحل Segmentation دارد. دو شیوه مختلف برای عمل بخش‌بندی تصاویر وجود دارد. یکی از یکنواختی مقادیر شدت درون اجزاء تشکیل دهنده تصویر استفاده می‌کند. دیگری از شیوه پیدا کردن مرزها بین اجزاء‌ بنابراین از غیریکنواختی در تصویر استفاده می نماید.

• هسیتوگرام بخش‌بندی Histogram Segmentation:

بطور ساده می‌توان گفت که بر پایه تجزیه تحلیل و بررسی هیستوگرام مقادیر شدت است. چنانه تصویری از اشیاء نورانی در یک زمینه تاریک تشکیل شده باشد، هیستوگرام مقیاس خاکستری دارای دو ماکزیمم است.

• یک پیک به وسیله اشیاء نورانی تولید می‌شود. یک پیک به وسیله نقاط زمینه. چنانچه کنتراست بین اشیاء و زمینه به اندازه کافی زیاد باشد، دو ماکزیمم در هیستوگرام تصویر کاملاً از یکدیگر مجزا بوده و شدت آستانه T بین دو ماکزیمم قرار دارد. در تصویر اصلی همه مقادیر بیشتر از T با مقدار ۱ و تمام مقادیر خاکستری کمتر و مساوی T با مقدار ۰ نشان داده می‌شود. این عمل برای ما تولید تصویر باینری می‌کند که نقاط اشیاء با مقدار ۱ نشان داده شده‌اند. چنانچه تصویر از پیش از ۲ جزء تشکیل شده باشد هیستوگرام دارای بیش از ۲ ماکزیمم بوده و Segmentation با چند آستانه انجام می‌گیرد.

رشد ناحیهRegion growing :

یکی دیگر از کارهایی که در بخش بندی تصویر استفاده می‌شود، رشد ناحیه می‌باشد که از یکنواختی در ناحیه استفاده می‌کند. این روش با انتخاب یک یا بیشتر از نقاط دانه‌ای آغاز می‌شود و بسته به تعداد نقاط دانه ای به همان تعداد هم ناحیه تشخیص داده می‌شود. سپس میزان شباهت بین پیکسل‌ها فرموله می‌شود. در حقیقت می‌توان گفت که این معیاری است که بر پابه مقدار خاکستری پیکسل‌ها می‌باشد. دو پیکسل شبیه هم نامیده می‌شوند اگر قدرمطلق تفاضل مقادیر خاکستری آنها از مقدار آستانه کمتر باشد. سپس عملیات رشد ناحیه‌ای یا بازرسی و کنترل نقاطی که در داخل نقاط دانه‌ای احاطه شده‌اند شروع می‌شود.

چنانچه یک نقطه به اندازه کافی شبیه نقاط دانه‌ای باشد به ناحیه مربوط به آن نقطه دانه‌ای تعلق دارد. برای هر ناحیه‌ای ، عملیات آنقدر ادامه پیدا می‌کند که کل نقاط موجود در تصویر را پوشش دهد.

شیوه گرادیان Gradient methods:

روش سوم بخش‌بندی تصویر بر پایه عدم پیوستگی در تصویر می باشد. این کار در ابتدا توسط مرتب کردن گرادیان در تصویر شروع می‌شود. مسئله‌ اینجاست که تشخیص لبه، در مرزهای به هم پیوسته نتیجه نمی‌دهد. و باید توسط روشهایی برای اتصال لبه‌ها به نتایج مرزهای بهم پیوسته دنبال شود.