MATLAB 8.0 (R2012b): обработка изображений в пакете Image Processing Toolbox

№ 12’2013
PDF версия
Новая матричная система компьютерной математики MATLAB 8.0 (R2012b) имеет удобные средства для быстрой и эффективной обработки изображений. Они сосредоточены в пакете расширения Image Processing Toolbox. В этой статье впервые в отечественной литературе описаны возможности работы с изображениями как в среде самой системы MATLAB 8.0, так и с пакетом расширения Image Processing Toolbox R2012b. Автор благодарит корпорацию The MathWorks, Inc. [1] за предоставленную систему MATLAB 8.0 + Simulink 8.0, использованную для подготовки этой серии статей.

Состав и назначение пакета расширения Image Processing Toolbox

Окно справки по пакету расширения Image Processing Toolbox системы MATLAB 8.0 представлено на рис. 1. Полиграфическая база журнала «Компоненты и технологии» позволила представить многие примеры применения в цвете — как на экране персонального компьютера. Число примеров увеличено за счет представления нескольких из них в одном окне

Окно справки по пакету расширения Image Processing Toolbox

Рис. 1. Окно справки по пакету расширения Image Processing Toolbox

Судя по окну справки, пакет Imagel Proces-sing Toolbox состоит из следующих разделов:

  • Import, Export and Conversions — импорт, экспорт и преобразования изображения;
  • Display and Exploration — отображение и исследование изображения;
  • Geometric Transformation and Image Registration — геометрическое преобразование и регистрация изображения;
  • Image Enhancement — улучшение изображения;
  • Image Analysis — анализ изображения;
  • Color — работа с цветом;
  • Code Generation — генерация кодов.

Пакет Image Processing Toolbox не предназначен для оперативной обработки изображений. С этим прекрасно справляются специализированные редакторы фотографических изображений, например популярные Photoshop, Photo-Paint или Photoimpact. Основное назначение пакета — исследование, разработка и реализация математических алгоритмов и программ для обработки изображений, применяющихся в системах и устройствах сигнализации и опознания целей, компонентах и технологиях обработки изображений и в новых видеоустройствах. Image Processing Toolbox добавляет в матричную систему MATLAB около двухсот новых функций обработки изображений. Они естественно интегрируются с функциями матричной системы MATLAB и других пакетов расширения.

 

Считывание и запись файлов изображений

Для загрузки изображений из графических файлов служит функция:

RGB = imread(‘football.jpg’);

[X,map] = imread(‘trees.tif’);

Имя файла указывается в апострофах. Поддерживаются многие графические форматы файлов, например Microsoft Windows Bitmap (BMP), Graphics Interchange Format (GIF), Joint Photographic ExpertsGroup (JPEG), Portable Network Graphics (PNG) и Tagged Image File Format (TIFF). Обеспечена поддержка и файлов научных форматов DICOM, NITF, HDR, формата 7.5 и др.

Приведем пример просмотра файла формата DICOM (рис. 2):

Просмотр файла формата DICOM

Рис. 2. Просмотр файла формата DICOM

>> I = dicomread(‘CT-MONO2-16-ankle.dcm’);

>> imshow(I,’DisplayRange’,[])

Пример просмотра файла формата HDR (рис. 3) реализуется командами:

Просмотр файла формата HDR

Рис. 3. Просмотр файла формата HDR

>> hdr_image = hdrread(‘office.hdr’);%Считывание файла

>> rgb = tonemap(hdr_image); imshow(rgb);%Показ изображения

После знака % задаются текстовые неисполняемые комментарии. В программах пакета они применяются широко, но в этой статье они не приводятся ради экономии места и устранения повторов в описании программ. Предполагается, что читатель статьи знаком с основами программирования системы MATLAB [2–5].

С помощью функции imfinfo можно вывести информацию о файле, например:

>> imfinfo(‘moon.tif’)

ans =

      Filename: ‘C:\Program Files\MATLAB\R2012b\toolbox\images\imdemos\moon.tif’

      FileModDate: ‘04-дек-2000 13:57:58’

           FileSize: 183950

                 Format: ‘tif’

      FormatVersion: []

           Width: 358

                 Height: 537

                       BitDepth: 8

                            ColorType: ‘grayscale’...

В этих примерах используется командный режим работы, на что указывает двойной символ ввода >>. Таким образом можно вводить как отдельные команды и строки, так и целые небольшие программы (в том числе копируемые из текста). Но после запуска можно повторно вводить из программного стека и редактировать только отдельные законченные команды. Этого неудобства лишен программный режим работы, при котором вся программа набирается, редактируется, отлаживается (если это нужно) и запускается во встроенном редакторе программных кодов MATLAB. Символ ввода >> в программах и их фрагментах не используется.

 

Структура файлов изображений

Из основных (широко распространенных) типов файлов можно отметить следующие:

  • Binary Images — бинарные (черно-белые) изображения без полутонов;
  • Indexed Images — индексированные изображения;
  • Grayscale Images — монохромные изображения с полутонами;
  • True Color Images — цветные изображения.

В бинарных файлах изображение хранится в одном массиве, все элементы которого — целые числа 0 (черный цвет) или 1 (белый цвет). Аналогичную структуру имеют полутоновые монохромные файлы grayscale, но элементы их массивов — числа с плавающей точкой различного, допустимого в MATLAB типа.

Структура цветного индексированного изображения представлена на рис. 4а. Один массив несет информацию о яркости точек пиксельными координатами, другой — коды цвета (десятичные).

Структура цветного: а) индексированного изображения; б) RGB-изображения

Рис. 4а. Структура цветного: индексированного изображения

Наиболее полноценным (True Color) цветным изображением характеризуются файлы в формате RGB c 24‑битовым кодированием цвета. Они представлены тремя массивами красного (Red), зеленого (Green) и синего (Blue) цветов (рис. 4б). Возможно 8-, 16‑ и 32‑битовое кодирование цветов.

Рис. 4. Структура цветного: а) индексированного изображения; б) RGB-изображения

Рис. 4б. Структура цветного: RGB-изображения

Следующая программа поясняет разбивку RGB-изображения на его R, G и B составляющие (рис. 5):

Выделение составляющих R, G и B цветного RGB-изображения

Рис. 5. Выделение составляющих R, G и B цветного RGB изображения

RGB=reshape(ones(64,1)*reshape(jet(64),1,192),[64,64,3]);

R=RGB(:,:,1); G=RGB(:,:,2); B=RGB(:,:,3);

subplot(221);imshow(R); title(‘R’)

subplot(222);imshow(G); title(‘G’)

subplot(223);imshow(B); title(‘B’)

subplot(224);imshow(RGB); title(‘RGB’)

Здесь и далее команды subplot(m,n,№), где цифры — это номера строк, столбцов и изображений, разбивают программу и окно вывода на номера частей и позволяют представить их в едином виде.

 

Просмотр изображений

Просмотр изображений возможен с помощью ряда функций, например imshow и subimage:

RGB = imread(‘peppers.png’);subplot(221);imshow(RGB)

[X1,map1]=imread(‘forest.tif’);

[X2,map2]=imread(‘trees.tif’);

subplot(222), imshow(X2,map2);subplot(223), subimage(X1,map1);subplot(224), subimage(X2,map2)

Для просмотра изображений в специальном GUI-окне Image Tool служит функция imtool. Ее можно использовать для просмотра внешних графических файлов, не входящих в систему MATLAB. Для вывода этого окна достаточно активировать пиктограмму в меню каталога пакетов расширения APPS или вызвать функцию в командном режиме. На рис. 6 показан просмотр цветного изображения пингвинов из внешнего файла фотографического формата .jpg.

Пример просмотра в imtool изображения из внешнего файла

Рис. 6. Пример просмотра в imtool изображения из внешнего файла

Окно Image Tool имеет позицию меню Tool с командами изменения размера просматриваемого изображения, выделения его участка, измерения расстояния между точками изображения и вывода окна с информацией об изображении. Контроль расстояния и окно с информацией об изображении показаны на рис. 7. Эти команды есть также в панели инструментов окна наряду с командами копирования изображения в буфер и записи в файл.

Применение функций просмотра изображений

Рис. 7. Применение функций просмотра изображений

Графику можно использовать и для визуализации матриц. Приведем пример визуализации матрицы (рис. 8):

Визуализация матрицы с цветной окраской ее элементов

Рис. 8. Визуализация матрицы с цветной окраской ее элементов

A = magic(5); x = [19.5 23.5]; y = [8.0 12.0];

image(A,’XData’,x,’YData’,y), axis image, colormap(jet(25))

Некоторые изображения состоят из множества кадров (фреймов), каждый из которых представлен своим массивом или массивами (рис. 9):

Фреймы срезов черепной коробки

Рис. 9. Фреймы срезов черепной коробки

load mri; montage(D,map)

Здесь функция load загружает изображение mri, а функция montage монтирует и показывает все фреймы в одном окне.

Другой фрагмент программы позволяет показать только первые девять фреймов:

figure; montage(D, map, ‘Indices’, 1:9);

Для просмотра с анимацией изображений с многими фреймами служит проигрыватель implay с кнопками управления и своей панелью инструментов (рис. 10). Проигрыватель можно вызвать из каталога APPS или командами:

Проигрыватель файлов с анимацией изображений

Рис. 10. Проигрыватель файлов с анимацией изображений

mov = immovie(D,map); implay(mov)

В Image Processing Toolbox входит множество функций, объединяющих просмотр изображений с вычислением и визуализацией параметров изображения. Ограничимся примером показа файла pout.tif с вычислением расстояния между двумя точками изображения, указываемыми мышкой (рис. 11):

Изображение файла pout.tif с контролем расстояния между двумя точками

Рис. 11. Изображение файла pout.tif с контролем расстояния между двумя точками

figure, imshow(‘pout.tif’);

h = imdistline(gca); api = iptgetapi(h);

fcn = makeConstrainToRectFcn(‘imline’,... get(gca,’XLim’),
get(gca,’YLim’));

Далее в статье будет приведено множество других примеров применения функций просмотра изображений.

 

Геометрические преобразования

Учет законов и формул геометрии лежит в основе многих геометрических преобразований изображений [4, 5]. К ним сводятся действия с изображениями, как с матрицами. Например, изменение размеров изображений (рис. 12а):

Рис. 12. Преобразование изображения: а) изменение размеров; б) поворот

Рис. 12а. Преобразование изображения: изменение размеров

I = imread(‘circuit.tif’); J = imresize(I,1.25);

imshow(I); figure, imshow(J)

Функция imrotate обеспечивает умножение матрицы на матрицу вращения, то есть обеспечивает поворот изображения на заданный угол (рис. 12б):

Рис. 12. Преобразование изображения: а) изменение размеров; б) поворот

Рис. 12б. Преобразование изображения: поворот

I = imread(‘circuit.tif’); J = imrotate(I,35,’bilinear’);

imshow(I); figure, imshow(J)

Для интерактивного ввода фрагмента изображения служит функция imcrop:

I = imread(‘circuit.tif’); J = imcrop(I);

Она выводит изображение I, на котором мышкой сначала можно выделить прямоугольник с нужным фрагментом (рис. 13), а затем присвоить ему имя J. Функция imshow(J) позволяет просмотреть выделенный фрагмент.

Выделение фрагмента изображения мышкой

Рис. 13. Выделение фрагмента изображения мышкой

Функции показа изображения можно использовать для просмотра фотографий, сделанных при аэрофотосъемке и космической фотосъемке, а также изображений от устройств наведения на цель ракет, управляемых снарядов и авиационных бомб. Приведенная ниже программа демонстрирует показ снимка участка города при аэрофотосъемке (рис. 14):

Снимок, полученный при аэрофотосъемке

Рис. 14. Снимок, полученный при аэрофотосъемке

unregistered = imread(‘westconcordaerial.png’);

subplot(121); imshow(unregistered)

subplot(122);imshow(‘westconcordorthophoto.png’)

 

Работа с выделенными областями

Часто возникает необходимость работы с выделенными областями рисунка (регионами или областями интереса). Программа, представленная ниже, иллюстрирует такую работу с крайним правым объектом (монетой, рис. 15):

Работа с выделенными областями

Рис. 15. Работа с выделенными областями

I = imread(‘eight.tif’);

c = [222 272 300 270 221 194];

r = [21 21 75 121 121 75]; J = roifill(I,c,r);

subplot(221); imshow(I); subplot(222); imshow(BW)

subplot(223); imshow(J); BW = roipoly(I,c,r);

BW = roipoly(I,c,r); H = fspecial(‘unsharp’);

J = roifilt2(H,I,BW); subplot(224); imshow(J)

Монета выделена подходящей фигурой (шестиугольником), которая закрашена затем цветом фона: это приводит к удалению изображения монеты. Можно, напротив, применить операцию усиления контрастности и таким образом выделить монету. Эти операции можно также выполнять с блоками изображения (рис. 16):

Изображения яблок разного размера

Рис. 16. Изображения яблок разного размера

@(block_struct)imresize(block_struct.data,0.15);

I = imread(‘pears.png’); I2 = blockproc(I,[100 100],fun);

figure; imshow(I); figure; imshow(I2);

Функция roicolor(X,low,high) выделяет участок из цветного изображения, а приведенная ниже программа строит черно-белое изображение этого участка (рис. 17):

Выделение участка цветного изображения и построение его в черно-белом виде

Рис. 17. Выделение участка цветного изображения и построение его в черно-белом виде

load clown; BW = roicolor(X,10,20);

imshow(X,map); figure,imshow(BW)

 

Улучшение изображения

Улучшение качества изображения — одна из важнейших задач при его редактировании. В приведенной ниже программе показано изменение контрастности монохромного и цветного изображений (рис. 18):

Изменение контрастности монохромного и цветного изображений

Рис. 18. Изменение контрастности монохромного и цветного изображений

I = imread(‘pout.tif’);J = imadjust(I);

subplot(221); imshow(I); subplot(222); imshow(J)

RGB1 = imread(‘football.jpg’);

RGB2 = imadjust(RGB1,[.2 .3 0; .6 .7 1],[]);

subplot(223); imshow(RGB1),

subplot(224); imshow(RGB2)

Для получения негативного изображения черно-белого объекта BW достаточно заменить его объектом ~BW (рис. 19):

Смена цвета — белого на черный и черного на белый

Рис. 19. Смена цвета — белого на черный и черного на белый

BW = imread(‘circles.png’);

subplot(121); imshow(BW)

subplot(122); imshow(~BW)

Расфокусировка изображений с технической точки зрения обычно ухудшает изображение. Но она же является важным художественным приемом, например при подготовке портретов. Следующая программа обеспечивает расфокусировку изображения с помощью фильтра filteredRGB (рис. 20):

Расфокусировка изображения — действие фильтра filteredRGB

Рис. 20. Расфокусировка изображения — действие фильтра filteredRGB

originalRGB = imread(‘peppers.png’);

subplot(121); imshow(originalRGB);

h = fspecial(‘motion’, 50, 45);

filteredRGB = imfilter(originalRGB, h);

subplot(122); imshow(filteredRGB)

Для понижения и повышения четкости изображения служит ряд функций. Функции, имеющие в названии слово blur, смягчают изображение, а функция sharpened делает изображение более резким. Последнее обеспечивает и специальный фильтр, подчеркивающий высокие частоты и не искажающий низкие и средние частоты. Следующая программа иллюстрирует эти действия на примере монохромного изображения фотографа с камерой (рис. 21):

Понижение и повышение четкости изображения

Рис. 21. Понижение и повышение четкости изображения

I = imread(‘cameraman.tif’);

subplot(2,2,1); imshow(I); title(‘Original Image’);

H = fspecial(‘motion’,20,45);

MotionBlur = imfilter(I,H,’replicate’);

subplot(2,2,2);imshow(MotionBlur);title(‘Motion Blurred Image’);

H = fspecial(‘disk’,10); blurred = imfilter(I,H,’replicate’);

subplot(2,2,3); imshow(blurred); title(‘Blurred Image’);

H = fspecial(‘unsharp’); sharpened = imfilter(I,H,’replicate’);

subplot(2,2,4); imshow(sharpened); title(‘Sharpened Image’);

Еще один полезный прием — помещение ограниченного по размеру цветного изображения на черный прямоугольник большего размера (рис. 22):

Цветное изображение, помещенное на черный фон

Рис. 22. Цветное изображение, помещенное на черный фон

load mandrill; figure(‘color’,’k’)

image(X); colormap(map); axis off; axis image

 

Фильтрация изображений и фильтры

Фильтры играют важную роль в обработке изображений. Например, фильтры, использующие усреднение точек изображения, обычно применяются для сглаживания и очистки изображения от шума. В следующей программе для очистки изображения от черных точек применяется медианный фильтр medfilter2 (рис. 23):

Очистка изображения от шума (черные точки) медианным фильтром medfilter2

Рис. 23. Очистка изображения от шума (черные точки) медианным фильтром medfilter2

I = imread(‘eight.tif’);

J = imnoise(I,’salt & pepper’,0.02);

K = medfilt2(J);

subplot(121); imshow(J); subplot(122); imshow(K)

Фильтры обычно характеризуются своей амплитудно-частотной характеристикой (АЧХ). Следующая программа строит трехмерные AЧХ ряда фильтров, позволяющие судить об их назначении (рис. 24):

АЧХ фильтров fwind1, remez и ftrans2

Рис. 24. АЧХ фильтров fwind1, remez и ftrans2

Hd = zeros(16,16); Hd(5:12,5:12) = 1;

Hd(7:10,7:10) = 0; h = fwind1(Hd,bartlett(16));

colormap(jet(64)); subplot(221);

freqz2(h,[32 32]); axis ([-1 1 -1 1 0 1])

[f1,f2] = freqspace(21,’meshgrid’); Hd = ones(21);

r = sqrt(f1.^2 + f2.^2); Hd((r<0.1)|(r>0.5)) = 0;

subplot(222); mesh(f1,f2,Hd)

b = remez(10,[0 0.05 0.15 0.55 0.65 1],[0 0 1 1 0 0]);

[H,w] = freqz(b,1,128,’whole’);

subplot(223);plot(w/pi-1,fftshift(abs(H)))

h = ftrans2(b);subplot(224); freqz2(h)

 

Оригинальное изображение, изображение с Blur и шумом и выделение его составляющих

Рис. 25. Оригинальное изображение, изображение с Blur и шумом и выделение его составляющих

Программа (рис. 25) демонстрирует основные приемы обработки изображения — зашумление изображения и очистку от шума с выделением шумовых составляющих:

I=im2double(imread(‘cameraman.tif’)); subplot(221);

imshow(I); title(‘Original Image (courtesy of MIT)’);                            

LEN = 21; THETA = 11;

PSF = fspecial(‘motion’, LEN, THETA);

blurred = imfilter(I, PSF, ‘conv’, ‘circular’);

noise_mean = 0; noise_var = 0.0001;

blurred_noisy=imnoise(blurred,’gaussian’,noise_mean, noise_var);

subplot(222); imshow(blurred_noisy);

title(‘Simulate Blur and Noise’)

estimated_nsr = noise_var / var(I(:));

wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr);

subplot(223); imshow(wnr3)

title(‘Restoration of Blurred, Noisy Image Using Estimated NSR’);

estimated_nsr = 0;

wnr2 = deconvwnr(blurred_noisy, PSF, estimated_nsr);

subplot(224), imshow(wnr2)

title(‘Restoration of Blurred, Noisy Image Using NSR = 0’)

 

Морфологические преобразования

Морфологические преобразования выполняются над формой объектов изображений и составляют основу средств распознавания образов. Это нелинейные операции, базирующиеся на связанности пикселей. В MATLAB эти операции выполняются с бинарными (черно-белыми) изображениями, причем принято считать, что пиксели со значением 1 относятся к объекту, а со значением 0 — к фону. Из большого числа таких функций мы рассмотрим лишь несколько наиболее распространенных.

Например, функция бинарного закрытия изображения imclose приводит к удалению внутри изображения небольших фрагментов типа дыр. Функция эрозии imerode заменяет на 0 граничные пиксели объекта, то есть удаляет граничную область объекта толщиною в заданное число пикселей. Это иллюстрирует следующая программа (рис. 26):

Операции закрытия и эрозии изображения

Рис. 26. Операции закрытия и эрозии изображения

originalBW = imread(‘circles.png’);

subplot(221); imshow(originalBW); title(‘Original Image’)

se = strel(‘disk’,10); closeBW = imclose(originalBW,se);

subplot(222); imshow(closeBW); title(‘Close’);

erodedBW = imerode(originalBW,se);

subplot(223); imshow(erodedBW); title(‘Eroded 10’)

se = strel(‘disk’,15); erodedBW = imerode(originalBW,se);

subplot(224); imshow(erodedBW); title(‘Eroded 15’)

Еще одна программа строит контуры черно-белого изображения с удалением закраски объектов и заменой их скелетоном (рис. 27):

Построение контуров объектов удалением их закраски и замена их скелетоном

Риc. 27. Построение контуров объектов удалением их закраски и замена их скелетоном

BW = imread(‘circles.png’); subplot(131); imshow(BW);

BW2 = bwmorph(BW,’remove’); subplot(132); imshow(BW2)

BW3 = bwmorph(BW,’skel’,Inf); subplot(133); imshow(BW3)

А следующая программа обеспечивает поиск и обнаружение двух точек изображения (рис. 28):

Выделение двух точек изображения

Рис. 28. Выделение двух точек изображения

I = imread(‘circuit.tif’); BW = edge(imrotate(I,50,’crop’),’canny’);

[H,T,R] = hough(BW); P = houghpeaks(H,2);

imshow(H,[],’XData’,T,’YData’,R,’InitialMagnification’,’fit’);

xlabel(‘\theta’), ylabel(‘\rho’); axis on, axis normal, hold on;

plot(T(P(:,2)),R(P(:,1)),’s’,’color’,’white’);

Эта задача часто встречается при обработке астрономических изображений поверхности планет и астероидов. Актуальность подобных задач в последнее время быстро растет, особенно после падения метеорита около Челябинска.

 

Операции анализа изображения

При анализе обычно сопоставляются и изменяются свойства объектов изображения. Например, следующая программа выделяет с помощью функции boundaries контуры объектов черно-белого изображения и закрашивает внутреннюю область объектов тремя цветами (рис. 29):

Выделение и окраска объектов (бактерий)

Рис. 29. Выделение и окраска объектов (бактерий)

I = imread(‘rice.png’); BW = im2bw(I, graythresh(I));

[B,L] = bwboundaries(BW,’noholes’);

imshow(label2rgb(L, @jet, [.5 .5 .5])); hold on

for k = 1:length(B)

           boundary = B{k};

           plot(boundary(:,2), boundary(:,1), ‘w’, ‘LineWidth’, 2)

end

Следующая программа напоминает предыдущую, но не строит границу объектов, а окрашивает их целиком и позволяет менять цвет фона (рис. 30):

Замена цвета объектов и фона

Рис. 30. Замена цвета объектов и фона

I = imread(‘rice.png’); subplot(131); imshow(I)

BW = im2bw(I, graythresh(I)); CC = bwconncomp(BW);

L = labelmatrix(CC); RGB = label2rgb(L);

subplot(132); imshow(RGB)

RGB2 = label2rgb(L, ‘spring’, ‘c’, ‘shuffle’);

subplot(133); imshow(RGB2)

 

Обработка изображений печатных плат

Изображения печатных плат легко преобразуются в бинарные, что позволяет использовать обширный аппарат морфологических преобразований для совершенствования проектирования таких плат. Приведенная ниже программа иллюстрирует технику получения границ проводников печатной платы специальными методами Превита и Канни и соответствующими функциями (рис. 31):

Оригинал изображения печатной платы и действие функции edge при методе Превита и Канни

Рис. 31. Оригинал изображения печатной платы и действие функции edge при методе Превита и Канни

I = imread(‘circuit.tif’);subplot(131);imshow(I);

BW1 = edge(I,’prewitt’);BW2 = edge(I,’canny’);

subplot(132); imshow(BW1); subplot(1,3,3); imshow(BW2)

Другая программа обеспечивает это методом Канни с поворотом печатной платы (рис. 32):

Поворот изображения печатной платы

Рис. 32. Поворот изображения печатной платы

I = imread(‘circuit.tif’);

rotI = imrotate(I,33,’crop’); fig1 = imshow(rotI);

BW = edge(rotI,’canny’); figure, imshow(BW);

Интересно, что при наклонных границах проводников их выделение происходит более четко. Часто важную информацию несет зависимость яркости заданной строки изображения от расстояния, то есть диаграмма профиля (рис. 33):

Зависимость яркости строки от положения в ней пикселя

Рис. 33. Зависимость яркости строки от положения в ней пикселя

circuitBoard = rot90(rgb2gray(imread(‘board.tif’)));

subplot(211); imshow(circuitBoard); title(‘Original Image’)

offsets0 = [zeros(40,1) (1:40)’];

glcms = graycomatrix(circuitBoard,’Offset’,offsets0);

stats = graycoprops(glcms,’Contrast Correlation’);

 

 

subplot(212); plot([stats.Correlation]);

title(‘Texture Correlation as a function of offset’);

xlabel(‘Horizontal Offset’); ylabel(‘Correlation’)

Построение цветного изображения печатной платы также возможно. Это иллюстрирует следующая программа (рис. 34):

Выделение и окраска элементов печатной платы

Рис. 34. Выделение и окраска элементов печатной платы

BW = imread(‘blobs.png’); [B,L,N] = bwboundaries(BW);

figure; imshow(BW); hold on;

for k=1:length(B),

      boundary = B{k};

      if(k > N)

           plot(boundary(:,2),...

                 boundary(:,1),’g’,’LineWidth’,2);

      else

           plot(boundary(:,2), boundary(:,1),’r’,’LineWidth’,2);

      end

end

 

Специальные преобразования изображения

В технике компрессии (сжатия) и декомпрессии изображений часто используются специальные преобразования изображения. Для этого в пакете Image Processing Toolbox имеется ряд функций. Одна из них — dct2 — осуществляет прямое косинусное преобразование изображения (рис. 35):

Прямое косинусное преобразование dct

Рис. 35. Прямое косинусное преобразование dct

RGB = imread(‘autumn.tif’); I = rgb2gray(RGB); J = dct2(I);

subplot(121);imshow(RGB);title(‘Оригинал’);

subplot(122); imshow(log(abs(J)),[]),

colormap(jet(64)), colorbar; title(‘dct2’)

При прямом косинусном преобразовании получается изображение, которое почти не содержит мелких деталей, свойственных исходному изображению. Его спектр намного более узкий, что говорит о существенном сжатии изображения — практически в десятки раз. Такое сжатие используется в формате изображений .jpeg. С 2000 года для сжатия стали использовать и вейвлеты [4, 5], но пока в Image Processing Toolbox нет средств для работы с ними.

Косинусное преобразование является обратимым, так что возможно восстановление изображения. В ходе этой операции можно использовать более узкий спектр и отказаться от составляющих сигнала с очень малым уровнем. Особенно эффектно это при преобразовании изображения в формат grayscale (рис. 36):

Оригинальное изображение в формате grayscale и после прямого и обратного косинусного преобразования

Рис. 36. Оригинальное изображение в формате grayscale и после прямого и обратного косинусного преобразования

J(abs(J) < 10) = 0; K = idct2(J);

subplot(211); imshow(I); title(‘Оригинал в формате grayscale’);

subplot(212); imshow(K,[0 255]);

title(‘Восстановленное изображение’);

При обработке фотографий (например, рентгеновских снимков) применяется специальное прямое и обратное преобразование Радона (рис. 37):

Прямое и обратное преобразование Радона с промежуточной фильтрацией

Рис. 37. Прямое и обратное преобразование Радона с промежуточной фильтрацией

P = phantom(128); R = radon(P,0:179);

I1 = iradon(R,0:179); I2 = iradon(R,0:179,’linear’,’none’);

subplot(1,3,1), imshow(P), title(‘Original’)

subplot(1,3,2), imshow(I1), title(‘Filtered backprojection’)

subplot(1,3,3), imshow(I2,[]), title(‘Unfiltered backprojection’)

Большая группа преобразований связана с изменением форматов данных и чисел и арифметическими операциями с матрицами изображений и цветов. Ввиду их очевидности функции подобных преобразований в [4, 5] не описаны.

 

Операции с цветом

Цвета каждого пикселя изображения в MATLAB и пакете Image Processing Toolbox задаются числами (кодами). Поэтому операции с цветом сводятся к матричным операциям и реализуются соответствующими функциями цвета. Работа с цветом изображения или его объектов происходит на уровне этих функций (рис. 38):

Преобразование RGB-изображения в grayscale формата PNG и изображения текстового формата в бинарный

Рис. 38. Преобразование RGB-изображения в grayscale формата PNG и изображения текстового формата в бинарный

RGB = imread(‘peppers.png’);

M = [0.30, 0.59, 0.11];

gray = imapplymatrix(M, RGB);

subplot(2,2,1), imshow(RGB),

title(‘Original RGB’)

subplot(2,2,2), imshow(gray),

title(‘Grayscale Conversion’)
bw = imread(‘text.png’);

bw2 = imcomplement(bw);

subplot(2,2,3),imshow(bw);

subplot(2,2,4),imshow(bw2)

Определенную специфику имеют операции и функции изменения форматов изображений с разными цветами. Мы уже неоднократно применяли преобразования RGB- и grayscale-изображений. В формате RGB для задания кодов цветов R, G и B каждого пикселя используется «куб цветов», показанный на рис. 39 (слева) при 8‑битовом кодировании (28 = 256 цветов).

Куб цветов RGB и конус цветов HSV

Рис. 39. Куб цветов RGB и конус цветов HSV

Отметим еще один популярный формат — HSV. При нем используется «конус цветов» (рис. 39, справа). Для задания цвета нужны три параметра: Hue(цвет); Saturation (насыщенность) и Value (сила цвета). Следующая программа вычисляет и представляет матрицы компонентов и исходное изображение формата HSV (рис. 40):

Составляющие HSV цветного изображения

Рис. 40. Составляющие HSV цветного изображения

RGB=reshape(ones(64,1)*reshape(jet(64),1,192),[64,64,3]);

HSV=rgb2hsv(RGB); H=HSV(:,:,1); S=HSV(:,:,2); V=HSV(:,:,3);

subplot(2,2,1), imshow(H); subplot(2,2,2), imshow(S)

subplot(2,2,3), imshow(V); subplot(2,2,4), imshow(RGB)

Есть ряд функций, поддерживающих и другие системы изображения и цвета — менее распространенные. Их описание можно найти в справке и книгах [2–5].

 

Взаимодействие с другими пакетами расширения

Пакет расширения Image Processing Toolbox R2012b функционально закончен, для его работы необходима только базовая матричная система MATLAB R1212b. Блочное имитационное моделирование систем и устройств обработки изображений и управления видеопотоками в этом пакете не предусмотрено. Для этой цели служит другой пакет расширения — Image Acquisition Toolbox. Кроме того, в области обработки и фильтрации изображений как сигналов можно использовать пакеты расширения Signal Processing Toolbox, DSP System, Wavelet Toolbox и др. Возможности работы с картографическими изображениями имеются в специальном пакете расширения Mapping Toolbox. Это расширяет возможности базовой системы MATLAB R2012b и позволяет при необходимости применять средства блочного имитационного моделирования Simulink 8.0 (R2012b).

 

Заключение

Image Processing Toolbox R2012b вобрал в себя обширные возможности предшествующих реализаций этого мощного пакета расширения. Введен ряд новых возможностей и функций. Доступ к возможностям пакета стал более открытым и удобным, особенно к его браузерам изображений. Пакет имеет множество функций, написанных на языке программирования системы MATLAB 8.0 — лучшем для научно-технических расчетов. Порою всего две-три строки вполне понятного машинного кода MATLAB достаточно для решения сложной технической задачи. При этом програм-мные коды открыты для разбора и модификации пользователем. Их можно целиком вводить в командном или программном режимах работы. Дополнительные функции, вводимые пакетом расширения Image Processing Toolbox в систему MATLAB, обеспечивают решение основных задач импорта и экспорта файлов изображений, их обработки, анализа, улучшения качества, ряда преобразований и т. д.

Литература
  1. www.mathworks.com
  2. Дьяконов  В. П. MATLAB R2006/2007/2008 + Simulink 5/6.7. Основы применения. М.: Солон-Пресс, 2008.
  3. Дьяконов  В. П. MATLAB. Полный самоучитель. М.: ДМК-Пресс, 2012.
  4. Дьяконов  В. П. MATLAB 6.5 SP1/7//7 P1+Simulink 5.6. Работа с изображениями и видеопотоками. М.: Солон-Пресс, 2010.
  5. Гонсалес  Р., Вудс  Р., Эддинс  Э. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *