2. Вторая часть работы.

Для выполнения второй части лабораторной работы был использован код, представленный в листинге 2. Этот код исследует, как изменение количества плиток по вертикали (параметр B) влияет на результат адаптивного выравнивания гистограммы изображения.

Листинг 2 – MATLAB-программа для исследования влияния заданного параметра из функции

% Чтение исходного изображения I = imread('image.jpg'); I_gray = rgb2gray(I); % Преобразование изображения в полутоновое % Определение параметров, которые не исследуются A = 8; % Фиксированное количество плиток по горизонтали C = 0.02; % Фиксированный ClipLimit % Вектор для разных значений B B_values = [2, 4, 8, 16, 32]; % Исследуемые значения B num_tests = length(B_values); % Цикл по разным значениям B for i = 1:num_tests B = B_values(i); % Применение ADAPTHISTEQ с текущим значением B J = adapthisteq(I_gray, 'NumTiles', [A B], 'ClipLimit', C); % Создание нового окна для изображения figure; imshow(J); title(sprintf('Image with B = %d', B)); % Создание нового окна для гистограммы figure; imhist(J, 256); title(sprintf('Histogram with B = %d', B)); % Сохранение результатов в файлы imwrite(J, sprintf('output_B_%d.jpg', B)); end

Описание программы:

1. Инициализация: загружается исходное изображение, которое преобразуется в полутоновое (градации серого), так как adapthisteq обычно применяется к полутоновым изображениям для улучшения контраста.

2. Параметры: фиксируются значения для A и C, чтобы исследовать влияние изменения B (количество плиток по вертикали).

3. Цикл обработки: для каждого значения B из заданного списка:

• Применяется adapthisteq с текущими параметрами.

• Результат отображается на экране вместе с его гистограммой для визуального анализа изменений.

4. Визуализация: используются графики для отображения обработанных изображений и их гистограмм по мере изменения B.

5. Сохранение результатов: Обработанные изображения сохраняются в файлы для дальнейшего использования или анализа.

Результаты обработки тестового изображения программой представлены на рисунках 2-3.

Рисунок 2 – Результаты обработки тестового изображения программой, текст которой представлен в листинге 2 (слева – изображения, справа – соответствующие им гистограммы яркостей): а) при B = 2, б) при B = 4, в) при B = 8

Рисунок 3 – Результаты обработки тестового изображения программой, текст которой представлен в листинге 2 (слева – изображения, справа – соответствующие им гистограммы яркостей): а) при B = 16, б) при B = 32

Наблюдаемые визуальные эффекты в изображениях после обработки приведены в таблице 2.

Таблица 2 – Наблюдаемые визуальные эффекты в изображениях после обработки

Наблюдения	Большее значение «B»	Меньшее значение «B»
Влияние на детализацию и контраст	Увеличение B приводит к уменьшению размера каждой плитки по вертикали, что позволяет более точно адаптироваться к локальным особенностям изображения. Это улучшает детализацию в вертикально ориентированных областях, делая мелкие детали более заметными и повышая локальный контраст. Такой подход может быть полезен для изображений с выраженной вертикальной структурой или текстурами.	С другой стороны, меньшее B приводит к созданию более крупных вертикальных плиток. Это может приводит к более грубой адаптации с уменьшением локального контраста в детальных вертикальных областях, но с улучшением общей гомогенности контраста на изображении. Изображения могут выглядеть более сглаженными и менее "шумными".
Появление артефактов	Когда B велико, плитки меньше, это приводит к более частому появлению артефактов, таких как "зернистость" или "мозаичность", особенно в однородных областях изображения. Это происходит из-за переусердствования в попытке адаптировать гистограмму в малых областях, что неестественно усиливает шумы или мелкие детали.	С меньшим B, плитки становятся больше, и артефакты могут проявляться как общее размытие деталей, поскольку эквализация становится менее способной к адаптации к мелким локальным изменениям яркости.
Общее качество изображения	Идеальное значение B зависит от конкретного изображения и задачи. В нашем случае самый аккуратный и приемлемый результат получился при значении B равным 16. Для портретных фотографий меньшее B может предпочтительнее для сохранения естественности кожных тонов, в то время как для пейзажей с большим количеством деталей (например, листья, трава) большее B может лучше подчеркнуть текстуры.

ВЫВОД

В ходе выполнения лабораторной работы я изучил три основных метода обработки цифровых изображений с помощью MATLAB, включая эквализацию гистограммы (HISTEQ), регулировку контрастности (IMADJUST), и адаптивное выравнивание гистограммы (ADAPTHISTEQ). Каждый из этих методов позволил мне исследовать различные аспекты улучшения визуальных характеристик изображений. Вот ключевые выводы и наблюдения, сделанные в ходе работы:

Эквализация Гистограммы (HISTEQ): Применение HISTEQ значительно улучшило контрастность изображения, особенно в темных и светлых участках. Это сделало детали более различимыми, что особенно ценно для изображений с плохим исходным освещением. Вариант обработки с выделением канала яркости в HSV позволил сохранить оригинальную цветовую палитру, предотвращая искажения цвета, которые часто сопровождают стандартную эквализацию гистограммы по всем каналам.

Регулировка Контрастности (IMADJUST): IMADJUST с автоматически определенными пределами через stretchlim привела к усиленному контрасту, делая изображение ярче и четче. Этот метод был особенно эффективен для коррекции изображений, страдающих от недостаточной экспозиции. Однако, важно отметить, что сильное увеличение контраста может подчеркнуть шум и привести к потере деталей в очень темных или светлых областях.

Адаптивное Выравнивание Гистограммы (ADAPTHISTEQ): ADAPTHISTEQ продемонстрировал наиболее значительные улучшения в локальном контрасте, делая его идеальным для детализации изображений с низким контрастом. Однако, для редактирования портретных фотографий данный метод не очень подходит. Несмотря на его эффективность в улучшении детализации, этот метод может интродуцировать артефакты, такие как гало вокруг контрастных объектов, что может быть нежелательным в некоторых применениях.

Все три метода показали свою эффективность в улучшении визуальных характеристик изображений, но каждый имеет свои особенности применения в зависимости от контекста задачи и характеристик исходного материала. Например, HISTEQ и ADAPTHISTEQ более подходят для ситуаций, когда необходимо максимально усилить контраст и детализацию, в то время как IMADJUST лучше использовать для общего улучшения яркости и контраста без значительных изменений в цветовой гамме.

На основании проделанной работы я могу заключить, что выбор метода обработки изображений должен основываться на специфических требованиях к визуальным характеристикам конечного результата. Экспериментирование с различными параметрами и методами позволяет оптимально адаптировать процесс обработки под любые условия и задачи.