- •Список вопросов по курсу
- •1. Этапы формирования изображения. Оптическая система, сенсор, изображение в виде файла данных.
- •2. Типы (цветное, оттенки серого, черно-белое) и форматы записи изображений.
- •3. Оптический спектр, длины волн видимого света. Спектр излучения абослютно-черного тела, спектр солнца. Цветовая температура. Поглощение света в атмосфере.
- •4. Отражающая способность. Спектр на изображении с учетом освещения, поглощения и отражающей способности.
- •5. Тристимулус. Цветовые схемы rgb и cmyk. Особенности применения, переход от одной схемы к другой.
- •6. Спектральная чувствительность человеческого глаза. Суммарно-разностные схемы. Болезни связанные с цветовосприятием (примеры нарушения цветовосприятия)
- •9. Контраст изображения. Мтf, методы измерения.
- •8. Связь апертуры объектива, глубины резкости и фокусного расстояния. Краткий ответ (основная мысль)
- •Развернутый ответ для зачета
- •11. Контраст изображения. Гамма – коррекция, применение.
- •12. Выравнивание гистограммы. Построение функции преобразования s(r)
- •13. Пространственная фильтрация. Маска изображения. Свертка изображения с маской. Низко, средне и высокочастотная фильтрация.
- •14. Типы пространственных фильтров: равномерный и Гауссов фильтр. Сравнение на примере высокочастотного фильтра с различным размером маски (3х3, 7х7, 31х31)
- •Размер 3x3:
- •Размер 7x7:
- •Размер 31x31:
- •15. Виды шумов на изображении: Гауссов, периодический, соль-перец и д.Р. И их функции распределения.
- •16. Применение арифметического, медианного, Гауссова, контргарамонического фильтра для удаления шумов.
- •17. Лапласиан, применение для повышения резкости изображения. Нерезкое маскирование. Примеры пространственных фильтров для реализации Лапласиана
- •18. Выделение линий на изображении. Применение градиента. Фильтр Собола. Выделение линий различной ориентации.
- •19. Сегментация изображений. Методы сегментации.
- •20. Перцептрон. Примение для классификации. Ограничения. Обучение.
- •21. Модель нейрона. Функции активации. Преимущества и недостатки различных фунций активации.
- •2. Функции активации (рассмотренные в материале)
- •3. Преимущества и недостатки (на основе материала)
- •22. Многослойные сети. Полносвязная сверточная сеть (fcnn).
- •23. Уравнение обратного распространения. Матричная запись уравнений
- •24. Методы обучения нейронных сетей.
- •25. Сверточная нейронная сеть. Особенности, преимущества.
- •Структура сверточных нейросетей
- •Как работают сверточные нейронные сети
- •26. Глубокая сверточная нейронная сеть. Пример применения на основе распознавания цифр.
- •2. Архитектура LeNet как пример cnn
- •3. Пример применения: распознавание цифр (почтовых индексов)
- •Детали примера:
11. Контраст изображения. Гамма – коррекция, применение.
image processing (2018) 186 стр. ( чуть раньше примерно)
Контраст изображения
Контраст определяется как расширение или сжатие диапазона интенсивностей пикселей для улучшения визуального восприятия.
Растяжение контраста (contrast stretching) — метод, при котором узкий диапазон интенсивностей входного изображения линейно растягивается на весь доступный диапазон (например, [0, L-1]). Это полезно для низкоконтрастных изображений, полученных из-за плохого освещения или ошибок настройки аппаратуры (стр. 13).
Пример: на рис. 3.10(b) показано низкоконтрастное изображение, а на рис. 3.10(c) — результат растяжения контраста, где (r1,s1) = (r_min,0) и (r2,s2) = (r_max, L-1).
Гамма-коррекция — это коррекция яркости цифрового изображения, которая используется для демонстрации изображений на устройствах вывода с нелинейной яркостной характеристикой.
На ЭЛТ-мониторах (мониторы с электронно-лучевой трубкой) была нелинейная зависимость между напряжением и яркостью пикселя: удваивание напряжения не приводило к удвоенному значению яркости, вместо этого изменение яркости происходит по экспоненциальному закону с гамма-коэффициентом 2.2.
Гамма-коэффициент — характеристика нелинейности — отношение между численным значением пикселя и его действительной светимостью.
Гамма-коррекцию можно описать степенной функцией: Bin = A * Bout^γ, где A — коэффициент наклона графика, Bin и Bout — входные и выходные значения яркости, а γ — гамма-коэффициент.
На рисунке 2 рассматривается частный случай функции с коэффициентом A = 1, где по оси X расположились значения яркости на входе, а по оси Y — яркость на выходе. Три линии на графике: ожидаемая яркость (красный), гамма монитора (синий) и гамма-коррекция (зеленый).
Допустим, что красная линия будет ожидаемым значением цвета, то при применении гаммы монитора для значения яркости 0.5 результатом будет 0.218. Для компенсации данного изменения применяется гамма-коррекция, которая смещает значение яркости до 0.73. Данное значение после гаммы монитора будет иметь значение 0.5.
12. Выравнивание гистограммы. Построение функции преобразования s(r)
image processing (2018) 186 стр.
Выравнивание гистограммы
Это метод повышения контраста изображения. Цель — сделать гистограмму выходного изображения максимально равномерной (растянуть её на весь диапазон яркостей).
Построение функции
преобразования
Для дискретного случая (цифровые изображения):
Функция строится на основе кумулятивной суммы (накопленной вероятности) нормализованной гистограммы входного изображения.
Формула:
Где:
— входная яркость пикселя.
— количество уровней яркости (например,
256).
— вероятность (нормализованная
гистограмма) для уровня
.
— кумулятивная сумма (накопленная
частота) от 0 до
.
Этапы построения:
1. Вычислить нормализованную
гистограмму
.
2. Для каждого уровня вычислить сумму всех от 0 до .
3. Умножить эту сумму
на
.
4. Округлить результат до ближайшего целого (так как яркость пикселя — целое число).
Результат: Темные входные значения получают значительно более светлые выходные значения, гистограмма «растягивается», а контраст изображения повышается.
