Voorbeelden van Beeldverwerkingsoperatoren

Deze pagina toont enkele voorbeelden van beeldbewerkingsoperatoren Die beelden komen het best tot hun recht wanneer het scherm 256 grijswaarden kan vertonen zonder te ditheren. De meeste WWW grasduiners ("browsers") kunnen dit niet. Een goede methode is de beelden naar je eigen computer over te halen en daar een goed displayprogramma te gebruiken (bv. xv).

Het originele beeld ``lenna'' staat in het GIFbeeld1. Het is een luminantiebeeld (8 bit per beeldpunt) met afmetingen 512x512. Onder originele vorm bevat het dus 262.144 kbyte of dus 2.097152 mbit.

Het histogram van de luminantiewaarden staat in het GIFbeeld2. Het histogram telt hoeveel keer elke luminantiewaarde (of grijswaarde) voorkomt in het beeld. De gemiddelde waarde van de luminantie is 134.4. De variantie van de luminantie is 1732.023. De spreiding is dus 41.6. De entropie van dit histogram is 7.22 bit per beeldpunt.

Het GIFbeeld3 toont het originele beeld na histogramegalisatie. Het contrast van het resulterende beeld is duidelijk hoger dan in het originele beeld.

Het GIFbeeld4 toont het beeld lenna dat gefilterd is met een Gaussiaans filter met parameter z_0=8. Dit is tevens een beeld dat optreedt na diffusie tot op schaal z_0=8. Het is duidelijk dat het filteren (of isotroop uitmiddelen) het beeld wazig maakt. Intensiteitsovergangen worden minder scherp en fijne details worden weggefilterd.

Het GIFbeeld5 toont een opening van het beeld lenna met een structurerende functie: h_{k,l} = 256 (k^2 + l^2)/50.0. Het GIFbeeld6 toont een sluiting van het beeld lenna met dezelfde structurerende functie. Het originele beeld bevat in de linkerbovenhoek enkel ruiswaarden. Deze negatieve pieken uiten zich in het beeld als zwarte puntjes. De sluiting is in staat deze weg te filteren, terwijl de opening ze eerder accentueert. De sluiting is dus de meest aangewezen verbeteringstechniek voor deze vorm van ruis. Mochten er positieve, i.p.v. negatieve, pieken in het beeld aanwezig geweest zijn, dan zou de opening de meest geschikte techniek geweest zijn.

Het JPEGbeeld toont het beeld lenna gecodeerd met de JPEG-standaard. Het beeld bevat onder gecomprimeerde vorm (slechts) 10914 bit. Dit stemt overeen met een compressiefactor van ongeveer 48 of met 0.042 bit per beeldpunt. Het gecomprimeerde beeld lijkt nog zeer goed op het origineel, maar er zijn al blokeffecten waar te nemen.

Het GIFbeeld7 toont het beeld lenna bewerkt met de gradientoperator. Hoe witter de beeldwaarde, hoe groter de waarde van de gradient. Dit illustreert dat de gradientoperator geen gesloten randen, maar randpunten vindt, en dat deze operator nog gevoelig aan ruis is. De Sobeloperator heeft minder last van ruis. Het GIFbeeld8 toont het beeld lenna bewerkt met die Sobeloperator. Hoe witter de beeldwaarde, hoe groter de uitgangswaarde van de Sobeloperator. Ook in dit geval zijn de randen niet noodzakelijk gesloten en niet oneinig dun. Deze twee beelden tonen ook aan dat het moelijk is om de drempel te zetten om randpunten te detecteren. Zet men de drempel te hoog, dan heeft men teveel valse randpunten ten gevolge van ruis. Zet men de drempelwaarde te laag, dan mist men een heleboel echte randpunten.

Een andere randdetectiemethode zoekt de nuldoorgangen van het Laplaciaans gefilterde beeld. Deze methode is zo gevoelig aan ruis dat het beeld eerst met een Gausiaans filter bewerkt moet worden. Van het boven aangehaalde GIFbeeld4, dat al Gaussiaans gefilterd was, worden de nuldoorgangen van zijn Laplaciaan getoond in het GIFbeeld9. Die nuldoorgangen kunnen gezien worden als randen in het beeld. Naast echte randen worden ook nog een aantal valse randen gevonden. Het aantal valse nuldoorgangen ten gevolge van ruis daalt als de schaal z_0 tot waarop de diffusie loopt, groter wordt.


Al deze technieken worden behandeld in het boek "beelverwerking" (in het Nederlands), die bij mij op simpele aanvraag te bekomen is.
Laatst aangepast door Danny.DeVleeschauwer@telin.rug.ac.be op 19 november 1999