Obraz — matematický objekt
I Spojitý obrazfc : (Ωc ⊆ R2)→ R
I Diskrétní obraz
fd : (Ω ⊆ 0 . . . n1 × 0 . . . n2)→ 0 . . . fmax
Další rozšíření:I Okrajové podmínkyI Vektorové obrazy
Obraz — matematický objekt
I Spojitý obrazfc : (Ωc ⊆ R2)→ R
I Diskrétní obraz
fd : (Ω ⊆ 0 . . . n1 × 0 . . . n2)→ 0 . . . fmax
Další rozšíření:I Okrajové podmínkyI Vektorové obrazy
Obraz — matematický objekt
I Spojitý obrazfc : (Ωc ⊆ R2)→ R
I Diskrétní obraz
fd : (Ω ⊆ 0 . . . n1 × 0 . . . n2)→ 0 . . . fmax
Další rozšíření:I Okrajové podmínkyI Vektorové obrazy
Digitalizace
I Vzorkování & kvantizace hodnoty obrazové funkce (téžintenzity).
I Digitální obraz se obvykle reprezentuje maticí.I Pixel = akronym, angl. picture element.
DistribuceI Operátor
⟨u, ϕ
⟩→ R
I 1D Dirac δ (bod): ⟨δ, f (x)
⟩x = f (0)
δ(x) = limξ→∞
ξ rect(ξx)
I Vlastnosti:I Linearita,I Nezávislost na posunutíI SpojitostI Testovací funkce ‘husté’ např. v L2I Dirac δ je identitou konvoluce.
I Na co si dát pozor:I Nelze je vyhodnocovat v bodech (δ(0) =?)I Nelze je násobit (δδ =?)I Derivace (
⟨δ′, ϕ
⟩= −
⟨δ, ϕ′⟩)
I Změna měřítka (⟨δ(αx), ϕ
⟩= ϕ(0)/α)
I Fourierova transformace jen pro ‘temperované distribuce’,(‘kompaktní’ ϕ). (F(δ) = 1)
DistribuceI Operátor
⟨u, ϕ
⟩→ R
I 1D Dirac δ (bod): ⟨δ, f (x)
⟩x = f (0)
δ(x) = limξ→∞
ξ rect(ξx)
I Vlastnosti:I Linearita,I Nezávislost na posunutíI SpojitostI Testovací funkce ‘husté’ např. v L2I Dirac δ je identitou konvoluce.
I Na co si dát pozor:I Nelze je vyhodnocovat v bodech (δ(0) =?)I Nelze je násobit (δδ =?)I Derivace (
⟨δ′, ϕ
⟩= −
⟨δ, ϕ′⟩)
I Změna měřítka (⟨δ(αx), ϕ
⟩= ϕ(0)/α)
I Fourierova transformace jen pro ‘temperované distribuce’,(‘kompaktní’ ϕ). (F(δ) = 1)
DistribuceI Operátor
⟨u, ϕ
⟩→ R
I 1D Dirac δ (bod): ⟨δ, f (x)
⟩x = f (0)
δ(x) = limξ→∞
ξ rect(ξx)
I Vlastnosti:I Linearita,I Nezávislost na posunutíI SpojitostI Testovací funkce ‘husté’ např. v L2I Dirac δ je identitou konvoluce.
I Na co si dát pozor:I Nelze je vyhodnocovat v bodech (δ(0) =?)I Nelze je násobit (δδ =?)I Derivace (
⟨δ′, ϕ
⟩= −
⟨δ, ϕ′⟩)
I Změna měřítka (⟨δ(αx), ϕ
⟩= ϕ(0)/α)
I Fourierova transformace jen pro ‘temperované distribuce’,(‘kompaktní’ ϕ). (F(δ) = 1)
DistribuceI Operátor
⟨u, ϕ
⟩→ R
I 1D Dirac δ (bod): ⟨δ, f (x)
⟩x = f (0)
δ(x) = limξ→∞
ξ rect(ξx)
I Vlastnosti:I Linearita,I Nezávislost na posunutíI SpojitostI Testovací funkce ‘husté’ např. v L2I Dirac δ je identitou konvoluce.
I Na co si dát pozor:I Nelze je vyhodnocovat v bodech (δ(0) =?)I Nelze je násobit (δδ =?)I Derivace (
⟨δ′, ϕ
⟩= −
⟨δ, ϕ′⟩)
I Změna měřítka (⟨δ(αx), ϕ
⟩= ϕ(0)/α)
I Fourierova transformace jen pro ‘temperované distribuce’,(‘kompaktní’ ϕ). (F(δ) = 1)
2D Dirac
I 2D Dirac (bod): ⟨δ, f (x , y)
⟩(x ,y) = f (0, 0)
δ(x , y) = limξ→∞
ξ2 rect(ξx , ξy)
δ(x , y) = δ(x)δ(y)
I Ve 2D lze definovat mnoho 1D ‘Diraců’ (např. přímka,kruh,. . .)
2D Dirac
I 2D Dirac (bod): ⟨δ, f (x , y)
⟩(x ,y) = f (0, 0)
δ(x , y) = limξ→∞
ξ2 rect(ξx , ξy)
δ(x , y) = δ(x)δ(y)
I Ve 2D lze definovat mnoho 1D ‘Diraců’ (např. přímka,kruh,. . .)
VzorkováníI Vzorkovací rastr
(b)(a)
I Vzorkovací funkce(pro uniformní pravoúhlou síť)
fij =⟨φ(x − hx i , y − hy j), f
⟩(x ,y)
φ(x , y) = δ(x , y) −→ ideální vzorkování
fij = f (hx i , hy j)
I Hustota vzorkování h(Shannonova věta o vzorkování).
VzorkováníI Vzorkovací rastr
(b)(a)
I Vzorkovací funkce(pro uniformní pravoúhlou síť)
fij =⟨φ(x − hx i , y − hy j), f
⟩(x ,y)
φ(x , y) = δ(x , y) −→ ideální vzorkování
fij = f (hx i , hy j)
I Hustota vzorkování h(Shannonova věta o vzorkování).
VzorkováníI Vzorkovací rastr
(b)(a)
I Vzorkovací funkce(pro uniformní pravoúhlou síť)
fij =⟨φ(x − hx i , y − hy j), f
⟩(x ,y)
φ(x , y) = δ(x , y) −→ ideální vzorkování
fij = f (hx i , hy j)
I Hustota vzorkování h(Shannonova věta o vzorkování).
První scanner obrazu, 1956
R. Kirsch, ‘SEAC and the start of image processing at the NationalBureau of Standards. In: Annals of the history of computing, IEEE,vol. 20 (1998), p 7-13.)
Vzorkování, příklad
Originál 256× 256 256× 256
Vzorkování, příklad
Originál 256× 256 128× 128
Vzorkování, příklad
Originál 256× 256 64× 64
Vzorkování, příklad
Originál 256× 256 32× 32
Vzorkování a interpolace
Spojitý obraz Diskrétní obraz
vzorkování
interpolace
I Po částech konstantní interpolace (P0, nearest neighbor) —rychlé, špatná kvalita
I lineární, kvadratická, kubická, . . .I souhra vzorkování a interpolaceI (o interpolaci více později)
Vzorkování a interpolace
Spojitý obraz Diskrétní obraz
vzorkování
interpolace
I Po částech konstantní interpolace (P0, nearest neighbor) —rychlé, špatná kvalita
I lineární, kvadratická, kubická, . . .I souhra vzorkování a interpolaceI (o interpolaci více později)
Vzorkování a interpolace
Spojitý obraz Diskrétní obraz
vzorkování
interpolace
I Po částech konstantní interpolace (P0, nearest neighbor) —rychlé, špatná kvalita
I lineární, kvadratická, kubická, . . .
I souhra vzorkování a interpolaceI (o interpolaci více později)
Vzorkování a interpolace
Spojitý obraz Diskrétní obraz
vzorkování
interpolace
I Po částech konstantní interpolace (P0, nearest neighbor) —rychlé, špatná kvalita
I lineární, kvadratická, kubická, . . .I souhra vzorkování a interpolace
I (o interpolaci více později)
Vzorkování a interpolace
Spojitý obraz Diskrétní obraz
vzorkování
interpolace
I Po částech konstantní interpolace (P0, nearest neighbor) —rychlé, špatná kvalita
I lineární, kvadratická, kubická, . . .I souhra vzorkování a interpolaceI (o interpolaci více později)
Kvantování, příklad
Originál 256 jasových úrovní 256 jasových úrovní
Kvantování, příklad
Originál 256 jasových úrovní 64 jasových úrovní
Kvantování, příklad
Originál 256 jasových úrovní 16 jasových úrovní
Kvantování, příklad
Originál 256 jasových úrovní 4 jasové úrovně
Kvantování, příklad
Originál 256 jasových úrovní 2 jasové úrovně
Histogram hodnot jasu
Histogram hodnot jasu je odhadem hustoty pravděpodobnosti jevu,že pixel bude mít určitou jasovou hodnotu.
0 50 100 150 200 250
0
500
1000
1500
2000
2500
3000
3500
výchozí obraz histogram hodnot jasu
Histogram (2)
I Spojitý × diskrétní
I Výpočet histogramuI Volba počtu binůI Dodatečné vyhlazováníI Váhovací jádroI Problémy ve vyšších dimenzích
Histogram (2)
I Spojitý × diskrétníI Výpočet histogramu
I Volba počtu binůI Dodatečné vyhlazováníI Váhovací jádroI Problémy ve vyšších dimenzích
Histogram (2)
I Spojitý × diskrétníI Výpočet histogramuI Volba počtu binů
I Dodatečné vyhlazováníI Váhovací jádroI Problémy ve vyšších dimenzích
Histogram (2)
I Spojitý × diskrétníI Výpočet histogramuI Volba počtu binůI Dodatečné vyhlazování
I Váhovací jádroI Problémy ve vyšších dimenzích
Histogram (2)
I Spojitý × diskrétníI Výpočet histogramuI Volba počtu binůI Dodatečné vyhlazováníI Váhovací jádro
I Problémy ve vyšších dimenzích
Histogram (2)
I Spojitý × diskrétníI Výpočet histogramuI Volba počtu binůI Dodatečné vyhlazováníI Váhovací jádroI Problémy ve vyšších dimenzích
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)
I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.
Kvantizace (2)
u → uq : tk ≤ u < tk+1 ⇒ uq(u) = rk
I Rovnoměrná (uniformní)I Optimální
I Minimalizujeme střední kvadratickou chybu (MSE)J = E
(u − uq)2
I Známe p(u)
I J =∑i
i+1∫i(u − ri )2p(u) du
I Podmínky optimality:
tk = (rk + rk+1)/2
rk = Eu|tk ≤ u < tk+1
I Nemá přímé řešení, iterační postupy.