Tasvirlarga morfologik ishlov berish algoritmlari. Algoritmlar uchun dasturiy ta`minot ishlab chiqish.
![(7-rasm) Noto'g'ri tasvir fonini tuzatish uchun protrusion transformatsiyani
qo'llaydi. (a) 600x600 piksel o'lchamdagi asl rasm. (b) chegaradan keyingi rasm.
(c) radiusi 40 piksel bo'lgan aylana ibtidoiy bo'ylab ochish operatsiyasi natijasi. (d)
"Protrusion" transformatsiyasining natijasi (asl tasvirni ochish natijasini hisobga
olmaganda). (e) o'zgartirilgan tasvirni chegaralash natijasi.
2.Amaliy qism
2.1 . Morfologik ishlov berish algoritmining dasturiy ta`minotini ishlab
chiqish
1. Erosiya (yemirilish).
import numpy as np
from PIL import Image
def rgb2gray(rgb: np.array) -> np.array:
"""
Return gray image from rgb image
>>> rgb2gray(np.array([[[127, 255, 0]]]))
array([[187.6453]])
>>> rgb2gray(np.array([[[0, 0, 0]]]))
array([[0.]])
>>> rgb2gray(np.array([[[2, 4, 1]]]))
array([[3.0598]])
>>> rgb2gray(np.array([[[26, 255, 14], [5, 147, 20], [1, 200, 0]]]))
11](/data/documents/dad96028-76d4-451f-aba8-d1588fccc63e/page_11.png)
![array([[159.0524, 90.0635, 117.6989]])
"""
r, g, b = rgb[:, :, 0], rgb[:, :, 1], rgb[:, :, 2]
return 0.2989 * r + 0.5870 * g + 0.1140 * b
def gray2binary(gray: np.array) -> np.array:
"""
Return binary image from gray image
>>> gray2binary(np.array([[127, 255, 0]]))
array([[False, True, False]])
>>> gray2binary(np.array([[0]]))
array([[False]])
>>> gray2binary(np.array([[26.2409, 4.9315, 1.4729]]))
array([[False, False, False]])
>>> gray2binary(np.array([[26, 255, 14], [5, 147, 20], [1, 200, 0]]))
array([[False, True, False],
[False, True, False],
[False, True, False]])
"""
return (127 < gray) & (gray <= 255)
def erosion(image: np.array, kernel: np.array) -> np.array:
"""
Return eroded image
>>> erosion(np.array([[True, True, False]]), np.array([[0, 1, 0]]))
array([[False, False, False]])
>>> erosion(np.array([[True, False, False]]), np.array([[1, 1, 0]]))
array([[False, False, False]])
"""
output = np.zeros_like(image)
image_padded = np.zeros(
12](/data/documents/dad96028-76d4-451f-aba8-d1588fccc63e/page_12.png)
![(image.shape[0] + kernel.shape[0] - 1, image.shape[1] +
kernel.shape[1] - 1)
)
# Copy image to padded image
image_padded[kernel.shape[0] - 2 : -1 :, kernel.shape[1] - 2 : -1 :] =
image
# Iterate over image & apply kernel
for x in range(image.shape[1]):
for y in range(image.shape[0]):
summation = (
kernel * image_padded[y : y + kernel.shape[0], x : x +
kernel.shape[1]]
).sum()
output[y, x] = int(summation == 5)
return output
# kernel to be applied
structuring_element = np.array([[0, 1, 0], [1, 1, 1], [0, 1, 0]])
if __name__ == "__main__":
# read original image
image = np.array(Image.open(r"test1.jpg"))
# Apply erosion operation to a binary image
output = erosion(gray2binary(rgb2gray(image)), structuring_element)
# Save the output image
pil_img = Image.fromarray(output).convert("RGB")
pil_img.save("result_erosion.png")
2. Dilitatsiya (kengaytirish).
13](/data/documents/dad96028-76d4-451f-aba8-d1588fccc63e/page_13.png)
![import numpy as np
from PIL import Image
def rgb2gray(rgb: np.array) -> np.array:
"""
Return gray image from rgb image
>>> rgb2gray(np.array([[[127, 255, 0]]]))
array([[187.6453]])
>>> rgb2gray(np.array([[[0, 0, 0]]]))
array([[0.]])
>>> rgb2gray(np.array([[[2, 4, 1]]]))
array([[3.0598]])
>>> rgb2gray(np.array([[[26, 255, 14], [5, 147, 20], [1, 200, 0]]]))
array([[159.0524, 90.0635, 117.6989]])
"""
r, g, b = rgb[:, :, 0], rgb[:, :, 1], rgb[:, :, 2]
return 0.2989 * r + 0.5870 * g + 0.1140 * b
def gray2binary(gray: np.array) -> np.array:
"""
Return binary image from gray image
>>> gray2binary(np.array([[127, 255, 0]]))
array([[False, True, False]])
>>> gray2binary(np.array([[0]]))
array([[False]])
>>> gray2binary(np.array([[26.2409, 4.9315, 1.4729]]))
array([[False, False, False]])
>>> gray2binary(np.array([[26, 255, 14], [5, 147, 20], [1, 200, 0]]))
array([[False, True, False],
[False, True, False],
[False, True, False]])
14](/data/documents/dad96028-76d4-451f-aba8-d1588fccc63e/page_14.png)
!["""
return (127 < gray) & (gray <= 255)
def dilation(image: np.array, kernel: np.array) -> np.array:
"""
Return dilated image
>>> dilation(np.array([[True, False, True]]), np.array([[0, 1, 0]]))
array([[False, False, False]])
>>> dilation(np.array([[False, False, True]]), np.array([[1, 0, 1]]))
array([[False, False, False]])
"""
output = np.zeros_like(image)
image_padded = np.zeros(
(image.shape[0] + kernel.shape[0] - 1, image.shape[1] +
kernel.shape[1] - 1)
)
# Copy image to padded image
image_padded[kernel.shape[0] - 2 : -1 :, kernel.shape[1] - 2 : -1 :] =
image
# Iterate over image & apply kernel
for x in range(image.shape[1]):
for y in range(image.shape[0]):
summation = (
kernel * image_padded[y : y + kernel.shape[0], x : x +
kernel.shape[1]]
).sum()
output[y, x] = int(summation > 0)
return output
# kernel to be applied
15](/data/documents/dad96028-76d4-451f-aba8-d1588fccc63e/page_15.png)
![structuring_element = np.array([[0, 1, 0], [1, 1, 1], [0, 1, 0]])
if __name__ == "__main__":
# read original image
image = np.array(Image.open(r"test1.jpg"))
output = dilation(gray2binary(rgb2gray(image)), structuring_element)
# Save the output image
pil_img = Image.fromarray(output).convert("RGB")
pil_img.save("result_dilation.png")
(8-rasm) Erosiya va Dilitatsiya(kengaytirish).
16](/data/documents/dad96028-76d4-451f-aba8-d1588fccc63e/page_16.png)
Tasvirlarga morfologik ishlov berish algoritmlari. Algoritmlar uchun dasturiy ta`minot ishlab chiqish. Kirish 1. Nazariy qism 1.1. Tasvirlarga morfologik ishlov berish algoritmlari haqida asosiy tushunchalar 1.2. Eroziya va dilitatsiya. 2. Amaliy qism 2.1. Morfologik ishlov berish algoritmining dasturiy ta`minotini ishlab chiqish(erosiya va dilitatsiya) Xulosa Foydalanilgan adabiyotlar ro’yxati Kirish 1
Hozirgacha biz tasvirni qayta ishlash - yaxshilangan tasvirni olish yoki undan qimmatli ma'lumotlarni olish uchun tasvir ustida muayyan harakatlar to'plamini amalga oshirish texnikasi haqida o'qidik. Kirish tasvirdir va chiqish yaxshilangan tasvir yoki shu bilan bog'liq xususiyatlar bo'lishi mumkin. Kompyuter algoritmlari raqamli tasvirni qayta ishlashda eng muhim rol o'ynashini bilish juda muhimdir. Ishlab chiquvchilar raqamli tasvirni aniqlash, tasvirni tahlil qilish, tasvirni qayta tiklash, tasvirni tiklash, tasvirni yaxshilash, tasvir ma'lumotlarini siqish, tasvirni spektral baholash va tasvirni baholash kabi turli xil vazifalarni hal qilish uchun bir nechta algoritmlardan foydalanmoqda va amalga oshirmoqda. Ba'zan algoritmlar to'g'ridan-to'g'ri kitobdan yoki bir nechta algoritm funktsiyalarining moslashtirilgan birlashtirilgan versiyasi bo'lishi mumkin. Tasvirga ishlov berish axborotni qayta ishlashning har qanday shakli bo'lib , ular uchun kiritilgan ma'lumotlar rasm, masalan, fotosuratlar yoki video ramkalardir. Tasvirni qayta ishlash chiqishda tasvirni olish uchun ham (masalan, chop etishga tayyorlash, efirga uzatish va h.k.) va boshqa ma'lumotlarni olish uchun ham (masalan, matnni aniqlash, maydondagi hujayralar soni va turini hisoblash) amalga oshirilishi mumkin. mikroskop va boshqalar). va hokazo). Statik 2D tasvirlar bilan bir qatorda, video kabi vaqt o'tishi bilan o'zgarib turadigan tasvirlarni ham qayta ishlashingiz kerak. 2
1. Nazariy qism. 1.1. Tasvirlarni qayta ishlashning morfologik usuli haqida asosiy tushunchalar Morfologiya so'zi odatda biologiyaning hayvon va o'simliklarning tuzilishi formulalarini o'rganadigan sohasi deb ataladi. Biz ushbu atamani matematik morfologiya kontekstida ishlatamiz, bu ob'ektlarning chegaralari, skeletlari yoki qavariq korpuslari kabi shaklini tasvirlash va tavsiflash uchun foydali bo'lgan aniq tasvir komponentlarini olish uchun vositadir. Shuningdek, biz tasvirlarni dastlabki va keyingi qayta ishlash bosqichlarida qo'llaniladigan morfologik usullarni ko'rib chiqamiz, masalan, morfologik filtrlash, ingichkalash va kesish. Ushbu kurs ishi faqat tasvirni qayta ishlashga qaratilgan usullardan (ya'ni, tasvirlar jarayonning ham kirishi, ham chiqishi bo'lsa) tasvirlarni tahlil qilish usullariga o'tishni boshlaydi, bunda jarayonlarning chiqishi allaqachon tarkibdan olingan tavsiflovchi atributlardir. tasvirlardan. Shu ma'noda, morfologiya tasvirning "ma'nosini" chiqarish uchun ishlatiladigan matematik vositalarning asosi bo'lib xizmat qiladi. Matematik morfologiyada to‘plamlar nazariyasi tilidan foydalaniladi. Morfologiya bir nechta tasvirlash vazifalari uchun yagona, kuchli yondashuvni taklif qiladi. Matematik morfologiyadagi to'plamlar tasvirdagi ob'ektlarga mos keladi. Masalan, tasvirning ikkilik (ikki darajali, ya'ni faqat 0 yoki 1 qiymatli elementlarni o'z ichiga olgan) barcha oq piksellari to'plami uning to'liq morfologik tavsifi variantlaridan biridir. Ikkilik tasvirlar ko'plab kamchiliklarni o'z ichiga olishi mumkin. Xususan, oddiy chegaralash natijasida hosil bo'lgan ikkilik hududlar shovqin va to'qimalar bilan buziladi. Morfologik tasvirni qayta ishlash tasvirning shakli va tuzilishini hisobga olgan holda ushbu kamchiliklarni bartaraf etish maqsadlarini ko'zlaydi. Ushbu texnikalar kulrang rangdagi tasvirlarga kengaytirilishi mumkin. 3
Morfologik tasvirni qayta ishlash - bu tasvirdagi xususiyatlarning shakli yoki morfologiyasi bilan bog'liq chiziqli bo'lmagan operatsiyalar to'plami. Morfologik operatsiyalar faqat piksel qiymatlarining nisbiy tartibiga tayanadi, ularning raqamli qiymatlariga emas, shuning uchun ayniqsa, ikkilik tasvirlarni qayta ishlashga mos keladi. Morfologik operatsiyalar kulrang shkaladagi tasvirlarga ham qo'llanilishi mumkin, chunki ularning yorug'lik uzatish funktsiyalari noma'lum va shuning uchun ularning mutlaq piksel qiymatlari qiziq emas yoki ahamiyatsiz. Morfologik usullar strukturaviy element deb ataladigan kichik shakl yoki shablonga ega tasvirni tekshiradi . Strukturalash elementi tasvirning barcha mumkin bo'lgan joylariga joylashtirilgan va u piksellarning tegishli qo'shniligi bilan taqqoslanadi. Ba'zi operatsiyalar elementning qo'shni hududga "mos kelishini" tekshiradi, boshqalari esa u "urishini" yoki kesib o'tishini tekshiradi.Ikkilik tasvirdagi morfologik operatsiya yangi ikkilik tasvirni yaratadi, unda piksel nolga teng bo'lmagan qiymatga ega bo'ladi, agar kirish tasvirining o'sha joyida sinov muvaffaqiyatli bo'lsa. Konfiguratsiya element nol yoki bir qiymati bilan kichik ikkilik tasvir, piksel, ya'ni kichik Matritsa, har bir hisoblanadi: Matritsaning o'lchamlari strukturaviy elementning o'lchamini belgilaydi . Birliklar va nollarning naqshlari tuzilish elementining shaklini belgilaydi . A n kelib chiqishi odatda kelib chiqishi qurish element tashqarida bo'lishi mumkin bo'lsada, qurish elementning, odatda, uning piksel biridir. 4
(1-rasm) Umumiy amaliyot - strukturaviy matritsaning g'alati o'lchamlari va matritsaning markazi sifatida belgilangan kelib chiqishi. Struktura elementlari tasvirni morfologik qayta ishlashda chiziqli tasvirni filtrlashda konvolyutsiya yadrolari bilan bir xil rol o'ynaydi. Strukturalash elementi ikkilik tasvirga joylashtirilganda, uning har bir pikseli tuzilish elementi ostidagi mahallaning mos keladigan pikseli bilan bog'lanadi. Konfiguratsiya element deyiladi mos bo'lsa, uning piksel, har bir 1 o'rnatilgan uchun, tasvirni, tegishli tasvir piksel qurish element deyiladi, Xuddi shuningdek 1. hisoblanadi tekkanda yoki kesishadi bir tasvir, agar biri uchun kamida uning piksellari 1 ga o'rnatilgan bo'lsa, mos keladigan tasvir pikseli ham 1 ga teng. (2-rasm)Strukturalash elementlari s 1 va s 2 bo'lgan binar tasvirni o'rnatish va urish Strukturaviy elementning nol qiymatli piksellari e'tiborga olinmaydi, ya'ni tegishli tasvir qiymati ahamiyatsiz bo'lgan nuqtalarni ko'rsatadi. Eroziya va kengayish. B ir tomonlama tasvir bo'lgan F tomonidan konfiguratsiya element s (yuritiladi f s ), yangi ikkilik tasvirni ishlab chiqaradi g = f s barcha joylarda bo'lgan (bilan x, y bir konfiguratsiya element ning kelib chiqishi) narsaga qurish elementini s uvishishi kiritish tasvir f , 5