Kievuz

Цифровая обработка сигналов и изображений»

Курс по обработке сигналов

Цифровая обработка сигналов и изображений»

  Математический спецкурс для студентов 2 и 3 курсов, а также магистров и студентов ВВО.

Лекторы: А. С. Лукин, А. С. Крылов. Осенний семестр 2014. Лекции проходят по понедельникам в 16:20, ауд. 612. Первая лекция — 13 октября. Формат курса: лекции + практическое задание + экзамен.

Экзамен: 22 декабря, 16:20, ауд. 759.

Билеты экзамена

1 Звуковые сигналы и их восприятие. Цифровые и аналоговые сигналы. Дискретизация. Теорема Котельникова. Наложение спектров (алиасинг). Фильтрация. Линейные системы. Свертка. Простейшие двумерные фильтры для изображений.
2 Дискретное преобразование Фурье. Его базисные функции. Размытие спектра, весовые окна. Быстрое преобразование Фурье. Быстрая свертка в частотной области. Секционная свертка.
3 Фильтрация. Быстрая свертка в частотной области. Секционная свертка. Свойства фильтров: АЧХ, ФЧХ, конечность импульсного отклика. Проектирование фильтров. Частотные характеристики простых двумерных фильтров.
4 Спектральный анализ. Мощность сигнала, теорема Парсеваля. Спектрограммы, усреднение во времени. Кратковременное преобразование Фурье (STFT). Размытие спектра, весовые окна. Частотно-временное разрешение.
5 Непрерывное вейвлет-преобразование. Дискретное вейвлет-преобразование. Пирамидальное представление изображений. Банки фильтров: понятие и примеры. Свойства STFT и MDCT. Применение банков фильтров в алгоритме спектрального вычитания.
6 Применения вейвлетов и банков фильтров. Психоакустическая компрессия звука. Звуковые сигналы и их восприятие. Слуховая маскировка. Устройство алгоритма mp3. Эффект пред-эха.
7 Применения вейвлетов и банков фильтров. Подавление стационарных шумов. STFT как банк фильтров. Частотно-временное разрешение. Метод спектрального вычитания. Проблема «музыкального шума».
8 Виды шумов в изображениях. Медианная фильтрация. Билатеральный фильтр. Алгоритм нелокального усреднения. Подавление вейвлет-коэффициентов. Метод главных компонент и шумоподавление на его основе.
9 Корреляция и автокорреляция, их вычисление. Линейное предсказание сигнала и его применения. Нахождение оптимальных коэффициентов линейного предсказания. Метод интерполяции LSAR.
10 Психоакустика. Восприятие звука ухом. Слуховые пороги, область слышимости. Одновременная и временная маскировка. Спектр гармонических сигналов, форманты.
11 Квантование. Свойства шума квантования. Дитеринг. Формирование спектра шума квантования (noise shaping). Слышимость шума квантования. Диффузия ошибки при квантовании изображений.
12 Теорема о преобразовании Фурье свертки. Доказательство. Иллюстрация применения.
13 Модель размытия изображений. Применение теоремы о свертке для восстановления размытых изображений. Фурье-дескрипторы в задаче оценки качества изображений глаз.
14 Восстановление размытых изображений. Неустойчивость этой операции. Регуляризирующий алгоритм восстановления размытых изображений.
15 Линейные методы увеличения изображений. Ядра свертки при увеличении. Артефакты увеличения. Спектр света и его восприятие. Аддитивные и субтрактивные цветовые системы. Цветовые системы, равномерные к восприятию.
16 Нелинейные методы увеличения изображений: интерполяция вдоль границ, NEDI. Метрики близости изображений: PSNR, MSE. Функция чувствительности к контрасту. Понятие о визуальной маскировке.
17 Алгоритмы изменения длительности и высоты звучания. Передискретизация (resampling). Гранулярный метод. Вокодерный метод. Понятие о сдвиге формант. Нахождение основного тона сигнала с помощью автокорреляции.

Лекции

ДатаТемаЗагрузить
13 окт. Дискретизация. Свёртка. ДПФ.Звуковые сигналы и их восприятие. Цифровые и аналоговые сигналы. Дискретизация. Теорема Котельникова. Наложение спектров (алиасинг). Фильтрация. Линейные системы. Свёртка. Простейшие двумерные фильтры для изображений. Дискретное преобразование Фурье. Понятие о спектральном анализе. Слайдызапись
20 окт. Теорема о преобразовании Фурье свёртки.Доказательство. Иллюстрация применения.Восстановление размытых изображений.Модель размытия изображений. Применение теоремы о свёртке для восстановления размытых изображений. Неустойчивость этой операции. Регуляризирующий алгоритм восстановления размытых изображений.Фурье-дескрипторы в задаче оценки качества изображений глаз. Слайды СлайдыСлайды
27 окт. Спектральный анализ. Быстрая свёртка. Фильтрация.Мощность сигнала, теорема Парсеваля. Размытие спектра, весовые окна. Оконное преобразование Фурье (STFT). Спектрограммы, усреднение спектра по времени. Частотно-временное разрешение. Быстрая свёртка в частотной области. Секционная свёртка. Свойства фильтров. Проектирование фильтров. Частотные характеристики простых двумерных фильтров. Применения свёртки: звуковой эквалайзер, моделирование реверберации. Слайдызапись
10 ноя. Вейвлеты и банки фильтров.Непрерывное вейвлет-преобразование. Дискретное вейвлет-преобразование. Квадратурные зеркальные фильтры. Пирамидальное представление данных. Банки фильтров, основанные на ДПФ: STFT, MDCT. Слайдызапись (+конец 3 лекции)
17 ноя. Применения банков фильтров.Психоакустическая компрессия звука. Слуховая маскировка. Устройство алгоритма mp3. Подавление стационарных шумов. Метод спектрального вычитания. STFT как банк фильтров, полосовые гейты. Проблема «музыкального шума» и методы борьбы с ним. Расширение полосы частот в аудиосигнале. Слайдызапись (+конец 4 лекции)
24 ноя. Основы визуального восприятия.Спектр света и его восприятие. Аддитивные и субтрактивные цветовые системы. Закон Вебера, гамма-коррекция. Цветовые системы, равномерные к восприятию. Метрики близости изображений: PSNR, MSE. Функция чувствительности к контрасту. Понятие о визуальной маскировке. Кортекс-преобразование и его использование в метриках близости изображений.Шумоподавление для изображений.Виды шумов и терминология. Подавление импульсных шумов. Медианная фильтрация. Подавление стационарных шумов. Билатеральный фильтр. Алгоритм нелокального усреднения (non-local means) и его оптимизация. Подавление вейвлет-коэффициентов. Метод главных компонент (PCA) и шумоподавление на его основе. Слайды записьСлайдызапись
1 дек. Линейное предсказание. Интерполяция аудиосигнала.Корреляция и автокорреляция. Авторегрессионная модель сигнала. Нахождение оптимальных коэффициентов регрессии. Применения LPC в сжатии и интерполяции сигналов. Метод интерполяции LSAR. Подавление искажений клиппирования и щелчков в аудиосигнале.Консультация по практическому заданию. Слайды записьзапись
8 дек. Квантование, дитеринг.Шум квантования. Дитеринг. Формирование спектра шума квантования (noise shaping). Восприятие шумов квантования.Изменение длительности и высоты звучания.Передискретизация и эффект замедленной плёнки. Алгоритмы временной области: гранулярный подход, автокорреляция. Алгоритмы частотной области: фазовый вокодер, проблема фазовой когерентности.Основы психоакустики.Основной тон гармонических звуков. Музыкальный звукоряд. Разрешающая способность слуха по частоте. Маскировка. Речеобразование, форманты.Коррекция формант при сдвиге высоты тона.Форманты и тембр голоса. Сдвиг формант при передискретизации. Определение основного тона. Коррекция формант с помощью банка фильтров. Слайды записьСлайдызаписьСлайдызаписьСлайдызапись
15 дек. Линейные и нелинейные методы увеличения изображений.Ядра свёртки при линейном увеличении. Артефакты увеличения. Нелинейные методы: интерполяция вдоль границ, метод NEDI, метод регуляризации обратной задачи.Консультация перед экзаменом. Слайды

Практическое задание

Предлагается реализовать «Шумоподавление для звука».

Срок сдачи задания — 17 декабря. Задание (исходные коды и exe) нужно отправить архивом на адрес с темой письма «Задание по спецкурсу». Не забудьте вложить в архив readme-файл с указанием вашей фамилии и списка выполненных пунктов. Если письмо не отправляется из-за наличия exe в архиве, сделайте архив с паролем либо воспользуйтесь файлообменным сервисом.

Баллы за практическое задание

Источник: http://imaging.cs.msu.ru/ru/courses/dspcourse

Введение в цифровую обработку сигналов

Цифровая обработка сигналов и изображений»

В данной статье представлены основы цифровой обработки сигналов (ЦОС, DSP, digital signal processing), приводящие к серии статей по статистике и теории вероятности.

Что такое цифровая обработка сигналов?

DSP манипулирует различными типами сигналов с целью фильтрации, измерения или сжатия и создания аналоговых сигналов. Аналоговые сигналы отличаются приемом информации и переводом ее в электрические импульсы разной амплитуды, тогда как информация цифрового сигнала преобразуется в двоичный формат, где каждый бит данных представлен двумя различимыми амплитудами.

Еще одна заметная разница заключается в том, что аналоговые сигналы могут быть представлены как синусоидальные волны, а цифровые сигналы представлены как прямоугольные волны.

ЦОС можно найти практически в любой области, будь то обработка нефти, воспроизведение звука, радар и гидролокатор, обработка медицинских изображений или телекоммуникации – по сути, любое приложение, в котором сигналы сжимаются и воспроизводятся.

Аналоговый и цифровой сигналы

Так что же такое цифровая обработка сигналов? Цифровая обработка сигналов принимает сигналы, такие как звук, голос, видео, температура или давление, которые уже оцифрованы, а затем математически управляет ими.

Затем эта информация может быть представлена как дискретное время, дискретная частота или другие дискретные формы, чтобы эта информация могла обрабатываться в цифровом виде.

В реальном мире для приема аналоговых сигналов (звука, света, давления или температуры) и преобразования их в нули и единицы для цифрового формата необходим аналого-цифровой преобразователь.

DSP содержит четыре ключевых компонента:

  • Вычислительная система: математические манипуляции, вычисления и процессы путем организации связи программы, или задачи, из памяти программ и информации, хранящейся в памяти данных.
  • Память данных: хранит информацию, подлежащую обработке, и работает совместно с памятью программ.
  • Память программ: в ней хранятся программы, или задачи, которые DSP будет использовать для обработки, сжатия или управления данными.
  • Ввод/вывод: он может зависеть от различных вещей, в зависимости от области, в которой используется DSP, т.е. внешних портов, последовательных портов, таймеров и подключения к внешнему миру.

Ниже приведено представление о том, как выглядят эти четыре компонента цифровой обработки сигналов в общей конфигурации системы.

Ключевые компоненты цифоровой обработки сигналов (ЦОС)

DSP фильтры

Фильтр Чебышева – это цифровой фильтр, который может использоваться для разделения одной полосы частот от другой. Эти фильтры известны своим основным атрибутом, скоростью, и хотя они не являются лучшими в категории производительности, они более чем достаточны для большинства приложений.

Конструкция фильтра Чебышева была спроектирована вокруг математической методики, известной как z-преобразование. В принципе, z-преобразование преобразует дискретный во времени сигнал, состоящий из последовательности действительных или комплексных чисел, в представление в частотной области.

Отклик фильтра Чебышева обычно используется для достижения более быстрого спада, допуская волнистость на частотной характеристике. Эти фильтры называются фильтрами 1 рода, что означает, что пульсации на частотной характеристике допускаются только в полосе пропускания.

Это обеспечивает наилучшее приближение к идеальному отклику любого фильтра для заданных порядка и пульсаций. Он был разработан, чтобы подавлять определенные частоты и позволить другим частотам проходить через фильтр.

Фильтр Чебышева, как правило, является линейным по своей характеристике, а нелинейный фильтр может привести к появлению в выходном сигнале частотных составляющих, отсутствующих во входном сигнале.

Зачем использовать цифровую обработку сигналов?

Чтобы понять, как цифровая обработка сигналов, или DSP, сопоставляется с аналоговой схемотехникой, можно сравнить две системы с назначением какого-либо фильтра.

В то время как аналоговый фильтр будет использовать усилители, конденсаторы, индуктивности или резисторы и будет доступным и простым в сборке, будет довольно сложно его настроить, или изменить его порядок.

Однако, то же самое можно сделать с помощью DSP системы, просто упростив проектирование и модификацию. Работа фильтра на DSP системе основана на программном обеспечении, поэтому можно выбрать из нескольких фильтров.

Кроме того, для создания гибких и регулируемых фильтров с характеристиками высокого порядка требуется только программное обеспечение DSP, тогда как для аналогового решения требуется дополнительное аппаратное обеспечение.

Например, практический полосовой фильтр с заданной частотной характеристикой должен иметь управление частотой среза, настройку полосы пропускания, управление шириной полосы пропускания, бесконечное затухание в полосе задерживания и характеристику в полосе пропускания, которая является полностью плоской с нулевым фазовым сдвигом.

Если использовать аналоговые методы, фильтры второго порядка потребуют много звеньев с высоким уровнем добротности, что в конечном итоге означает, что его будет очень сложно отрегулировать и подстроить. Подходя к этой задаче с помощью программного обеспечения DSP, возможно использование конечной импульсной характеристики (КИХ, FIR, finite impulse response), т.е.

временной отклик фильтра на импульс представляет собой взвешенную сумму текущего и конечного количества предыдущих входных значений. Обратной связи нет, реакция фильтра на полученный отсчет заканчивается, когда этот отсчет достигает «конца линии».

С учетом этих различий в проектировании, программное обеспечение DSP выбирается из-за его гибкости и простоты по сравнению с проектами аналоговых схем фильтров.

Использование DSP при создании этого полосового фильтра не является чересчур страшной задачей. Реализация DSP и изготовление фильтров становятся намного проще, так как вам нужно просто одинаково запрограммировать каждый DSP чип, состоящий в устройстве.

Однако, используя аналоговые компоненты, вы рискуете натолкнуться на неисправные компоненты, на необходимость настройки схемы и «программирования» фильтра для каждой отдельной аналоговой схемы.

DSP создает доступный и менее утомительный способ создания фильтра для обработки сигналов и повышает точность настройки и регулировки фильтров в целом.

Ацп и цап

Электронное оборудование активно используется практически во всех областях. Аналого-цифровые преобразователи (АЦП, ADC, Analog to Digital Converter) и цифро-аналоговые преобразователи (ЦАП, DAC, Digital to Analog Converter) являются важными компонентами для любых вариантов DSP в любой области.

Эти два конвертирующих интерфейса необходимы для преобразования сигналов реального мира, чтобы цифровое электронное оборудование могло принимать любой аналоговый сигнал и обрабатывать его.

Для примера, возьмите микрофон: АЦП преобразует аналоговый сигнал, собранный входом аудиоаппаратуры, в цифровой сигнал, который после обработки может выводиться динамиками или мониторами.

Пока он проходит через цифровую систему аудиооборудования, программное обеспечение может добавлять эхо-сигналы или регулировать темп и высоту тона голоса, чтобы получить идеальный звук.

С другой стороны, ЦАП преобразует уже обработанный цифровой сигнал обратно в аналоговый сигнал, который используется оборудованием аудиовыхода, таким как мониторы. Ниже приведено изображение, показывающее, как работает приведенный пример, и как его аудиосигналы могут быть восстановлены из цифрового формата, а затем выведены в виде аналоговых сигналов через мониторы.

Пример использования цифровой обработки сигналов в аудиосистемах

Тип аналого-цифрового преобразователя, известный как АЦП последовательного приближения (или «digital ramp ADC»), включает в себя компаратор.

Значение аналогового напряжения в некоторый момент времени сравнивается с заданным стандартным напряжением.

Один из способов добиться этого – подать аналоговое напряжение на один вход компаратора, на второй вход компаратора подключить выход вспомогательного ЦАП и запустить двоичный счетчик, который управляет вспомогательным ЦАП.

Компаратор переключит выходной сигнал, когда напряжение «пилы» ЦАП превысит напряжение входного аналогового сигнала. Переключение компаратора останавливает двоичный счетчик, который теперь удерживает цифровое значение, соответствующее аналоговому напряжению в этот момент. Рисунок ниже показывает работу АЦП последовательного приближения.

Принцип работы АЦП последовательного приближения

Применения DSP

Существует множество вариантов цифровых сигнальных процессоров, которые могут выполнять разные вещи в зависимости от выполняемого приложения. Некоторые из этих вариантов: обработка аудиосигнала, сжатие аудио и видео, обработка и распознавание речи, цифровая обработка изображений, радиолокационные приложения.

Разница между каждым из этих приложений заключается в том, как цифровой сигнальный процессор может обрабатывать каждый вход. Существует пять различных аспектов, которые варьируются для каждого DSP: тактовая частота, размер ОЗУ, ширина шины данных, размер ПЗУ и напряжение входа/выхода.

Все эти компоненты действительно будут влиять на формат вычислений, скорость, организацию памяти и ширину данных процессора.

Одной из известных архитектурных схем является гарвардская архитектура. Эта конструкция позволяет процессору одновременно обращаться к двум банкам памяти с помощью двух независимых наборов шин.

Данная архитектура может выполнять математические операции, одновременно получая дополнительные инструкции. Другая архитектура – архитектура памяти фон Неймана. Так как в ней есть только одна шина данных, инструкции не могут быть загружены во время выполнения команд.

Это создает пробку, которая, в конечном счете, замедляет выполнение приложений DSP. Хотя эти процессоры похожи на процессор, используемый в обычном компьютере, эти цифровые сигнальные процессоры являются специализированными.

Это часто означает, что для выполнения задач DSP процессоры требуют использовать арифметику с фиксированной точкой.

Другим аспектом является дискретизация, т.е. преобразование непрерывного сигнала в дискретный сигнал. Одним из основных ее приложений является преобразование звуковых сигналов. Дискретизация аудиосигналов использует цифровые сигналы и импульсно-кодовую модуляцию для воспроизведения звука.

Необходимо, чтобы люди слышали звук от 20 Гц до 20 кГц. Частоты дискретизации выше, чем около 50-60 кГц, не могут предоставить человеческому уху больше информации.

При помощи этой технологии дискретные отсчеты аудиосигналов могут быть воспроизведены, используя различные фильтры с программным обеспечением DSP, Ацп и цап.

Цифровая обработка сигналов широко используется в повседневных операциях и имеет важное значение для преобразования аналоговых сигналов в цифровые для многих целей.

Я надеюсь, что эта статья предоставила информацию, достаточную, чтобы получить общее представление о том, что такое DSP процессоры, как они работают, и что они используются во множестве областей. Если у вас есть какие-либо вопросы или мысли, пожалуйста, оставляйте комментарии ниже!

Оригинал статьи:

  • Donald Krambeck. An Introduction to Digital Signal Processing

Источник: https://radioprog.ru/post/471

М. М. Лукашевич, р. Х. Садыхов цифровая обработка сигналов и изображений

Цифровая обработка сигналов и изображений»

Министерствообразования Республики Беларусь

Учреждениеобразования

«Белорусскийгосударственный университет

информатикии радиоэлектроники»

Кафедраэлектронных вычислительных машин

Лабораторныйпрактикум для студентов специальностиI-40 02 01

«Вычислительныемашины, системы и сети»

всехформ обучения

Версия3.0

МинскБГУИР 2010

УДК621.391(076.5)

ББК32.811.3я73

Л84

Рецензент:

ведущийнаучный сотрудник ОИПИ НАН Беларуси,

канд.техн. наук А.А. Дудкин

Лукашевич, М. М.

Л 84

Цифровая обработка сигналов и изображений: лабораторный практикум для студ. спец. I-40 02 01 «Вычислительные машины, системы и сети» всех форм обуч. / М. М. Лукашевич, Р. Х. Садыхов – Минск : БГУИР, 2010. – 35 c.

ISBN 978-985-488-598-8

В лабораторном практикуме содержатся методические указания к выполнению лабораторных работ, предназначенные для изучения некоторых разделов дисциплины «Цифровая обработка сигналов и изображений».

Изложены методы пространственной обработки изображений, алгоритмы фильтрации изображений, основные аспекты кластерного анализа при распознавании образов.

Практикум дополняет уже изданные авторами методические указания к лабораторным работам, посвященные анализу сигналов, дискретным преобразованиям и теории нейронных сетей.

УДК 621.391(076.5)

ББК 32.811.3я73

ISBN 978-985-488-598-8

© Лукашевич М. М., Садыхов Р. Х., 2010

© УО «Белорусский государственный

университет информатики

и радиоэлектроники», 2010

Общие теоретические сведения……………………………………………….

Лабораторная работа №1 Гистограмма и гистограммная обработка. Поэлементная обработка изображений. Фильтрация изображений……

Теоретические сведения……………………………………………………….

Задание для лабораторной работы…………………………………………….

Лабораторная работа №2 Кластерный анализ в распознавании

образов……………………………………………………………………….

Теоретические сведения……………………………………………………

Задание для лабораторной работы…………………………………………

Литература………………………………………………………………………

4

11

11

23

24

24

32

34

Общие теоретические сведения

Изображение– это двумерное отображение наблюдаемойсцены, возникающее в результатерегистрации лучистой энергии, исходящейиз наблюдаемой сцены, с помощью некоторогоустройства – сенсора (совокупностисенсоров).

Регистрируемый сенсоромсигнал возникает в результатевзаимодействия источника «освещения»с элементами изображаемой «сцены».

Цвет– это психическое свойство человеческогозрения, возникающее при наблюденииобъектов и света, а не физические свойстваобъектов и света; результат взаимодействиясвета сцены и зрительной системычеловека.

Большинствоустройств ввода данных в современныхсистемах обработки изображений, а такжеподавляющее большинство цифровых фото-и видеокамер используют сенсоры в формедвумерного массива (матрицы).

Типичнымчувствительным элементом являетсяматрица на основе приборов с зарядовойсвязью (ПЗС) или ChargeCoupled Device(CCD).

Ответная реакция каждого элементапропорциональна интегралу световойэнергии, попадающей на поверхностьэтого элемента за время экспозиции(рис. 1).

а

б

Рис.1: а – элемент CCD-матрицы;б – CCD-матрица

Вобщем виде конструкция CCD-элементавыглядит следующим образом: кремниеваяподложка p-типа оснащается каналами изполупроводника n-типа. Над каналамисоздаются электроды из поликристаллическогокремния с изолирующей прослойкой изоксида кремния.

После подачи на такойэлектрод электрического потенциала вобеднённой зоне под каналом n-типасоздаётся потенциальнаяяма, назначениекоторой – хранить электроны. Фотон,проникающий в кремний, приводит кгенерации электрона, который притягиваетсяпотенциальной ямой и остаётся в ней.

Большее количество фотонов (яркий свет)обеспечивает больший заряд ямы. Затемнадо считать значение этого заряда,именуемого также фототоком,и усилить его.

Считывание фототоковCCD-элементовосуществляется так называемымипоследовательнымирегистрами сдвига,которые преобразовывают строку зарядовна входе в серию импульсов на выходе.Данная серия представляет собойаналоговый сигнал, который в дальнейшемпоступает на усилитель.

Существуетдве основные формы представленияизображений: непрерывнаяи дискретная.Очень редко изображения, получаемые винформационных системах, имеют цифровуюформу. Преобразование изображений кцифровому виду включает в себя дваэтапа.

Первый этап – замена непрерывногокадра дискретным, обычно называетсядискретизацией,а второйэтап выполняет замену непрерывногомножества значений яркости множествомквантованных значений (Qдискретных уровней) и носит названиеквантования.

При цифровом представлении каждому изквантованных значений яркости ставитсяв соответствие двоичное число, чем идостигается возможность ввода изображенияв ЭВМ.

Компьютерыобрабатывают не изображения, а толькомассивы дискретных чисел. Таким образом,изображение представляется в видедвумерного массива чисел. Точка в2D-сетке называетсяпикселем(pixel)(рис. 2, а,б).

Это название является сокращениемпонятияpictureelement(элемент изображения). Пиксель представляетэнергетическую освещенность всоответствующем месте сетки. Положениепикселя задается с помощью общепринятогообозначения для матриц.

а

б

Рис.2: а – положение пикселя в 2D-сетке;б – матричное представление изображения

Размерпикселя цифрового изображения определяетсяразрешением, а минимальная разницамежду яркостями пикселя определяетсяглубиной цвета. Разрешение изображенияизмеряется количеством пикселей,расположенных на единице длины.

Какправило, в качестве единицы длины приоцифровке изображений используетсядюйм, в таком случае разрешение измеряетсяв количестве пикселей на дюйм (dotsperinch,dpi).

Глубина цветаопределяется количествомразличных значений, которое можетпринимать пиксель.

Какправило, изображения квантуются в 256уровней яркости. Тогда каждый пиксельзанимает 8 бит или 1 байт. Этот битовыйразмер хорошо подходит к архитектурестандартных компьютеров, которые могутобращаться к памяти побайтово.

Крометого, разрешающая способность являетсяприемлемой для того, чтобы создатьиллюзию непрерывного изменения в уровняхяркости, поскольку относительноеразрешение зрительной системы человекапо интенсивности не лучше, чемприблизительно 2%.

В общем виде значениеQ(число уровней (градаций) яркости) обычновыбирают равным целочисленной степенидвойки:

. (1)

Дискретныеуровни яркости расположены с постояннымшагом и принимают целые значения винтервале [0, Q-1].Общее количество битов b,необходимое для хранения цифровогоизображения, определяется по формуле

. (2)

Наилучшаяглубина цвета зависит от спецификизадачи и типа исходных изображений.Наиболее часто встречаются следующиеслучаи:

  • 2 уровня яркости (черный и белый) – бинарное изображение;

  • 256 уровней яркости (1 байт на пиксель) – полутоновое изображение;

  • 65 536 уровней яркости (2 байта на пиксель) – полутоновое изображение;

  • 16,7 млн цветов (3 байта – красный, синий, зеленый – на пиксель) – цветное изображение;

  • 4,3 млрд цветов (4 байта – голубой, сиреневый, желтый, черный – на пиксель) – цветное изображение.

Последнеепредставление используется, как правило,лишь в издательских системах, тогда какпервые четыре способа широко распространеныв обработке изображений.

Источник: https://StudFiles.net/preview/1557682/

ovdmitjb

Add comment