بخشی از مقاله
روشی بهینه برای بهبود تصاویر رنگی ماهواره ای
چکیده
در طول دهه ها، چندین تکنیک در زمینه بهبود تصاویر ارائه شده است. اگرچه اغلب تکنیک های ارائه شده نیازمند مراحل پیشرفته و پیچیده ای می باشند، نتایج آن ها برای درک تصاویر مناسب نیست. در این مقاله از روش فیلتر نمودن تصویر برای افزایش جزییات و تیزی حاشیه های تصاویر رنگی ماهواره ای به همراه متعادل سازی هیستوگرام استفاده شده است. در این مقاله یک روش جدید برای بهبود تصاویر ماهواره ای و مقایسه ی آن با روش های انجام شده به منظور دستیابی به تصویری با قابلیت درک بالاتر صورت گرفته است. نتایج این مقاله تحقیق در زمینه ی بهبود دید جغرافیایی به علت تشخیص تفاوت های موجود در هر منطقه سودمند می باشد.
واژه های کلیدی : بهبود تصویر، تیز کردن تصویر، لبه یابی تصویر ماهواره ای
-1 مقدمه
تیز کردن تصویر یکی از مراحل بهبود شدت و لبه های تصویر به منظور دستیابی به تصویر با قابلیت درک بالاتر می باشد. این مرحله موجب افزایش رزولوشن و تیز شدن تصویر می گردد. در گذشته به منظور بهبود تصاویر به افزایش تفاوت بین اشیا موجود درآن می پرداختند و در نتیجه حاشیه های هر شی قابل تمایز بود. اخیرا Wilseyو (2008) Nair یک تکنیک بهبود تصویر به نام fuzzy را در تحقیقات خود استفاده نموده اند 1,3 با این وجود این تکنیک موجب پیچیدگی بیش از پیش پروسه ی پردازش تصویر می گردد. در این مقاله از روش فیلتر نمودن تصویر برای افزایش جزییات و تیزی حاشیه های تصاویر رنگی ماهواره ای به همراه متعادل سازی هیستوگرام استفاده شده است 2 به طور کلی روش فیلترینگ تصویر و لبه یابی توسط تکنیک های گوناگونی انجام می گیرد . در این مقاله از یک تکنیک آسان برای رسیدن به این هدف استفاده شده است. به جای پردازش در حوزه تصاویر رنگی، تصویر ماهواره ای را در هر سطح
رنگ قرمز، سبز و آبی آورده و روی آن پردازش می کنیم به این صورت که ابتدا تصویر را به فضای جداسازی رنگ ها برده و با استفاده از تکنیک Linear contrast افزایش brightness را انجام می دهیم و پس از لبه یابی با استفاده از تکنیک canny، تصویر را Sharpening کرده و آن را به فضای رنگی برمی گردانیم و نمایش می دهیم. مزیت این طرح در آسانی الگوریتم و مدت زمان مورد نیاز کم می باشد.
-2 روش کار
در این مقاله ابتدا سه لایه رنگ تصویر را جداسازی نموده وهر کدام را به سطح gray تبدیل می کنیم .
fgs=0.2989*fr+0.1140*fb+0.5870*fg
مجموع سطوح را که در ضرایب خاص ضرب شده اند (این ضرایب نشان دهنده ی RGB بوده و برای تبدیل از
RGB به GrayScale مفید هستند) محاسبه می نماییم .تصویر حاصل که fgs نامیده می شود، همان GrayScale شده ی تصویر رنگی ورودی است 5,6
در مرحله ی دوم، با استفاده از تابع T(r) که از نوع (LCS) Linear Contrast Stretch می باشد استفاده نموده، Contrast و Brightness هر سطح تصویر را به صورت جداگانه افزایش می دهیم، در نهایت حاصل اعمال این تبدیل را به شکل یک تصویر GrayScal شده نمایش خواهیم داد. با توجه به هیستوگرام نیز میزان نرم شدگی آن نشان دهنده ی
بهبود در Contrast و Brightness است. مرحله ی سوم نوبت edge detection می باشد. در این مرحله لبه یابی هر یک از سطوح را با استفاده از تکنیک canny انجام داده و نتیجه را به صورت تصویر نمایش می دهیم. هم چنین برای تشخیص راحت تر کارایی این روش، مقایسه ای از لبه یابی در حالت بدون اعمال T(r) و با اعمال T(r) انجام داده ایم.
مرحله ی چهارم Image Sharpening بـا اسـتفاده از تفاضل سطح تصویر لبه یابی شده و سـطح تصـویر اولیـه بدست می آید.
Gsr = fr - f r - edge
که در این جا Gsr تصویر sharpen شده ی سطح قرمز می باشد. fr سطح قرمز تصویر اولیه به عنوان ورودی و fr_edge لبه یابی شده ی سطح قرمز پردازش شده هستند.
در نهایت در مرحله ی آخر تصویر RGB حاصل می شود. برای این کار از دستورات برنامه Matlab استفاده شده و تمام سطوحی که قبلا مورد پردازش قرار می گرفت اکنون به حالت پشته کنار هم آمده و تصویر پردازش شده ی رنگی نهایی را بوجود می آورند . تمام مراحل ذکر شده در بالا به صورت یک فلوچارت در شکل 1 نشان داده شده است.
شکل : 1 دیاگرام الگوریتم برای sharpening
-3 بحث و بررسی
تصویر ماهواره ای استفاده شده در این مقاله در شکل 2 آورده شده است.
شکل : 2 تصویر اصلی
با استفاده از فیلتر T(r) که از نوع Linear contrast می باشد، هر سطح تصویر اصلی را به طور جداگانه افزایش contrast و brightness می دهیم. پس از اعمال این فیلتر به سطوح تصویری، هیستوگرام تصویر تغییر کرده و رو به بهبودی می نهد و نرم تر می گردد. با نرم تر شدن هیستوگرام، جزئیات بیشتری از تصویر نمایان می شود. شکل 3 مقایسه ای از دو هیستوگرام تصویر، قبل و بعد از اعمال T(r) را نشان می دهد :
