هیستوگرام هدف و روش تنظیم شدت نور تصاویر در متلب 

آموزش برنامه نویسی در متلب 4

 نوشته ها :

1- نمودارPDF 

2- تابع CDF 

3- تابع PDF

4- هیستوگرام هدف

5- تابع Hgram

6- تابع  adapthisteq

آنالیز هیستوگرام = نزدیک شدن به هدف آماری در هیستوگرام که ممکن است اپراتور خطی یا غیر خطی باشد .

توزیع آماری شامل هیستوگرام پیوسته میشود .

PDF یا تابع کمانی احتمال توصیف کمیت تصادفی را میکند .

 

مدل ساده تری را مورد ارزیابی قرار میدهیم .

 

CDFیا تابع تجمعی احتمال در توزیع آماری پیوسته کار آن تناظر یک به یک  بین مقادیر تصادفی است . (مثبت بودن مشتق و صعودی بودن تابع شرط یک به یک بودن )

اگرPDF بیشتر از صفر باشد CDF صعودی است در اصل PDF مشتق CDF میباشد .

بهترین هیستوگرام یک تصویر خط صاف است در U  همه طیف های رنگی یکنواخت به کار رفته هیستوگرام آن یک خط صاف میشود .

یکنواخت سازی هیستوگرام = نگاشت غیر خطی تصویر

 u ها را به جای x  ها میگذاریم تا CDF  معادل با هر روشنائی u به دست آید .

نتیجه تصاویرهیستوگرام کوالیزیشن :

 

1. Histeq
   Syntax
   J = histeq ( I , hgram )
   J = histeq ( I , n )
   [ J , T ] = histeq ( I  , … )
   Newmap = histeq ( X , map , hgram )
   Newmap = histeq ( X , map )
   [ newmap , T ] = histeq ( X , … )
   Img 4 = histeq ( img 1 )

2. 

 

 لِوِلها از نظر یکنواختی نزدیک ترند .

برای اجرای سریع بهینه سازی به هیستوگرام خط نزدیک میشود .

فاصله بین تابع تولید و توزیع یکنواخت را کم میکند تصاویر پیوسته حتما صاف میشود .

Histogram Matching اختلاف با هیستوگرام مبدا را محاسبه میکند .

 

1. I = imread ( ‘tire . tif ‘ ) ;
   J = histeq ( I ) ;
   Imshow ( I );
   Figure , imshow ( J )

 

 

یکنواخت شدن هیستوگرام کار دیگر تابع histeq که با هیستوگرام هدف و تصویر ورودی تغییر شکل میدهد .

درhisteq باید حاصل هیستوگرام خروجی شود وقتی که J = histeq  و I = hgram باشد .

در تابع hgram یونیت تصویر 8 و 256 شاخصه برداری در تصاویر دابل به طور اتومات جمع نقاط تصویر برابر مجموع شاخصه های هیستوگرام قرار میگیرد .

 اعداد هیستوگرام برای جمع باید مساوی تعداد کمترین نقاط تصویر باشد .

جمع فراوانی کل  = جمع فراوانی کل داده ها

محاسبه هیستوگرام اتومات ونرمال در هیستوگرام هدف و شدت نور در تابع Hgram  متلب انجام میشود .

 

1. %% Load Image
   Mu = 180 ;
   Sigma = 30 ;
   H=@(X) exp(-1/(2*sigma^2)*(x-mu).^2;
   X=0:255;
   Hgram=H(x);
   stem(x,hgram);
   npixel=numel(img1);
   >>size(img1)
   Ans=
   291    240
   >>291*240
   Ans=
   69840
   >>prod(size))
   Ans=
   69840

 مدل دیگر نوشتن این دستور :

1. >>numel(img1)
   Ans =
   69840

 npixel و جمع  Hgram باید با هم برابر باشند .

 

1. Hgram= Hgram/sum(hgram);
   >>sum(hgram)
   Ans=
   1.000
   >>hgram=npixel*hgram/sun(hgram);

کلید F5 باعث بزرگ شدن اعداد و نمایش نمودار میشود .

 برای محاسبه جمع اعداد :

 

1. >>sum(hgram)
   Ans=
   6.9840e+04

به خاطر غیر صحیح بودن اعداد به نزدیکترین عدد گرد میکنیم .

1. >>sum(hgram) Ans= 69832 
   >>npixel Npixel= 69840

در هیستوگرام هدف و شدت نور متلب  برای نمایش هیستوگرام :

1. Img2=histeq(img1,hgram);
    % show Results
   Figure ;
   Subplot ( 2 , 2 , 1 ) ;
   imshow ( img 1 ) ;
   title ( ‘ original Image ‘ ) ;
   subplot ( 2 , 2 , 2 ) ;
   imshow ( img 2 ) ;
   title ( ‘ Result of histeq ‘ ) ;
   subplot ( 2 , 2 , 3 ) ;
   imhist ( img 1 ) ;
   subplot ( 2 , 2 , 4 ) ;
   imhist ( img 2 ) ;

 حاصل این دستور شکل زیر میشود .

برای ترسیم نمودار دو قله ای :

 

1. Img 1 imread ( ‘ pout . tif ‘ ) ;
   Npixel 1 = nume 1 ( img 1 ) ;
   W 1 = 5 ;
   Mu 1 = 50 ;
   Sigma 1 = 30 ;
   W2 = 10 ;
   Mu 2 =180 ;
   Sigma 2 = 50 ;
   H = @ ( X ) w 1 * exp ( -1 / ( 2 * sigma 1 ^ 2 ) * ( x – mu 1 ) . ^ 2 )  +w 2 * exp ( -1 / (2 * sigma 2 ^ 2 ) * (x – mu 2 ) . ^ 2 ) ;
   X = 0 : 255 ;
   Hgram = H ( x ) ;
   Hgram = round ( npixe 1 * hgram / sum ( hgram ) ) ;
   Img 2 = histeq ( img , hgram ) ;

 

 

 

 

 نمودار و تصویر حاصل ترسیم دو قله ای  میشود :

 

هیستوگرام هدف و شدت نور متلب در مواردی به نتایج مطلوبی میرسیم .

در پردازش تصویر جهت پیدا کردن قاب پلاک و سپس پیدا کردن کارکترهای پلاک توسط الگو یابی استفاده میشود. به این نرم افزار پلاک خوان میگویند. از نرم افزار پلاک خوان در موارد زیادی استفاده میگردد در نرم افزارهایی مانند کنترل تردد خودرویی ، نرم افزار پارکینگ ، نرم افزار اتوماسیون پارکینگ هوشمند ، دستگاه پارکینگ هوشمند و از این قبیل میتوان نام برد.

با سپردن انحراف معیار تابع هدف به الگوریتم بهینه سازی  و به دست آوردن بیشترین تفکیک پذیری در خروجی میان دو قسمت از تصویر میتوانیم به تفکیکی بهتر در هیستوگرام مبدا برسیم در الگوریتم کلاسیک و ژنتیک میتوانیم این گونه عمل کنیم .

تصویر با هیستیکیو تبدیل به هیستوگرام یکنواخت میشود و هیستوگرام یکنواخت را به آنچه میخواهیم تبدیل میکنیم  این دو تبدیل لازمه ی هیستوگرام مچینگ است .

توصیف رفتار تصادفی ابجکت ها برای هیستوگرام کوالیزیشن ابتدایی ترین کاری ست  که برای اشتراک گذاری با تابع توزیع احتمال باید انجام دهیم ، فقط خطوط تفکیک آنها نامشخص است که برای تفکیک آن با عوض کردن مرزها از طریق درون یابی خطی با تابع adapthisteq مشکل را بر طرف میکنیم .

با جدا کردن کوالیزیشن بخش ها و تقسیم کردن تصویر به بلوک هایی خطوط تفکیک تصویر مشخص میشود .

 

1. %%Load Image
   Img1 = imread ( ‘pout . tif ‘ ) ;
   Img2 = adapthisteq (img 1) ;
   %% Show Results
   Figure ;
   Subplot ( 2 , 2 , 1 );
   Imshow (img 1) ;
   Title ( ‘ Original Image ‘) ;
   Subplot ( 2 , 2 , 2);
   Imshow (img2) ;
   Title ( ‘Result of adapthisteq ‘ );

 

با جدا کردن بخش های مختلف این مکانیزم را به دست آورده با بررسی نمودار ها متوجه مرکز گرا بودن آن میشویم .

اپراتورهای خیلی بزرگ نتیجه بلوک های سازنده میباشند .

ادامه در مبحث5