Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT Grupa IZ06TC01, Zespół 3 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń laboratoryjnych Ćwiczenie nr 5 Temat: Modelowanie koloru, kompresja obrazów, formaty obrazowe Punkty uzyskane przez osoby w zespole Zadanie 1 Imię Nazwisko Dariusz Maślanek Imię Nazwisko Jarosław Skonieczny Zadanie 2 Zadanie 3 Zadanie 4 Zadanie 5 Zadanie 6 Przygotowanie do ćwiczenia Suma punktów Data złożenia Sprawozdania Warszawa 2016/2017
1. Zadanie 1 W tym zadaniu dokonaliśmy zmiany odcieni szarości na barwy. Do tego celu wybraliśmy obraz z folderu /Natur/twarz0.gif. Na początek oznakowaliśmy obraz i zmieniliśmy go poprzez narzędzie Image->Convert to RGB do palety RGB. Następnie na oryginalnym obrazie dokonaliśmy koloryzacji twarzy. Kolor jaki wybraliśmy miał parametry RGB=(233,45,132). Wynik działań poniżej: Rys. Obraz pierwotny oraz jego histogram Rys. Parametry pierwszego koloru 5-2
Rys. Obraz wynikowy po kolorowaniu oraz jego histogram Te same operacje przeprowadziliśmy na obrazie posteryzowanym zgodnie z kluczem danym przez prowadzącego. Próg posteryzacji wyniósł 4. Dodaliśmy jeszcze jeden kolor RGB do oznaczenia słońca RGB= (237,232,99). Wyniki tych operacji poniżej. Rys. Obraz posteryzowany 5-3
Rys. Parametry drugiego koloru Rys. Obraz wynikowy po kolorowaniu obrazu posteryzowanego oraz jego histogram Wynik uzyskany dla obrazu niesposteryzowanego wyszedł zadowalająco, choć różdżka nie jest najprecyzyjniejszym narzędziem do wyboru obszaru. Natomiast posteryzacja doprowadziła do wygładzenia obrazka i powstania fałszywych konturów twarzy kobiety. 2. Zadanie 2 Zadanie polegało na utworzeniu 3 obrazów w programie Photo Paint o kolorach zadanych wg. klucza R(n,0,0), G(0,n,0), B(0,0,n), gdzie n=135. Następnie utworzone obrazki przekonwertowaliśmy do poziomów szarości. Rezultaty poniżej: 5-4
Klucz (135,0,0) (0,135,0) (0,0,135) Obrazy RGB Obrazy szaro odcieniowe 5-5
Histogramy wynikowe Procentowe udziały kolorów RGB w poziomach szarości (37/135) * 100%=27% (81/135) * 100%=60% (16/135) * 100%=11% Suma całkowita części składowych poziomów szarości wynosi 134 ( procentowo 99%). Wynika ona z tego, że przy konwersji na poziomy szarości zostało zastosowane zaokrąglenie do części całkowitych, aby poziomy szarości były w przedziale całkowitym dodatnim <0,255>. Procentowa suma też została zaokrąglona do części całkowitej w związku z tym nie ma sumy składowej równej 100%. 3. Zadanie 3 W zadaniu przeprowadziliśmy operację progowania dla poszczególnych kanałów RGB na obrazie palma.tif z folderu.\obrazy\natur Na utworzonym obrazie pierwotnym po uprzednim oznakowaniu przeprowadziliśmy operację progowania ( Image -> Transform -> Threchold, ze zmianą progu na Bi-Level). Ponieważ nie była wskazana wartość progu w kluczu od prowadzącego, to wybraliśmy liczbę 135 dla progu, taka jak była dla zadania 2. Rys. Obraz pierwotny oznakowany oraz jego histogram 5-6
a) Na wspólnym kanale RGB Rys. Obraz wynikowy po operacji progowania na wspólnym kanale RGB b) Każdym z trzech kanałów RGB oddzielnie po rozłączeniu ich na oddzielne obrazy ( Split Channels To -> RGB ) Rys. Obraz pierwotny oraz jego histogram na kanale RED 5-7
Rys. Obraz wynikowy po operacji progowania oraz jego histogram na kanale RED Rys. Obraz pierwotny oraz jego histogram na kanale GREEN Rys. Obraz wynikowy po operacji progowania oraz jego histogram na kanale GREEN 5-8
Rys. Obraz pierwotny oraz jego histogram na kanale BLUE Rys. Obraz wynikowy po operacji progowania oraz jego histogram na kanale BLUE Następnie wszystkie trzy obrazy odpowiadające poszczególnym kanałom RGB złączono w jeden obraz przy pomocy narzędzia Combine Channels. Rys. Opcje metody Combine Channels 5-9
Rys. Obraz wynikowy po złączeniu trzech kanałowych po progowych oraz jego histogram Różnice wynikające z progowania na wspólnym kanale RGB a na każdym z kanałów oddzielnie wynikają z tego faktu, że wartości pikseli na poszczególnych kanałach różnią się od siebie i dopiero ich złożenie daje nam obraz kolorowy RGB. Przypomina to jakby złożenie dwóch operacji, konwersji do obrazu szaroodcieniowego i progowania. Każdy kanał RGB jest natomiast obrazem szaroodcieniowym i na każdym z nich mamy osobny wynik progowania. W efekcie, niektóre miejsca zachowują pewną barwę lub ich złożenie w zależności od wyników progowania na poszczególnych warstwach. 4. Zadanie 4 W zadaniu tym na obrazie wybrany przez prowadzącego halowin.bmp i następnie oznakowanym przeprowadziliśmy według klucza następujące operacje: a) Wygładzanie 0 1 0 1 0 1 0 1 0 Tabela maski wygładzania b) Wyostrzanie 1-2 1-2 4-2 1-2 1 Tabela maski wyostrzania c) Detekcję krawędzi operator Robertsa d) Detekcję krawędzi operator Sobela e) Detekcję krawędzi operator Prewitta kierunek S f) Detekcję krawędzi operator Kirscha kierunek S 5-10
Dla detekcji krawędzi została zastosowana metoda obcinająca (zgodnie z zaleceniem prowadzącego).operacje te przeprowadziliśmy w programie FiltColor_16_17. Wyniki poniżej: Rys. Obraz pierwotny oznakowany Rys. Obraz pierwotny oznakowany wraz z histogramem w programie Filtrcolor_16_17 5-11
Rys. Obraz wygładzony zgodnie z maską dla RGB Rys. Obraz wygładzony zgodnie z maską dla HSV 5-12
Rys. Obraz wyostrzony zgodnie z maską dla RGB Rys. Obraz wyostrzony zgodnie z maską dla HSV 5-13
Rys. Obraz po detekcji krawędzi metodą Sobela - RGB Rys. Obraz po detekcji krawędzi metodą Sobela - HSV 5-14
Rys. Obraz po detekcji krawędzi metodą Roberts a - RGB Rys. Obraz po detekcji krawędzi metodą Roberts a - HSV 5-15
Rys. Obraz po detekcji krawędzi metodą Prewitt a dla kierunku S - RGB Rys. Obraz po detekcji krawędzi metodą Prewitt a dla kierunku S - HSV 5-16
Rys. Obraz po detekcji krawędzi metodą Kirscha dla kierunku S - RGB Rys. Obraz po detekcji krawędzi metodą Kirscha dla kierunku S - HSV Jak widać różnice pomiędzy obrazami dla tych samych zestawów operacji, ale dla innychmodeli są dosyć istotne. O ile dla wygładzania są one nieznaczne, o tyle dla 5-17
pozostałych operacji są bardzo wyraźne. Przy zastosowaniu modelu HSV barwy obrazu pierwotnego nie ulegają przekłamaniu. Natomiast przekłamania w barwach przy zastosowaniu modelu RGB wynikają z tego, że modelowanie koloru odbywa się w tym modelu poprzez addytywne mieszanie trzech barw podstawowych. Daje on tylko informacje na temat udziału każdego kanału w powstaniu wynikowego piksela. Natomiast w modelu HSV przy modelowaniu koloru określana jest nie tylko barwa, ale także jej nasycenie oraz jasność. Oznacza to, że pewne operacje mogą być wykonane w odniesieniu do parametrów innych niż barwa, dzięki czemu unikamy przekłamań w kolorze pikseli wynikowych. 5. Zadanie 5 a) W tym zadaniu doknaliśmy konwersji obrazów drzewo.bmp oraz PB.bmp na formaty PNG,PCX,GIF, JPG z wykorzystaniem programu PhotoPaint. Rys. Obraz drzewo.bmp po lewej, obraz pb.bmp po prawej 5-18
Rys. Właściwości obrazu drzewo.bmp przy różnym formacie zapisu Rys. Właściwości obrazu PB.bmp przy różnym formacie zapisu Wyniki operacji konwersji przedstawia poniższa tabela z oznaczeniem stopnia konwersji oraz subiektywnej oceny efektu konwersji: 5-19
Rodzaj kompresji Obraz typu Natur Obraz typu Rys SK Efekt SK Efekt BMP Bezstratna 1,18 1 2,19 1 PNG Bezstratna 1,79 1 40 4 PCX Bezstratna 1,10 1 24,56 3 GIF Bezstratna 8,25 6 96,55 2 JPG < 61% Stratna 25,92 5 19,44 5 JPG < 70% Stratna 14,43 4 16,47 6 b) W tabeli zostały wyszczególnione rodzaje kompresji stratnej (lossy ) oraz bezstratnej ( lossless ). Najbardziej efektywna kompresja powstała na obrazie z folderu Rys PB. Głównym powodem jest to, że jest to obraz czarno-biały, jedynie w formacie JPG uwidacznia się zjawisko stratnej kompresji formatu JPG. Obraz z folderu Natur Drzewo.bmp zdecydowanie gorzej prezentuje się w formacie GIF, dlatego że jest obraz wielobarwny. Zakres palety barw formatu GIF nie obejmuje całości obrazu pierwotnego co widoczne jest w obrazie w postaci kropek zakłócających obraz. c) W zadaniu tym porównaliśmy za pomocą programów \Porobr\seee.exe oraz PhotoPaint poziom utraty informacji powstałej w wyniku kompresji stratnej z obrazu pierwotnego oraz dla obrazu wynikowego jpg. Poziom kompresji ustawiliśmy 40% oraz 80% i dla tych poziomów przygotowaliśmy różnicę. Wyniki poniżej: Rys. Tabelaryczna i graficzna reprezentacja różnicy kolorów między obrazem naturalnym pierwotnym.bmp, a naturalnym wynikowym. jpg o stopniu kompresji 40% 5-20
Rys. Tabelaryczna i graficzna reprezentacja różnicy kolorów między obrazem naturalnym pierwotnym.bmp, a naturalnym wynikowym. jpg o stopniu kompresji 80% Rys. Tabelaryczna i graficzna reprezentacja różnicy kolorów między obrazem naturalnym pierwotnym.bmp, a naturalnym wynikowym. jpg o stopniu kompresji 40% 5-21
Rys. Tabelaryczna i graficzna reprezentacja różnicy kolorów między obrazem naturalnym pierwotnym.bmp, a naturalnym wynikowym. jpg o stopniu kompresji 80% Rys. Obraz różnicy dla obrazu z katalogu Natur (SK=40%) przy nierozciągniętym histogramie 5-22
Rys. Obraz różnicy po rozciągnięciu histogramu dla SK=40% Rys. Obraz różnicy dla obrazu z katalogu Natur (SK=40%) przy nierozciągniętym histogramie Rys. Obraz różnicy po rozciągnięciu histogramu dla SK=80% 5-23
Rys. Obraz różnicy dla obrazu z katalogu Natur (SK=40%) przy nierozciągniętym histogramie Rys. Obraz różnicy po rozciągnięciu histogramu dla SK=40% 5-24
Rys. Obraz różnicy dla obrazu z katalogu Natur (SK=80%) przy nierozciągniętym histogramie Rys. Obraz różnicy po rozciągnięciu histogramu dla SK=80% Wyniku konwersji na obrazie krawędzie się rozmyły i kontrast się pogorszył 5-25