Computergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung

Transkript

1 Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung

2 Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik 2 SS2012 2

3 Abtasttheorem von Nyquist-Shannon Ein digitales Signal mit maximalem Frequenzanteil f max muss mit mindestens der doppelten Frequenz 2 f max abgetastet werden Computergrafik 2 SS2012 3

4 Subsampling und Moiré-Effekte Zone Plate f f abtast alias = < 2 f f signal abtast! f signal Computergrafik 2 SS2012 4

5 Farbe zur Kontrastverstärkung Es können wesentlich mehr Farb- als Grauwerte unterschieden werden. Kontrastverstärkung durch drei nicht-lineare, nichtmonotone Abbildungsfunktionen der Grauwerte: redi(g), greeni(g) bluei(g) Computergrafik 2 SS2012 5

6 Alltägliches Beispiel Computergrafik 2 SS2012 6

7 Maximierung der Entropie Gibt es eine optimale Kontrast-Korrektur? Entropie als Maß für Ungewissheit (Münzwurf) Entropie als Maß für Kontrast (neben lokalem und globalem Kontrast) optimal = maximale Entropie Histogramm c local = Computergrafik 2 SS2012 7

8 Informationsgehalt einer Pixelfolge Grauwertbereich {0,..., K-1} Histogramm {H(0),..., H(K-1)} Normiertes Histogramm {H P (0),..., H P (K-1)} Normiertes Histogramm als Schätzung für P Informationsgehalt eines Grauwerts 1 I(g) = log 2 H P (g) = log 2 H P (g) Informationsgehalt einer Folge von Pixeln der Länge N: Häufigkeit des Auftretens gewichtet mit Informationsgehalt: I ges = K 1 i=0 H ( i) log 2 H P ( i) Durchschnittlicher Informationsgehalt = Entropie: Entropie( H P ) = 1 N K 1 H ( i) log 2 H P ( i) = H P ( i) log 2 H P i i=0 K 1 i=0 ( ) Computergrafik 2 SS2012 8

9 Beispiel: Entropie bei Münzwurf Zwei Ereignisse mit Wahrscheinlichkeit p(0)=x und p(1) = 1-p(0), bei idealer Münze: p(0) = p(1) = 0.5 Entropie: H = p( 0) log 2 p( 0) p( 1) log 2 p( 1) für p(0) = p(1) = 0.5: H = 1 für p(0) = 0.8, p(1) = 0.2: H = 0.72 H p(0) Computergrafik 2 SS2012 9

10 Maximierung der Entropie H H(g) g Entropie ist maximal, falls H P (i) = const für i = 0, K-1 gesucht: Histogrammtransformation T(g) zur Maximierung der Entropie H [ ] H(T(g)) E H(g) Annahme: H(g) ist normiert und kontinuierlich, d.h., H(g)=1 Dann existiert die Transferfunktion T g mit T(g) = 0...g H(w) dw Computergrafik 2 SS

11 Histogrammlinearisierung Idee: Finden einer Transformation g = T(f), so dass g gleichverteilt ist und den gesamten Wertebereich füllt Vereinfachende Annahmen: 0 f 1 0 g 1 T(f) ist streng monoton steigend, also existiert f = T -1 (g) Gesucht: p g (g) = 1 für alle 0 g 1 R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS

12 Histogram Equalization p(x) dx = p(y) dy p(y) = const = 1 dy dx = f '(x) = p(x) y = f (x) = x p(u)du 0 = P(x) P(0) = P(x) p(y)=1 p: Wahrscheinlichkeitsdichte P: kumulative Verteilungsfunktion Source: Computergrafik 2 SS

13 Beispiel Histogramm Entropie(f) = 6.49 Entropie max = 8.00 Aber: was ist, falls g'(g) (N-1) keine ganze Zahl ist? Transferfunktion Computergrafik 2 SS

14 Histogrammlinearisierung Transferfunktion für ein diskretes Histogramm H: N gray = Anzahl der Grauwerte, N img = Anzahl der Bildpunkte T(g) = N gray N img g i=0 H(i) Beispiel (N gray = 8, N img = 1000): Grauwert g H(g) g i=0 H(i) T(g) clamp to 0..N gray Da diskretes Histogramm: Keine Linearisierung, sondern von der Häufigkeit abhängige Spreizung. Computergrafik 2 SS

15 Histogrammlinearisierung (H normalisiert) Transferfunktion für ein normalisiertes Histogramm H P : N gray = Anzahl der Grauwerte T P (g) = N gray g i=0 H P (i) g H P (i) =1 i=0 Beispiel (N gray = 8): Grauwert g H(g) H P (g) g i=0 H P (i) T P (g) round and clamp to 0..N gray Computergrafik 2 SS

16 p(g) P(g) Computergrafik 2 SS

17 Weiteres Beispiel Quelle: Wikipedia-User Konstable, CC-BY Computergrafik 2 SS

18 Adaptive Histogrammlinearisierung Lokale Histogramme: Pixel p1 am Rand des Bildes Pixel des lokalen Histogramms von p1 R Pixel p0 an i,j R Pixel des lokalen Histogramms von p0 Computergrafik 2 SS

19 Kontrastlimitierende Adaptive Histogrammlinearisierung AHE Histogramm g Transferfunktion Steigung begrenzen! g Computergrafik 2 SS