نمونه برداری و کوانتیزه سازی تصاویر

نمونه برداری و کوانتیزه سازی تصاویر(جلسه ی سوم)

نمونه برداری و کوانتیزه سازی تصاویر

در بخش های قبلی درباره ی مفاهیم پایه در پردازش تصویر  و همچنین انواع تصاویر در تولباکس متلب  صحبت کردیم در این بخش سعی داریم که مفاهیم نمونه برداری و کوانتیزه سازی تصاویر را توضیح دهیم. بطور کلی میتوان گفت که نرخ نمونه برداری میزان رزولوشن تصویر را مشخص میکند این درحالی است که سطح کوانتیزه سازی تعداد سطوح شدت روشنایی در تصویر را مشخص می کند.

 

مفهوم کلی نمونه برداری وکوانتیزه سازی تصاویر

 برای اینکه بتوانیم تصاویر را در محیط کامپیوتری مورد تجزیه و تحلیل قرار دهیم، لازم است که یک تصویر هم از لحاظ مکانی و هم از لحاظ سطوح شدت روشنایی(دامنه) گسسته شود. تصاویری واقعی که توسط چشم مشاهده می کنیم، اندازه و سطوح شدت روشنایی بینهایتی دارند و به عبارت دیگر مقادیر پیوسته ای هستند و اگر بخواهیم این اطلاعات را با این حجم در کامپیوتر نگه داریم نیاز به حافظه بسیار بالایی داریم. لذا لازم است که تصاویر را نمونه برداری و کوانتیزه کنیم تا بتوانیم پردازشهای لازم را انجام دهیم که معمولا این عمل را دوربین عکاسی انجام میدهد. یک دیجیتال کننده در دوربین وجود دارد که تصاویر را هم نمونه بردای و هم کوانتیزه می کند.

فرایند دیجیتال کردن تصویر در نمونه برداری وکوانتیزه سازی تصاویر

فرایند دیجیتال کردن تصویر

 

نمونه برداری(sampling)

در نمونه برداری هدف این است که یک شکل را با تعدادی کمی پیکسل نشان دهیم. بزارید با یک مثال ساده درفضای یک بعدی توضیح بدم. فرض کنید یک سیگنال پیوسته آنالوگ داریم، برای اینکه بتوانیم این سیگنال را وارد کامپیوتر کنیم، لازم است که به جای تمام نمونه های پیوسته، یک تعداد نمونه به صورت گسسته انتخاب کنیم، و وارد کامپیوتر کنیم. ولی باید این نمونه های گسسته طوری انتخاب شوند که نماینده خوبی برای سیگنال پیوسته آنالوگ باشند و الگوی(شکل) اصلی آن را حفظ کنند. در زیر یک شکلی نمایش داده شده که در آن سیگنال پیوسته نمونه بردای شده و به سیگنال گسسته تبدیل شده است، ولی سوالی که اینجا مطرح میشه اینه که آیا این تعداد نقاط نماینده خوبی برای سیگنال پیوسته هستند؟! پاسخ خیر است؟ زیرا همانطور که در شکل بعدی مشاهده می کنید، نمونه های گسسته نماینده سیگنالهای پیوسته مختلفی می توانند باشند!

نمونه برداری وکوانتیزه سازی تصاویر

سیگنال پیوسته نمونه بردای شده

 

نمونه برداری وکوانتیزه سازی تصاویر

نمونه های گسسته نماینده سیگنالهای پیوسته مختلف

 

سوال: نرخ نمونه بردای چقدر باشد تا سیگنال گسسته نماینده مناسبی برای سیگنال پیوسته باشد؟      پاسخ: نرخ نمونه برداری باید ۲ برابر فرکانس نایکوئیست باشد. (برای اطلاعات بیشتر کتاب سیگنالها و سیستم را مطالعه کنید).

 

نکته: برای نمونه برداری تصاویر هم چنین رویکردی وجود دارد با این تفاوت که تصویر دوبعدی هست و باید در دو جهت نمونه بردای صورت بگیرد.

در زیر نتیجه نمونه بردای با نرخ نمونه برداری های مختلف را مشاهده می کنید. هرچقدر نرخ نمونه برداری بیشتر باشد، تعداد پیکسلها بیشتر خواهد شد، در نتیجه رزولوشن تصویر افزایش خواهد یافت، و تصویر با کیفیت و با جزئیات بیشتر مشاهده خواهیم کرد.

نمونه برداری وکوانتیزه سازی تصاویر

نمونه بردای با نرخ نمونه برداری های مختلف

 

کوانتیزه سازی تصاویر(quantization)

کوانتیزه سازی تصاویر تقریبا همانند نمونه برداری هست، با این تفاوت که در اینجا قصد داریم سطوح نامحدود(پیوسته) شدت روشنایی را به یک محدوده گسسته تبدیل کنیم. به عبارت دیگر میخواهیم تعداد سطوح شدت روشنایی را کم کنیم و تصویر را نمایش دهیم. واقعیت اینه که چشم انسان همه رنگهای واقعی را نمی بیند و یا اینطور بگیم که چشم ما بین رنگهای خیلی نزدیک بهم نمیتوان تفاوتی قائل بشه!  پس لزومی نداره همه رنگها را نشان دهیم. برای اینکه بتوانیم رنگهای خیلی شبیه را حذف کنیم، از کوانتیزه سازی استفاده می کنیم. در واقع بازه ای از رنگ های مشابه را با یک رنگ نشان می دهیم. و اینطور تعداد سطوح شدت روشنایی را کم می کنیم.

کوانتیزه سازی تصاویر

کوانتیزه کردن یک سیگنال با دامنه ی پیوسته با تعداد سطوح روشنایی مختلف

 

 

هر چقدر تعداد سطوح شدت روشنایی بیشتر باشد، تصویر واقعی تر نشان داده می شود و هرچقدر تعداد سطوح کمتر باشد تصویر به سمت سیاه و سفید نزدیک خواهد شد.

 

کوانتیزه سازی تصاویر

کوانتیزه کردن تصویر خاکستری با سطوح مختلف

 

همانطور که مشاهده می کنید وقتی تعداد سطوح ۲ می شود تصویر به باینری (سیاه و سفید) تبدیل می شود.

 

مدرس: مهندس محمد نوری زاده چرلو

 


اولین کانال آموزش رایگان دروس مربوط به رشته ی مهندسی پزشکی

لینک کانال

سوالات و دیدگاه خود را درباره ی این پست با ما درمیان بگذارید.

0 پاسخ

دیدگاه خود را ثبت کنید

Want to join the discussion?
Feel free to contribute!

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *