Вычислите статистику для больших изображений

Этот пример показывает, как использовать blockproc, чтобы вычислить статистику из больших изображений и затем использовать ту информацию, чтобы более точно обработать изображения blockwise. Функция blockproc хорошо подходит для применения операции к изображению blockwise, сборки результатов и возврата их как новое изображение. Много алгоритмов обработки изображений, однако, запрашивают "глобальную" информацию об изображении, которое не доступно, когда вы только рассматриваете один блок данных изображения за один раз. Эти ограничения могут оказаться проблематичными при работе с изображениями, которые являются слишком большими, чтобы загрузить полностью в память.

Этот пример выполняет задачу, подобную найденному в Улучшающем Многоспектральном Цветном Составном примере Изображений, но адаптированный к большим изображениям с помощью blockproc. Вы будете улучшать видимые полосы файла LAN Эрдаса rio.lan. Эти типы методов обработки блока обычно более полезны для больших изображений, но маленькое изображение будет работать в целях этого примера.

Шаг 1: создайте составной объект истинного цвета

Используя blockproc, считанный данные из rio.lan, файл, содержащий Landsat тематическое формирование изображений картопостроителя в формате файла LAN Эрдаса. blockproc имеет встроенную поддержку чтения TIFF и файлов JPEG2000 только. Чтобы считать другие типы файлов, необходимо записать класс Адаптера Изображений, чтобы поддержать ввод-вывод для конкретного формата файла. Этот пример использует предварительно созданный класс Адаптера Изображений, LanAdapter, который поддерживает файлы LAN чтения. Для получения дополнительной информации о записи классов Адаптера Изображений видят пример в Руководстве Пользователей, описывающем, как класс LanAdapter был создан.

Формат LAN Эрдаса содержит видимый красный, зеленый, и синий спектр в полосах 3, 2, и 1, соответственно. Используйте blockproc, чтобы извлечь видимые полосы в изображение RGB.

% Create the LanAdapter object associated with rio.lan.
input_adapter = LanAdapter('rio.lan');

% Select the visible R, G, and B bands.
input_adapter.SelectedBands = [3 2 1];

% Create a block function to simply return the block data unchanged.
identityFcn = @(block_struct) block_struct.data;

% Create the initial truecolor image.
truecolor = blockproc(input_adapter,[100 100],identityFcn);

% Display the un-enhanced results.
figure;
imshow(truecolor);
title('Truecolor Composite (Un-enhanced)');

Получившееся изображение истинного цвета подобно тому из paris.lan в Улучшающем Многоспектральном Цветном Составном примере Изображений. Изображение RGB кажется тусклым с небольшим контрастом.

Шаг 2: улучшите изображение - сначала пытаются

Во-первых, попытайтесь расширить данные через динамический диапазон с помощью blockproc. Эта первая попытка просто задает новый указатель на функцию, который вызывает stretchlim и imadjust на каждом блоке данных индивидуально.

adjustFcn = @(block_struct) imadjust(block_struct.data,...
    stretchlim(block_struct.data));
truecolor_enhanced = blockproc(input_adapter,[100 100],adjustFcn);
figure
imshow(truecolor_enhanced)
title('Truecolor Composite with Blockwise Contrast Stretch')

Вы сразу видите, что результаты являются неправильными. Проблема состоит в том, что функция stretchlim вычисляет гистограмму на входном изображении и использует эту информацию, чтобы вычислить пределы фрагмента. Поскольку каждый блок настроен в изоляции от его соседей, каждый блок вычисляет различные пределы из своей локальной гистограммы.

Шаг 3: исследуйте класс аккумулятора гистограммы

Чтобы исследовать распределение данных через динамический диапазон изображения, можно вычислить гистограмму для каждой из трех видимых полос.

При работе с достаточно большими изображениями вы не можете просто вызвать imhist, чтобы создать гистограмму изображений. Один способ инкрементно создать гистограмму состоит в том, чтобы использовать blockproc с классом, который суммирует гистограммы каждого блока, когда вы отодвигаетесь изображение.

Исследуйте класс HistogramAccumulator.

type HistogramAccumulator
% HistogramAccumulator Accumulate incremental histogram.
%   HistogramAccumulator is a class that incrementally builds up a
%   histogram for an image.  This class is appropriate for use with 8-bit
%   or 16-bit integer images and is for educational purposes ONLY.

%   Copyright 2009 The MathWorks, Inc.

classdef HistogramAccumulator < handle
   
    properties
        Histogram
        Range
    end
    
    methods
        
        function obj = HistogramAccumulator()
            obj.Range = [];
            obj.Histogram = [];
        end
        
        function addToHistogram(obj,new_data)
            if isempty(obj.Histogram)
                obj.Range = double(0:intmax(class(new_data)));
                obj.Histogram = hist(double(new_data(:)),obj.Range);
            else
                new_hist = hist(double(new_data(:)),obj.Range);
                obj.Histogram = obj.Histogram + new_hist;
            end
        end
    end
end

Класс является простой оберткой вокруг функции hist, позволяя вам добавить данные в гистограмму инкрементно. Это не характерно для blockproc. Наблюдайте следующее простое использование класса HistogramAccumulator.

% Create the HistogramAccumulator object.
hist_obj = HistogramAccumulator();

% Split a sample image into 2 halves.
full_image = imread('liftingbody.png');
top_half = full_image(1:256,:);
bottom_half = full_image(257:end,:);

% Compute the histogram incrementally.
addToHistogram(hist_obj, top_half);
addToHistogram(hist_obj, bottom_half);
computed_histogram = hist_obj.Histogram;

% Compare against the results of IMHIST.
normal_histogram = imhist(full_image);

% Examine the results.  The histograms are numerically identical.
figure
subplot(1,2,1);
stem(computed_histogram,'Marker','none');
title('Incrementally Computed Histogram');
subplot(1,2,2);
stem(normal_histogram','Marker','none');
title('IMHIST Histogram');

Шаг 4: используйте класс HistogramAccumulator с BLOCKPROC

Теперь используйте класс HistogramAccumulator с blockproc, чтобы создать гистограмму красной полосы данных в rio.lan. Можно задать указатель на функцию для blockproc, который вызовет метод addToHistogram на каждый блок данных. Путем просмотра этой гистограммы вы видите, что данные сконцентрированы в небольшой части доступного динамического диапазона. У других видимых полос есть подобные дистрибутивы. Это - одна причина, почему исходный составной объект истинного цвета кажется тусклым.

% Create the HistogramAccumulator object.
hist_obj = HistogramAccumulator();

% Setup blockproc function handle
addToHistFcn = @(block_struct) addToHistogram(hist_obj, block_struct.data);

% Compute histogram of the red channel.  Notice that the addToHistFcn
% function handle does generate any output.  Since the function handle we
% are passing to blockproc does not return anything, blockproc will not
% return anything either.
input_adapter.SelectedBands = 3;
blockproc(input_adapter,[100 100],addToHistFcn);
red_hist = hist_obj.Histogram;

% Display results.
figure
stem(red_hist,'Marker','none');
title('Histogram of Red Band (Band 3)');

Шаг 5: улучшите составной объект истинного цвета с контрастным фрагментом

Можно теперь выполнить соответствующий контрастный фрагмент на изображении. Для обычных, рабочих процессов в оперативной памяти можно просто использовать функцию stretchlim, чтобы вычислить аргументы к imadjust (как пример MultispectralImageEnhancementExample, делает). При работе с большими изображениями, как мы видели, stretchlim легко не адаптируется к использованию с blockproc, поскольку это полагается на гистограмму полного образа.

Если вы вычислили гистограммы изображений для каждой из видимых полос, вычислите соответствующие аргументы к imadjust вручную (подобный тому, как stretchlim делает).

Сначала вычислите гистограммы для зеленых и синих полос.

% Compute histogram for green channel.
hist_obj = HistogramAccumulator();
addToHistFcn = @(block_struct) addToHistogram(hist_obj, block_struct.data);
input_adapter.SelectedBands = 2;
blockproc(input_adapter,[100 100],addToHistFcn);
green_hist = hist_obj.Histogram;

% Compute histogram for blue channel.
hist_obj = HistogramAccumulator();
addToHistFcn = @(block_struct) addToHistogram(hist_obj, block_struct.data);
input_adapter.SelectedBands = 1;
blockproc(input_adapter,[100 100],addToHistFcn);
blue_hist = hist_obj.Histogram;

Теперь вычислите CDF каждой гистограммы и подготовьтесь вызывать imadjust.

computeCDF = @(histogram) cumsum(histogram) / sum(histogram);
findLowerLimit = @(cdf) find(cdf > 0.01, 1, 'first');
findUpperLimit = @(cdf) find(cdf >= 0.99, 1, 'first');

red_cdf = computeCDF(red_hist);
red_limits(1) = findLowerLimit(red_cdf);
red_limits(2) = findUpperLimit(red_cdf);

green_cdf = computeCDF(green_hist);
green_limits(1) = findLowerLimit(green_cdf);
green_limits(2) = findUpperLimit(green_cdf);

blue_cdf = computeCDF(blue_hist);
blue_limits(1) = findLowerLimit(blue_cdf);
blue_limits(2) = findUpperLimit(blue_cdf);

% Prepare argument for IMADJUST.
rgb_limits = [red_limits' green_limits' blue_limits'];

% Scale to [0,1] range.
rgb_limits = (rgb_limits - 1) / (255);

Создайте новый adjustFcn, который применяется, глобальная переменная превышают лимиты и используют blockproc, чтобы настроить изображение истинного цвета.

adjustFcn = @(block_struct) imadjust(block_struct.data,rgb_limits);

% Select full RGB data.
input_adapter.SelectedBands = [3 2 1];
truecolor_enhanced = blockproc(input_adapter,[100 100],adjustFcn);
figure;
imshow(truecolor_enhanced)
title('Truecolor Composite with Corrected Contrast Stretch')

Получившееся изображение очень улучшено с данными, покрывающими больше динамического диапазона, и при помощи blockproc вы стараетесь не загружать целое изображение в память.

Смотрите также

Классы

Функции

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте