Обработка данных в среде графического программирования Lab VIEW

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ТЕХНОЛОГИЧЕСКИЙ ИНСТИТУТ

_____________ЮЖНОГО ФЕДЕРАЛЬНОГО УНИВЕРСИТЕТА в г. Таганроге________

Факультет электроники и приборостроения (ФЭП)

Кафедра автоматизированных систем научных исследований и экспериментов (АСНИиЭ)

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА

к курсовой работе

по дисциплине

«Компьютерные технологии в приборостроении»

на тему:

«Обработка данных в среде графического программирования LabVIEW»

Таганрог 2011 г.

Содержание

Введение 2

Подготовка исходного изображения 5

Обработка изображений путем поэлементных преобразований 5

Инверсия изображения 6

Линейное контрастирование изображения 7

Построение линейной и кумулятивной гистограмм изображения10

Бинаризация изображения 11

Вывод 13

Список литературы 14

Введение

Цель данного курсового проекта заключается в реализации предлагаемых алгоритмов и методов обработки массивов данных (цифровых изображений) с помощью LabVIEW. LabVIEW являются наиболее наглядными и часто используемыми для решения различных инженерных вычислительных задач и исследовательских проблем.

Обработка цифровых изображений является достаточно ярким и наглядным примером преобразования и анализа измерительных данных. Цифровое преобразование изображений широко используют в промышленных системах машинного зрения, измерительных видеосистемах, прикладных телевизионных системах, вещательном телевидении и так далее.

Назначение цифрового преобразования изображений состоит в создании условий для улучшения восприятия изображения (например, в рентгено- или ультразвуковой медицинской диагностике), формировании определенного художественного образа (в телевидении), выделении информативных признаков (в системах распознавания изображений, измерительных системах, системах мониторинга) и так далее.

В данном курсовом проекте будут использованы такие цифровые преобразования как, импортирование данных из полученного файла в массив; инверсия изображения; линейное контрастирование исходного изображения; построение линейной и кумулятивной исходного и контрастированного изображения; бинаризация полученного изображения после линейного контрастирования с различными порогами бинаризации; двукратное увеличение контрастированного изображения, используя экстраполяцию нулевого порядка и интерполяцию первого порядка для восстановления промежуточных пикселей изображения; экспортирование контрастированного и восстановленных изображений в bmp файлы.

Следует различать обработку изображений, предназначенных для зрительного восприятия, и обработку в устройствах автоматического анализа, где на первый план выходят задачи выделения признаков, определения точных текущих координат объекта и формирования данных о количественных характеристиках.

Исследуемые изображения отражают закономерности взаимодействия светового и другого электромагнитного излучения с отдельными участками изучаемой сцены. Модуляция лучистого потока происходит как по величине энергии, так и по спектральному распределению и осуществляется в результате взаимодействия излучения с исследуемым веществом вследствие явлений поглощения, отражения, рассеяния, преломления, поляризации или интерференции. Именно на этих свойствах, как правило, основано использование обработки изображений в системах автоматического анализа с целью извлечения количественной информации об исследуемых объектах.

Естественные изображения имеют некомпьютерное происхождение. В

них почти нет резких цветовых переходов. Компьютерные рисунки, как

в прочем и любые другие, подразделяются на два типа: растровые и векторные.

Растровые изображения хранятся как прямоугольная матрица с элементами,

определяющими яркость цветовых составляющих. Векторные изображения

представляют собой последовательность команд для их построения. Пример

команды – круг с центром в какой-либо точке и с определенным радиусом,

текстурированный материалом под дерево. Преимущество растровых

изображений – простота воспроизведения и реалистичность, недостаток –

большой занимаемый объем, проблемы с масштабированием. У векторных

изображений, наоборот, преимущество – небольшой занимаемый объем,

легкость масштабирования, а недостаток – необходимость предварительной

обработки перед воспроизведением и трудность создания реалистических

изображений. В дальнейшем мы будем рассматривать только растровые изображения как прямоугольную матрицу.

Рассмотрим основные форматы, применяемые в компьютерной обработке

изображений.

Черно-белый формат. Каждый элемент матрицы представлен одним

битом. Если он равен единице, то его отождествляеют с черным цветом, если

равен нулю – с белым. Это самый простой формат, он применяется при печати

газет, распознавании текстов и подписей.

Формат Grayscale ( градации серого). Отличие данного формата от

предыдущего состоит в том, что для каждого элемента матрицы отводится 8

битов (один байт). Это позволяет нам использовать 256 уровней серого цвета.

Если элемент матрицы равен 0, то имеем белый цвет, с возрастанием

значения элемента до 255 яркость изображения снижается, и при равенстве

значения элемента 255 получаем черный цвет. В промежутке от 0 до 255

уровней будут располагаться серые цвета по правилу: чем ближе значение к

255, тем темнее будет серый. Данный формат позволяет получать довольно

качественные черно-белые изображения.

Многоканальный формат. В данном случае элемент матрицы представлен в виде вектора с координатами используемой цветовой модели.

Обычно вектор трехмерный, так как человеческий глаз реагирует на три

различные цветовые составляющие. Каждый компонент вектора чаще всего

занимает один байт памяти.

Индексированный формат используется для уменьшения объемов

изображения или для использования определенных цветов. Элемент матрицы

является указателем на таблицу цветов. Число используемых цветов равно

2K, где K – количество битов памяти, используемых для хранения элемента

матрицы. Цвета в указываемой таблице могут кодироваться другим числом

битов. Например, в 256 цветовых режимах видеоадаптеров выбирается 256

цветов из 262 144 возможных, так как выбираемые цвета представляются в

RGB-формате и для каждого цветового компонента кодируются шестью

битами.

На всех этапах данного курсового проекта осуществляется обработка

изображений в черно-белом формате или формате градаций серого.

Подготовка исходного изображения

Создание исходного цифрового изображение путем цифровой фотосъемки и дальнейшей обработки в любом графическом редакторе. Сохранение полученного изображения в формате bmp, размером 300х300 пикселей (Рис 2).

Обработка изображений путем по элементных преобразований

Результат обработки в любой точке кадра зависит только от значения входного изображения в этой же точке. Очевидным достоинством таких процедур является их предельная простота. Вместе с тем, многие из них приводят к очевидному субъективному улучшению визуального качества. Этим определяется внимание, которое уделяется поэлементным процедурам. Не преувеличивая их роли, отметим, что очень часто поэлементная обработка применяется как заключительный этап при решении более сложной задачи обработки изображения. Часто бывает полезным подчеркнуть, усилить какие-то черты, особенности, нюансы наблюдаемого изображения с целью улучшения ее субъективного восприятия.

Рассмотрим сущность поэлементной обработки изображений. Итак, если

изображения имеют формат градации серого ( черно-белый формат – его

частный случай) значения яркости изображений соответствуют элементам

получаемого массива точек кадра, имеющего декартовы координаты i (номер 8 строки) и j (номер столбца). На рис. 1 приведена часть массива, получаемого

из изображения на Рис 2.

рис. 1

Импортирование данных из полученного файла в массив

Рис 2.

Инверсия изображения

Под инверсией изображения понимается получение негатива из исходного изображения и наоборот (Рис 3). При использовании восьми битового формата изображения градации серого уровень яркости кодируется 256 уровнями (от 0 до 255). Фактически осуществляется преобразование белого в черный, учитывая все 256 уровней кодирования (Рис 3).

(Рис 3)

Тогда операцию инверсии изображения математически можно записать следующим образом:

Фактически с помощью формулы осуществляется преобразование

белого в черный, учитывая все 256 уровней кодирования.

Рис 3.

Линейное контрастирование исходного изображения

Задача контрастирования связана с улучшением согласования динамического диапазона изображения и экрана, на котором выполняется визуализация. В рассматриваемом случае формата градаций серого на кодирование каждого отсчета изображения отводится 1 байт (8 бит) запоминающего устройства, поэтому уровни могут принимать одно из 256 значений. Обычно в качестве рабочего используется диапазон 0...255; при этом значение 0 соответствует при визуализации уровню черного, а значение 255 – уровню белого. Предположим, что минимальная и максимальная яркости исходного изображения равны и соответственно. Если эти параметры или один из них существенно отличаются от граничных значений яркостного диапазона, то визуализированная картина выглядит как ненасыщенная, неудобная, утомляющая при наблюдении.

Ненасыщенное изображение можно получить из исходного при помощи

следующего выражения:

Получим ненасыщенное изображение (Рис. 4а), а потом, с помощью линейного контрастирования, улучшим его качество (Рис. 4b) .

Рис . 4a

Рис 4b

При линейном контрастировании используется поэлементное преобразование вида:

Рис 4

Построение линейной и кумулятивной гистограмм изображения

Для цифрового изображения формата градации серого, шкала яркостей которого принадлежит целочисленному диапазону 0...255, гистограмма представляет собой таблицу из 256 чисел. Каждое из них показывает количество точек в кадре, имеющих данную яркость.

Линейная гистограмма (Рис 5a) определяет полный перебор матрицы изображения. Значение элементов матрицыв свою очередь являются индексами массива гистограммы. При выборе какого-либо элемента матрицы к соответствующему элементу массива гистограммы добавляется единица. В итоге, после полного перебора матрицыкаждый элемент массива отражает общее число элементов матрицыс соответствующим уровнем яркости.

У кумулятивной гистограммы (Рис 5b) любое значение элемента массива равно сумме всех предыдущих.

Рис 5.

Рис 5а

Рис 5b

Бинаризация изображения

Преобразование с пороговой характеристикой превращает полутоновое изображение, содержащее все уровни яркости, в бинарное, точки которого имеют яркости 0 или 255. Такая операция, называемая иногда бинаризацией или бинарным квантованием, может быть полезной, когда для наблюдателя важны очертания объектов, присутствующих на изображении, а детали, содержащиеся внутри объектов или внутри фона, не представляют интереса (Рис 5). Математическую формулировку процесса бинаризации можно

представить следующим выражением:

Основной проблемой при проведении такой обработки является

определение порога P (я взял порог=140), сравнение с которым яркости исходного изображения позволяет определить значение яркости выходного изображения в каждой его точке. Наиболее оправданным для математического описания изображения является применение теории вероятностей, теории случайных процессов и случайных полей. При этом определение оптимального порога бинарного квантования представляет собой статистическую задачу.

Плотность вероятности, описывающая распределение яркости такого изображения, может содержать два хорошо разделяющихся пика. Интуитивно понятно, что порог бинарного квантования следует выбирать посредине провала между этими пиками. Замена исходного полутонового изображения бинарным решает две основные задачи. Во-первых, достигается бульшая наглядность для визуального восприятия, чем у исходного изображения. Во-вторых, ощутимо сокращается объем памяти для хранения изображения, поскольку для бинарного формата запись каждой точки изображения требует лишь 1 бит памяти, в то время как для полутонового изображения – 8 бит. Пример бинаризации исходного изображения приведен на Рис 6.

Рис 6

Рис 6

Вывод

В данной курсовой работе была рассмотрена программная среда - LabVIEW. В качестве объекта исследования было использовано восьмибитное изображение размером 300х300 пикселей. Исследуемые изображения отражают закономерности взаимодействия светового и любого другого электромагнитного излучения с отдельными участками изучаемого изображения. Модуляция лучистого потока происходит как по величине его энергии, так и по спектральному распределению и осуществляется в результате взаимодействия ее излучения с исследуемым веществом за счет поглощения, отражения, рассеяния, преломления, поляризации или интерференции. Именно на этих свойствах, как пра­вило, основано использование обработки изображений в системах автоматического анализа с целью извлечения количественной информации об исследуемых объектах.

Одним из достоинств среды LabVIEW является наглядность алгоритма выполнения и интуитивный понятный интерфейс. По моему мнению, спектр решаемых задач в среде Lab VIEW очень широк.

Список литературы

1. Руководство к курсовому проектированию: Обработка данных в средах MathCAD и LabVIEW, Таганрог 2007 г.

2. Жарков Ф.П., Каратаев В.В, Никифоров В.Ф, Панов В.С.

Использование виртуальных инструментов LabVIEW /Под ред.

К.С. Демирчяна и В.Г. Миронова. – М.: Радио и связь, 1999. – 268 с.

3. Тревис Дж. LabVIEW для всех /Пер. с англ. Н.А. Клушина – М.: ДМК

Пресс ; Приборкомплект, 2004. – 544 с.

4. Пейч Л.И., Точилин Д.А., Поллак Б.П. LabVIEW для новичков и

специалистов. – М.: Горячая линия – Телеком, 2004. – 384 с.

Жарков Ф.П., Каратаев В.В, Никифоров В.Ф, Панов B.C. Использование вирту­альных инструментов LabVIEW /Под ред. К.С. Демирчяна и В.Г. Миронова. - М.: Ра­дио и связь, 1999. - 268 с.