Kvantovanie farieb - PowerPoint PPT Presentation

slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Kvantovanie farieb PowerPoint Presentation
Download Presentation
Kvantovanie farieb

play fullscreen
1 / 63
Kvantovanie farieb
83 Views
Download Presentation
rumor
Download Presentation

Kvantovanie farieb

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Kvantovanie farieb

  2. Originál 500x362 = 181000 pixlov ak máme pre každý pixel 3x8 bitov (8 bitov pre R,G,B) = 4 344 000 bitov = 530kB 89648 rôznych RGB trojíc ~ 1/2

  3.  Čo chceme? zmenšiť toto číslo - Čo najviac (2farby) - Aby sa výsledný obrázok podobal originálu

  4. 30/36/48-bitová reprezentácia Extrémne vysoký počet odtieňov 30 bits (1.073 billion colors), 36 bits (68.71 billion colors) a 48 bits (281.5 trillion colors). Deep Color 24-bitová reprezentácia každá farba je reprezentovaná 8 bitmi máme ~16 miliónov možných farieb Truecolor

  5. 16-bitová reprezentácia 16 bitov môžeme rozdeliť 5-5-5-1 (R-G-B-transparentnosť) 5-6-5 (R-G-B) ~65 tisíc možných farieb Hicolor 8-bitová reprezentácia 1 byte na pixel 256 fariebrozdelíme na 3-3-2 (R-G-B) Alebo použijeme Look-Up Table (LUT) – index do palety farieb Indexed color 1-bitová reprezentácia 1 bit na pixel Binárny obraz

  6. Kvantovanie • Redukcia počtu farieb s minimálnou vizuálnou distorziou (deformáciou) • Stratová obrazová kompresia • Znižuje nároky • na úložný priestor • na šírku prenosového pásma • Doležité • Výpočtová efektívnosť • Distorzia obrazu čo najmenšia

  7. Kvantovanie matematicky C – priestor farieb P – kvantovaný priestor ( P  C ), paleta, color map c1, c2,....cn reprezentatívne farby Kvantizátor Q:

  8. Kvantovanie • Obrazovo nezávislé metódy • najvýznamnejšie bity (~2) • rozdelenie priestoru farieb (partitioning) • referenčné farby, indexovanie • prahovanie • Obrazovo závislé metódy • zhlukovanie priestoru farieb (clustering) • segmentácia obrazu – rozdelenie obrazu na útvary, ktoré majú rovnaké charakteristiky (farba, textúra, ...) • prahovanie

  9. Šedotónové obrazy Jednoduchý prípad – jeden kanál Zmenšenie počtu farieb (úrovní šedej) 

  10. Histogram • Každej farbe RiGjBk priradí počet obrazových bodov s touto farbou • Pre každú farbu 256 odtieňov – 2563 pamať • Veľkosť obrazu oveľa menšia ako veľkosť histogramu • Vačšina binov histogramu prázdna

  11. Histogram - variácie • Xiang • Iba RG pole a list s hodnotami B a frekvenciu výskytu • Zložitosť O(S/2) kde S je priemerná veľkosť B listov • Balasubramanian • Vylepšenie B list -> binárny strom • Zložitosť O(log(S))

  12. Histogram každej úrovni jasu priradí zodpovedajúcu početnosť v obraze vyhladenie histogramu

  13. Prahovanie histogramu prahová (hraničná) hodnota: p(i), i=0,..n reprezentatívna farba: f(i), i=1,..n - voľba  body obrazu s intenzitou I(x,y)  i=1,..n ak p(i-1)  I(x,y) ≤ p(i) tak I(x,y) = f(i)

  14. Prahovanie adaptívne – hľadáme lokálne minimá

  15. Výsledok

  16. Prahovanie pevný prah – pravidelné intervaly

  17. Výsledok

  18. Porovnanie adaptívne vs. pevné účel použitia

  19. Binarizácia 2 farby (biela, čierna) triviálne pomocou globálneho prahovania stráca sa nám informácia naivný algoritmus prah = 1/2

  20. Problém ?

  21. Vylepšenie prah taký, aby sa (približne) zachovala priemerná intenzita Intenzita originál : 0.3297 prah 0.5 : 0.2048

  22. 1 0 40% 100% Príklad priemerná intenzita = 0.6 prah taký, aby 60% bodov malo vyššiu hodnotu a 40% nižšiu hodnotu Usporiadame „body“ podľa intenzity Určíme prah

  23. Nie vždy zachováme intenzitu presne 1 0 40% 100%

  24. originál : 0.3297 prah 0.5 : 0.2048 prah 0.3216 intenzita 0.3326

  25. Náhodná modulácia Intenzita 0.3297 Pred prahovaním pridáme šum Každému pixlu sa pridá náhodná hodnota Rovnomerne rozloženie z [-a,a]

  26. Náhodná modulácia Gaussovský šum Intenzita 0.3297

  27. Halftoning používa sa pri tlači novín Šedé obrazové body sa reprodukujú ako rôzne veľké tlačové body. Čím tmavší obrazový bod, tým väčší tlačový bod

  28. Halftoning

  29. Zmenšovaním veľkosti červeného a modrého obrazového bodu vytvorím fialovú farbu Dithering Využíva vlastnosť oka priemerovať body v malom okolí Dither coding (alebo dithering) – zmena šedotónového obrazu na binárny, pri zachovaní priemernej intenzity v oblastiach obrazu

  30. Dithering

  31. Dithering Najrozšírenejšie metódy ordered dithering error diffusion

  32. Ordered dithering • Aplikovanie prahovej mapy na obrazové body, čo spôsobuje že niektoré bodý sú zobrazované inou farbou

  33. Ordered dithering • obraz rozdelíme na bloky veľkosti n x n • každý blok sa spracuje samostatne • každý pixel bloku sa porovná s určeným prahom • prahové hodnoty sú dané generátorom pseudonáhodných čísel n – veľkosť matice ki,j– zodpovedajúca pseudonáhodná hodnota daná maticou xmax – maximálna intenzita

  34. Ordered dithering – matice Ako vyrobiť maticu? Dij- i,j element matice D2 In- nxn jednotková matica

  35. Matice treba vyberať starostlivo, aby nevytvárali neželané efekty

  36. Ordered dithering – príklad Vstupný obrázok Zodpovedajúce prahy Výsledný obrázok Vstupná intenzita: 1038 (64.875) Výstupná intenzita: 1020 (63.75)

  37. blok, kde všetky intenzity sú v intervale 56 – 72: výsledný obraz: 4 biele a 12 čiernych pixlov intenzity okolo 16 32 48 64

  38. 4

  39. 8

  40. Ordered dithering - nedostatky • Vytvára nežiadúce rekurzívne textúry, šrafovanie

  41. Clustered dithering napodobuje novinovú tlač

  42. Patterning pixel nahradíme blokom výstupné zariadenie má vyššie rozlíšenie Matice - podobne ako pre dithering

  43. 5 6 7 8 9 0 1 2 3 4 Patterning Výsledný obrázok Vstupný obrázok 1 4 8 2 4 8 3 5 9 Zodpovedajúca matica prahy 14 42 71 99 128 156 184 213 241

  44. Patterning

  45. Error diffusion • chyba z kvantizačného procesu sa prenáša na susedné obrazové body aby sa následne negovala. metóda Floyd-Steinberg dithering

  46. Nech I´(x,y) je hodnota obrazového bodu získaná pseudo-náhodným procesom aje kvantizačná chyba v obrazovom bode (x,y), potom I´(x,y) je vyjadrené následovne a kde Error diffusion i a j určujú okolie na ktorom sa kvantizačná chyba akumuluje na základe koeficientov Cij, Podmienka na Cijzaručuje že sa lokálne kvantizačná chyba priemeruje na nulu. δ(x,y) reprezentuje dvoj-rozmerný filter

  47. Error diffusion • Spracúva obraz po riadkoch zhora dolu zľava doprava. • Každý bod je zaokrúhlený k 0 alebo 1 (255). • Chyba pri zaokrúhľovaní je potom rozdelená medzi susedné body podľa masky. • Napr. ak hodnota intenzity je 191, zaokrúhlením máme chybu 64. • => moc svetlý bod, preto susedné body stmavíme, aby sa suma intenzít bodov (moc) nezmenila.

  48. Floyd-Steinberg 35/16 = 2.1875

  49. Floyd-Steinberg 104/16 = 6.5