Professional Documents
Culture Documents
sS
(x
s
i) (3.1)
Slika
Potrebno je napomenuti da histogram prikazuje broj piksela za svaku mogucu vrijed-
nost piksela slike, ali ne daju informaciju o tome gdje se ti pikseli nalaze na slici. Prema
tome, prostorne informacije su zanemarene. Na osnovu ovoga, moze se zakljuciti da je
histogram jedinstven za odredenu sliku, ali je moguce da razlicite slike imaju potpuno
isti histogram.
Suma visina svih binova histograma jednaka je ukupnom broju piksela na slici. Nor-
malizovani histogram se moze dobiti dijeljenjem visine binova sa ukupnim brojem piksela
slike, tako da je suma normalizovanih visina binova jednaka 1.
Statisticki gledano, normalizovani histogram predstavlja funkciju gustine vjerovatnoce
(eng. Probability Density Function, PDF) digitalne slike i indicira vjerovatnocu, na
skali od 0 do 1, pojavljivanja odredene vrijednosti piksela na slici. Integraljenjem nor-
malizovanog histograma dobija se kumulativna funkcija raspodjele intenziteta slike koja
indicira vjerovatnocu da ce piksel imati vrijednost jednaku ili manju od date vrijednosti
intenziteta. Vrijedost kumulativne funkcije raspodjele za odredenu vrijednost intenziteta
piksela dobija se sumiranjem vrijednosti funkcije gustine vjerovatnoce za sve vrijednosti
piksela pocev od 0 pa do vrijednosti intenziteta piksela koja se posmatra.
Pored navedenog, histogram slike pokazuje da li je slika uopceno tamna ili svijetla.
Sumiranjem proizvoda vrijednosti piksela i odgovarajucih visina binova, te dijeljenjem sa
ukupnim brojem piksela dobija se srednja vrijednost piksela. Ako je ta srednja vrijednost
piksela blizu polovine maksimalne moguce vrijednosti, tj. 127 ili 128 za 8-bitnu (sliku
sa 256 nivoa sive) sliku, onda to predstavlja optimalnu svjetlinu. Vrijednost koja je
znacajno ispod ili iznad ovoga govori da je slika uopceno tamna ili svijetla, respektivno.
3.3 Dinamicko podrucje i kontrast slike
Koncept dinamickog podrucja potice od digitalne fotograje i audio uredaja kao sto je
npr. CD. Tako, na primjer, dinamicko podrucje fotograje moze se izraziti kao broj
nivoa boje ili brj sivih nivoa slike, odnosno, kao razlika izmedu maksimalne i minimalne
vrijednosti piksela slike.
Sto je veci broj nivoa, to je moguce preciznije reproducirati sitne
razlike boje ili sivih tonova. Slika ?? prikazuje primjer medicinske slike digitalizovane sa
razlicitim brojem nivoa sive i ocito je da: sto je veci broj nivoa to je veci kvalitet slike.
Dinamicko podrucje se moze predstaviti kao razlika u vrijednostima intenziteta piksela
ili dB kao sto je to dato naredni izrazom:
DP = 20 log (a
max
a
min
) , (3.2)
gdje su a
max
i a
min
, maksimalne i minimalne vrijednosti piksela slike, respektivno.
Drugi znacajan koncept u obradi slike jeste kontrast. Kontrast slike zavisi od din-
amickog podrucja slike, kao i visine binova histograma i prosjecne raspodjele vrijednosti
11
piksela slike. Ako dinaciko podrucje slike obuhvata cijeli raspon vrijednosti sistema za
snimanje slike (npr. 2
n
za n-bitni sistem), tada slika posjeduje veliki kontrast. Obrnuto,
ako slika ima samo mali skup bliskih rasporedenih nivoa sive, tada je dinamickopodrucje
slike nisko, pa ke i kontrast slike nizak i slika izgleda blijedo. Isto tako, ako histogram
slike ima dva vrha (bimodalni histogram), takva slika ima veci kontrast nego slika koja
ima histogram sa samo jednim vrhom (unimodalni histogram).
3.4 Histogram - vjezbe
U Matlabu postoji gotova funkcija koja se moze koristiti za racunanje histograma, funk-
cija imhist. U nastavku su primjeri za racunanje histograma slike, te odredivanje vrijed-
nosti pojedinacnih binova histograma.
Primjer 1
A = imread(pout.tif);
subplot(1,2,1), imshow(A);
subplot(1,2,2), imhist(A);
i naredni primjer: A = imread(pout.tif);
subplot(1,2,1), imshow(A);
subplot(1,2,2), imhist(A);
[counts, bins]=imhist(A);
counts(92)
Primjer 2 - contrast streching
Histogrami slike se cesto koriste za normalizaciju kontrasta (contrast streching), sto se
izvodi tako da se podrucje intenziteta piksela ulazne slike razvuce tako da obuhvata vece
podrucje na izlaznoj slici.
Primjer u nastavku se zasniva na sljedecem metodu: najprije se izracuna histogram
slike, a zatim se na osnovu CDF odrede granice c i d vrijednosti piksela, koje odgovaraju
5% i 95% vrijednosti na CDF (tj. 5% piksela slike ce imati vrijednost c i 5% piksela slike
ce imati vrijednost manju od d).
A = imread(pout.tif);
Acs = imadjust(A, stretchlim(A,[0.05 0.95]),[]);
subplot(1,2,1), imshow(A);
subplot(1,2,2), imhist(Acs);
subplot(1,2,1), imhist(A);
subplot(1,2,2), imhist(Acs);
Primjer 3 - ekvalizacija histograma
A = imread(pout.tif);
Aeq=histeq(A); %ekvalizacija histograma subplot(2,2,1), imshow(A);
12
subplot(2,2,2), imshow(Aeq);
subplot(2,2,3), imhist(A);
subplot(2,2,4), imhist(Aeq);
Primjer 4 - histogram matching
U nastavku je dat primjer prilagodavanja histograma za grayscale sliku. Ovdje je den-
isana pdf u obliku rampe kao ciljna raspodjela histograma. A = imread(pout.tif);
pz = 0:255;
Am = histeq(A, pz);
subplot(2,3,1), imshow(A);
subplot(2,3,2), imshow(Am);
subplot(2,3,3), plot(pz);
subplot(2,3,4), imhist(A);
subplot(2,3,5), imhist(Am);
U nastavku je dat primjer prilagodavanja histograma za sliku u boji. Ovdje se nastoji
prilagoditi histogram slike prema histogramu druge slike. A = imread(oce 2.jpg);
imshow(A, []);
title(Original Image);
ref = imread(oce 4.jpg);
gure, imshow(ref, []);
title(Reference Image);
B = imhistmatch(A, ref);
gure, imshow(B, []);
title(Histogram Matched Image);
Primjer 5 -Histogram i slike u boji
A = imread(autumn.tif);
Ahsv=rgb2hsv(A);
V = histeq(Ahsv(:,:,3));
Ahsv(:,:,3)=V;
Aout=hsv2rgb(Ahsv);
subplot(1,2,1), imshow(A);
subplot(1,2,2), imshow(Ahsv);
V = histeq(A(:,:,3));
B = A;
B(:,:,3)=V;
subplot(1,2,1), imshow(A);
subplot(1,2,2), imshow(B);
13