Loading
Apuntes
Study Reminders
Support
Text Version

Histogramas de imagen y estadísticas

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Vídeo 1

Por lo tanto, voy a ir rápidamente a través de este histograma, porque alguna parte ya hemos discutido. Básicamente el histograma es una representación gráfica y eso trae una impresión visual de la distribución de los datos. En lugar de mirar sólo un número digital, que se hace difícil de entender cómo los valores de píxeles se distribuyen contra una imagen. Pero si trazamos un histograma, que es fácil hacerlo, en el eje y obtenemos la frecuencia en el eje x obtenemos el valor de pixel. Y una vez que se hace, entonces mucha información como también se discutió en conferencias anteriores se puede reunir sobre una imagen en particular. Por lo tanto, los histogramas proporcionan una univariante básicamente porque los histogramas de las bandas individuales, las imágenes individuales allí, por eso es una univariada. Y si queremos ver el histograma de 2, entonces sería bivariado o multivariado o también posible. Por lo que una descripción variable de los datos, cómo se distribuyen los datos y que cuenta también cómo la calidad de una imagen tomada por un sensor, para que se pueda ver Un histograma de imagen es básicamente lo que es una representación no solo gráfica, sino que también te dice que si hay objetos más ligeros o objetos más oscuros presentes en la imagen y básicamente traza el cada píxel tienen esa imagen Histograma, por qué es necesario que se haga o se estudie histograma, se evalúe, esa es la información básica que proporciona. Y de la cual es un inicio de un procesamiento de imágenes o técnicas de mejora de imagen. Y debido a que hay varios pasos de procesamiento de dominios espaciales que podríamos estar tomando. Y para entender o elegir uno mejor, primero tenemos que entender el histograma. Y por lo tanto, como también se menciona en la conferencia anterior, a veces siempre se debe gastar en el histograma de la imagen y las estadísticas, antes de ir para cualquier tipo de técnicas de mejora de la imagen. Cuando realzamos imágenes básicamente lo que estamos haciendo estamos manipulando con el histograma y estaremos viendo algunos ejemplos también. Y el histograma proporciona la información sobre las estadísticas de la imagen, así como la media, la mediana y el modo. Valor mínimo, valor máximo cuál es la frecuencia máxima que el tipo de información puede ser recuperado con el histograma. Si hay 2 picos, cuenta otra cosa, si hay un pico único que también, si la distribución es la distribución gaussiana, entonces dice algo diferente, por lo que es por eso que es importante. Y la información derivada de histograma es bastante útil en muchas otras aplicaciones de procesamiento de imágenes digitales o en teledetección tal vez en una compresión de imagen y segmentación. Por lo tanto, compresión de imagen, por qué porque esta compresión de imagen es necesaria para reducir el tamaño de la imagen sin comprometer la calidad de la imagen, que es el propósito aquí para nosotros. Y si hay una homogeneidad presente en la imagen, se puede lograr mucha compresión de la imagen de compresión. Y si hay mucha heterogeneidad está presente entre los valores de píxel entonces no se puede lograr una alta competencia de imagen. Por lo tanto, si estudio el histograma, puedo evaluar si la distribución es heterogénea o homogénea. Si es homogéneo, lo sé ahora, esa imagen proporcionará una técnica de compresión particular que me proporcionará mejores resultados. Por lo tanto, por eso se puede utilizar también para la segmentación de imágenes de la misma manera que se puede utilizar. Aunque la comprensión del histograma tiene varias aplicaciones. Ahora, básicamente es una distribución de frecuencia en un gráfico de barras y que muestra la frecuencia con que los valores observados caen dentro de ciertos intervalos o clases. Por lo tanto, estas torres que ves son intervalos de base o diferentes clases están allí. También podemos controlar el número de clases, cómo se debe mostrar estas cosas. Y las porciones relativas de datos que caen en cada clase se representan por la altura de cada edificio o barra. Por lo tanto, por ejemplo histograma se muestra aquí, y que está mostrando básicamente distribución de frecuencia en 10 clases. Por lo tanto, depende de mis requisitos quiero más número de clases o incluso si es de 8 bit de escenario. Entonces puedo tener incluso 256 clases, variaciones entre 0 a 255. Y puedo ver las cosas en consecuencia, mismo tiempo también se obtiene el valor mínimo, valor máximo, media, modo, mediana, desviación estándar. A partir de ahí también se pueden identificar otros parámetros estadísticos como la madeja, la kurtosis y todas esas cosas, por eso es importante el histograma. El histograma trae medidas de un paso básicamente cómo los valores de pixel se distribuyen en una imagen, la difusión de puntos alrededor de la media es otra de las características del histograma de la pantalla o la distribución de la frecuencia. Como se puede ver que estas curvas rojas están mostrando menos distribución alrededor de la media, mientras que la curva blanca está mostrando más distribución alrededor de la media. Y la varianza y la desviación estándar para la distribución de la frecuencia negra como se puede ver es mayor que las de la distribución de la frecuencia roja. Si usted está teniendo sesgado presente en su imagen, algunas una parte brillante o más o parte oscura son más. Entonces en el histograma se vería una representación sesgada de la representación sesgada en la imagen, por lo que puede ser también la forma de histograma cuenta sobre el sesgo presente. Y este coeficiente de una madeja es básicamente medida de simetría de distribución. Por lo tanto, generalmente, no se obtiene histograma simétrico generalmente se obtiene un histograma sistemático de la distribución. Y por lo tanto, habrá sesgos ya sea hacia el que conoces valores más pequeños o grandes valores. En este ejemplo de desvío hacia el valor inferior y por lo tanto, media, mediana y modo y se ubicará en diferentes lugares. Así que, eso también dice que hay un como un puedo mientras me pasa por este histograma, puedo decir eso. Hay un gran número de píxeles que están teniendo valores de píxeles más bajos en comparación con los valores que tienen valores de píxeles altos. Y si hubiera sido revertido, entonces saldrán de ésta una interpretación diferente.

Vídeo 2

Ahora, vemos en un ejemplo real, ese histograma y representa una frecuencia relativa de ocurrencia de varios niveles grises en esa imagen. En el lado derecho se está viendo la imagen, en el lado izquierdo se está viendo la distribución del histograma. En este caso, el histograma de la imagen cruda está ocupando el rango completo disponible para nosotros. Eso es entre 0 a 225 derecha. De nuevo, es un escenario de 8 bits y eso significa que si voy por un tramo lineal simple, no tengo mucho (()) disponible para mí. Debido a que estoy teniendo partes más brillantes, estoy teniendo partes más oscuras también, partes más brillantes también. Y por eso hay 2 áreas o 2 picos en mi histograma allí y algunos valores también están aquí. Así que, si quiero mejorar el contraste en la imagen, entonces tengo que ignorar ciertos valores de la cola en ambos extremos para mejorar el contraste. Por lo tanto, esa forma de histograma también se vuelve importante para evaluar esas situaciones. Imagen, generalmente para bandas individuales tenemos que ver porque la banda individual tendrá diferentes histogramas, este tiene que recordar. Por lo tanto, en lugar de incluso si usted está trabajando en un compuesto de color, pero mientras está estudiando histograma histograma individual debe ser visto. Porque diferente cuando tendrá una distribución diferente de los valores de píxel. Así, en una imagen que tiene una imagen de banda única y datos de detección remota es una representación de cómo la energía radiante reflejada o emitida por la superficie se distribuye en 2 dimensiones espaciales. Y la energía como usted sabe es expresa como DN o número digital o valor de píxel que se muestra en la representación por una variación en el brillo que muestra. Y puesto que nuestro ojo es capaz de distinguir sólo unos 30 niveles grises en una imagen en blanco y negro y alrededor de 256 mientras que estamos teniendo pantalla de 256. Por lo tanto, podríamos estar mostrando, pero nuestros ojos son sensibles sólo a 30 niveles grises no importa. Porque cuando vamos para la clasificación de imágenes u otro procesamiento de imágenes, entonces las máquinas se ocuparán de este distinguir 256 niveles grises en lugar de 30. Por lo tanto, una imagen también puede ser expresada estadísticamente como probabilidades de encontrar el número digital de un valor dado dentro de ella. Y esta medida se denomina correctamente como función de densidad de probabilidad PDF, y este PDF se representa de forma más conveniente por histograma. De numero de pixeles, independientemente de la posicion espacial dentro de una imagen tienen un valor de brillantez particular o valor de pixel o numero digital. Ahora, aquí esta es PDF la función de densidad de probabilidad de una imagen puede ser express en 2 formas ya sea a través de este histograma o tal vez forma acumulativa como en el lado inferior. Entonces, uno tiene que tener cuidado esto es frecuencia y esto es frecuencia acumulativa. Por lo tanto, el primero es el número de frecuencia del histograma normal de píxeles. Y mientras que la parte inferior de la parte b es el eje vertical es la frecuencia acumulada de píxeles que tienen número de DN. Y esto una frecuencia acumulada, por lo que el DN máximo es 100 aquí, y aquí usted tendrá la distribución de la frecuencia real. Por lo tanto, la misma distribución de DN aparece como picos y a veces depresiones como en caso de un y como cambia el gradiente aproximadamente como curva guardada en b porque así es como la distribución en el histograma original es. Ahora, esta curva en la frecuencia acumulada versus los valores de pixel variará dependiendo de la imagen de nuevo a la imagen. Por lo tanto, también se puede trazar así y tratar de entender la distribución de los valores de píxel a través de este PDF también. Así, esto es indica básicamente la forma indica el contraste y la homogeneidad de la escena, eso es importante. Porque la homogeneidad es útil, no sólo en la mejora de la imagen, sino también en la compresión de imágenes, para propósitos de compresión de imagen. Así que si una escena es una superficie homogénea como de un desierto o un área cubierta de nieve, o áreas de escudo de hielo. Un contraste bajo con un contraste bajo producirá un histograma con un pico único o agudo. Y si se está teniendo un pico amplio, un pico ancho único, que sugieren esa homogeneidad pero un amplio rango de contraste. Por lo tanto, un histograma dice muchas cosas por eso he estado diciendo que el histograma es importante. Hay algunos otros valores u otras ventajas están allí con 1 pico, 2 pico y 3 picos y colas también. Al igual que la presencia de colas y el grado de una simetría del pico ambos indican características estructurales importantes una imagen. Esto rara vez será obvio a partir de una imagen en sí, por lo que esto son características estructurales podrían estar allí debido a algunas características o una simetría o colas. Al igual que en un ejemplo, has visto las colas también como esta, estás teniendo cuentos también teniendo valores de pixel. Por lo tanto, los diferentes tipos de terreno, las condiciones naturales o tales escenarios a veces producen histogramas contrastados. Y ambas imágenes son de la banda 7 de Landsat MSS. Las áreas brillantes aquí, las áreas de sal salinas y áreas oscuras son las lavas, que usted está viendo aquí, 2 diferentes características de la tierra. En los Andes son más común la superficie que los valores digitales intermedios. Por lo tanto, en los valores digitales intermedios que están cayendo aquí son menos comparados con valores bajos o valores altos, por lo que el histograma, como usted sabe tiene 2 picos y decimos que es un bimodal. En el caso del ejemplo inferior, aquí usted no tiene ese tipo de contraste. Así que ver la distribución individual p, por lo que la imagen también es de la misma área, pero como una simple función de distribución de probabilidad. Aquí que da un histograma casi simétrico, unimodal que se puede ver en la parte inferior izquierda, a pesar de que las áreas con valores digitales claramente diferentes están allí. Así que no solo está contando la distribución, sino que también se mantiene contando contraste inconstruido dentro de una imagen. Ahora cuando vamos por multiespectral, entonces vamos por una trama de dispersión o un histograma de 2 dimensiones si usted desea llamar. Por lo tanto, este es un ejemplo de datos multiespectral, que se puede expresar o este histograma a través del eje de histograma de múltiples dimensiones 2 están teniendo 2 histogramas y cada valor de píxel se distribuye en este espacio. Por lo tanto, ambos ejes están teniendo un rango dinámico de valores entre 0, 255 por eje también tiene 255. Por lo tanto, los píxeles de los valores de 2 bandas, uno es la banda roja en este ejemplo, y VNIR son muy cerca de la banda infrarroja, estos se han utilizado y mostrado. Así que, lejos de haber sido vistos de histogramas de una sola banda. Ahora, cuando vamos por 2 bandas en este ejemplo, entonces ahora podemos identificar cómo se correlacionan 2 vientos. Ese es el primer propósito de hacer este ejercicio es hacer una trama de dispersión o ver el histograma multidimensional. Por lo tanto, en esta identificando las áreas debido a que representan los bajos valores de pixel en una banda que está en banda roja. Y valores de píxeles relativamente más altos en una banda infrarroja, podemos identificar que estos píxeles podrían ser pertenecientes a la vegetación. Del mismo modo, esta área porque en ambas bandas están teniendo valores más altos valores relativamente más altos, por lo que podrían ser rocas y suelos desnudos. Porque si hubiera sido cubierta de vegetación, entonces esas firmas vendrán aquí, esos píxeles estarán trazando su posición aquí. Y si estoy teniendo valores muy bajos en canal infrarrojo, y valores relativamente más altos en banda roja. Entonces probablemente estoy buscando un agua turbia, agua con un montón de partículas suspendidas o turbidez. Por lo tanto, al moverse de un histograma dimensional cuando el histograma de 2 dimensiones muchas más cosas se pueden ver en este histograma de 2 dimensiones. Por lo tanto, se trata de trama bivariada, trama de dispersión, histograma de 2 dimensiones de nuevo muy útil. Por lo tanto, cada vez que va para el análisis multiespectral, en lugar de análisis de banda única, el histograma es suficiente. Pero cuando se va a un análisis multiespectral, es mejor primero trazar una trama bivariada y tratar de entender no sólo la distribución de bandas individuales que se pueden ver aquí a través de estos histogramas. Pero cómo están relacionados, cómo los valores de pixel están relacionados en diferentes bandas, aquí, 1 banda visible, 1 banda infrarroja por supuesto las cosas son completamente diferentes en estos 2. Por lo tanto, esto le permitirá identificar diferentes superficies, ya que acabo de hablar de la vegetación desnuda roca, suelo y agua turbia, al mirar estos 2 bandas de histogramas. Ahora, la densidad de parcelas de píxeles individuales es una medida de donde los picos es un histograma dimensional coincide. Por lo tanto, si hay una muy buena relación entre 2 bandas, entonces habrá una alta densidad de píxeles trazados en un área pequeña. Eso significa, que son correlación también vendrá cuando están de una manera lineal. Por lo tanto, datos altamente correlacionados o clases de materiales de superficie que tienen apariencia similar en diferentes bandas o imágenes o 2 bandas trazan casi una línea recta en histogramas de 2 dimensiones.
Así que, si hay una opción de soltar una banda para mi compuesto de color, puedo hacerlo muy fácilmente, si encuentro las 2 bandas, digamos Landsat MSS 4 y 5 están altamente correlacionadas. Y en el compuesto de color sólo necesito 3 bandas, por lo que una banda que puedo soltar porque están altamente correlacionados en no hay necesidad de ponerlos en mi compuesto de color. Por lo tanto, esta correlación entre las bandas también es importante en el análisis multiespectral. Por lo tanto, mientras que los datos mal correlacionados, así como una nube sin forma de puntos, ninguna distribución lineal de los valores de pixel en el histograma de 2 dimensiones. Y que pobre correlación pobre en general deriva de la escena siendo una mezcla de superficie variablemente vegetada, roca desnuda, suelo y agua y ese ejemplo que has visto antes como este. Por lo tanto, no hay linealidad en la distribución de los valores de píxel está ahí. Ahora las rocas, diferentes rocas y suelos, tan alta correlación que ocurrió a lo largo de la escena de terreno árido. Si usted está teniendo un terreno seco donde no tiene la cubierta vegetal, entonces pueden mostrar características casi similares. Otra cosa que se utiliza en el procesamiento de imágenes digitales, un concepto que es básicamente tabla de búsqueda o LUT. La finalidad aquí no es modificar la imagen original, pero cuando se visualiza la imagen entre una tabla de búsqueda se crea. Así que cuando desee guardar una imagen estirada, generalmente no guarda la imagen, sólo guarda la tabla de búsqueda. Y por lo tanto no ocupa mucho espacio en su disco duro, por lo que es la ventaja de la tabla de búsqueda. Por lo tanto, si la imagen está ocupando 100MB mientras que la tabla de búsqueda puede requerir hasta 100 kilobytes, por lo que puede ahorrar mucho espacio y se vuelve más rápido para la visualización también. Por lo tanto, el concepto de tabla de búsqueda se ha implementado en casi todos los softwares y se hace muy ventajoso para no inundar su disco duro con un montón de datos. O los datos duplicados o la imagen original entonces mejoran la imagen, una mejora más, puede haber 10 versiones y usted es tener de la misma imagen. Así que en lugar de ahorrar así, se guarda la imagen original y se buscan tablas para todos los demás procesos a parte, de modo que eso hace que las cosas sean un poco más fáciles. Así que básicamente es una tabla de 2 dimensiones y buscar mapas que es la entrada de valores RGB a la salida RGB utilizando la función de transformación de color como se muestra aquí. Por ejemplo, si tomo estos valores rojos aquí, entonces se proyecta aquí. Así que en la distribución original, estoy teniendo valores distribuidos, digamos entre sólo este rango dinámico. Pero cuando voy a través de la tabla de búsqueda, ahora he distribuido estos valores entre esta gran cantidad de rango dinámico. Si veo los valores en ese, entonces son alrededor de 1024 valores son alrededor de 1024 este amarillo, verde y rojo. Mientras que, ahora estos valores se distribuyen, aquí está el amarillo, aquí está el verde y aquí está el rojo. Por lo tanto, están ocupando ahora, gran rango dinámico en comparación con mi entrada y sólo a través de esta tabla de búsqueda de tabla, voy a guardar en mi máquina, mi resultado sólo la tabla de búsqueda no la imagen original. La imagen original siempre estará ahí pero la imagen de proceso no se guardará sólo se guardará la tabla de búsqueda procesada. Por lo tanto, estas se especifican en forma de tabla utilizando una función de transformación de color que se da como esta función de LUT x, y y RGB, x, y la ubicación de píxeles individuales.
Y cuando la salida que está teniendo de nuevo x, y la ubicación tiene que estar intacta y luego RGB cómo se han producido los cambios y de la misma manera se obtiene esta tabla de búsqueda. Por lo tanto, esto lleva al final de esta discusión sobre los histogramas. Hemos completado y discutido sobre las estadísticas simples de histogramas, esto también está usando el análisis de imagen, la técnica de mejora de la imagen. Luego la trama bivariada, una trama de dispersión o histograma bidimensional y su aplicabilidad, cómo es útil.
Y por último, el concepto de tabla de búsqueda que han sido implementados por varios softwares estándar, muy útil para no inundar su disco duro con una gran cantidad de imagen, imagen original, mejorar la imagen y luego filtrar la imagen y otra cosa sólo guardar la tabla de búsqueda, así que esto trae al final de esta discusión, muchas gracias.