Войти
Нерезкое маскирование применено к нижней части изображения Нерезкое маскирование (USM ) - это метод повышения резкости изображения, часто доступный в программном обеспечении обработки цифровых изображений. Его название происходит от того факта, что метод использует размытое или «нерезкое» негативное изображение для создания маски исходного изображения. Затем маска нерезкости комбинируется с исходным позитивным изображением, создавая менее размытое изображение, чем исходное. Результирующее изображение, хотя и более четкое, может быть менее точным представлением объекта изображения. В контексте обработки сигнала маска нерезкости обычно представляет собой линейный или нелинейный фильтр, который усиливает высокочастотные компоненты сигнала.
Упрощенный принцип нерезкого маскирования Для фотографической фотолаборатории широкоформатный стеклянный негатив копируется контактным способом на низкоуровневый контрастная пленка или пластина для создания позитивного изображения. Однако позитивная копия создается с копирующим материалом, контактирующим с обратной стороной оригинала, а не эмульсией в эмульсию, поэтому она размыта. После обработки этот размытый позитив заменяется на обратную сторону оригинального негатива. Когда свет проходит как через отрицательный, так и через положительный регистр (например, в увеличителе ), положительный результат частично подавляет некоторую информацию отрицательного.
Поскольку позитив был намеренно размыт, удаляется только низкочастотная (размытая) информация. Кроме того, маска эффективно уменьшает динамический диапазон исходного негатива. Таким образом, если результирующее увеличенное изображение записано на контрастной фотобумаге , частичное подавление подчеркивает высокочастотную информацию (мелкие детали) в оригинале без потери деталей светлых или теневых участков. Полученный отпечаток кажется более резким, чем отпечаток, сделанный без нерезкой маски: его резкость увеличивается.
В фотографической процедуре степень размытия можно контролировать, изменяя «мягкость» или «жесткость» (от точечного источника до полностью рассеянного) источника света, используемого для начальной нерезкой экспозиции маски, в то время как Силой эффекта можно управлять, изменяя контраст и плотность (т. е. экспозицию и проявление) нерезкой маски.
Для традиционной фотографии нерезкое маскирование обычно используется на монохромных материалах; специальные панхроматические черно-белые пленки с мягкой обработкой доступны для маскировки цветных фотопленок. Это было особенно полезно для управления диапазоном плотности прозрачности, предназначенной для фотомеханического воспроизведения.
Исходное изображение (вверху),. изображение с повышенной резкостью (в центре),. изображение с высокой резкостью (внизу) Тот же принцип разности используется в инструменте нерезкого маскирования во многих программных пакетах для обработки цифровых изображений, таких как Adobe Photoshop и GIMP. Программа применяет размытие по Гауссу к копии исходного изображения, а затем сравнивает его с оригиналом. Если разница превышает заданное пользователем пороговое значение, изображения (по сути) вычитаются.
Цифровое нерезкое маскирование - это гибкий и эффективный способ повышения резкости, особенно в отсканированных изображениях. К сожалению, это может привести к появлению нежелательных заметных краевых эффектов или увеличению шума изображения. Однако эти эффекты можно использовать творчески, особенно если резкость одного канала изображения RGB или Lab усилена. Нежелательные эффекты можно уменьшить, используя маску, в частности, созданную с помощью обнаружения краев, для применения повышения резкости только к желаемым областям, иногда называемой «умной резкостью».
Как правило, цифровое нерезкое маскирование регулируется с помощью величины, радиуса и порога:
Существуют различные рекомендации для начальных значений этих параметров, и значение может отличаться в зависимости от реализации. Обычно рекомендуется радиус от 0,5 до 2 пикселей и величина от 50 до 150%.
Также можно реализовать USM вручную, создав отдельный слой, который будет действовать как маска; это можно использовать, чтобы понять, как работает USM, или для точной настройки.
Типичная формула смешивания для нерезкого маскирования:
Нерезкое маскирование также может использоваться с большим радиус и небольшое количество (например, радиус 30–100 пикселей и сумма 5–20%), что дает увеличенный локальный контраст, метод, называемый усилением локального контраста. USM может увеличивать резкость или (локальный) контраст, потому что это обе формы увеличения различий между значениями, увеличения наклона - резкость относится к очень мелким (высокочастотным) различиям, а контрастность относится к более крупным (низкочастотным) различия. Более эффективные методы улучшения тональности называются тональным отображением.
Для обработки изображения деконволюция - это процесс приблизительно инвертирования процесса, который вызвал изображение быть размытым. В частности, нерезкое маскирование - это простая операция с линейным изображением - свертка с помощью ядра, которое является дельтой Дирака минус ядро размытия по Гауссу. С другой стороны, деконволюция, как правило, считается недоработанной обратной задачей, которая лучше всего решается с помощью нелинейных подходов. В то время как нерезкое маскирование увеличивает кажущуюся резкость изображения без учета того, каким образом было получено изображение, деконволюция увеличивает видимую резкость изображения, но основана на информации, описывающей некоторые из вероятных источников искажений используемого светового пути. в захвате изображения; поэтому иногда может быть предпочтительнее, когда затраты на время подготовки и время вычисления для каждого изображения компенсируются увеличением четкости изображения.
С помощью деконволюции «потерянные» детали изображения могут быть приблизительно восстановлены, хотя обычно невозможно проверить точность любой восстановленной детали. Статистически может быть достигнут некоторый уровень соответствия между изображениями с повышенной резкостью и реально отображаемыми сценами. Если сцены, которые будут захвачены в будущем, достаточно похожи на сцены с подтвержденными изображениями, то можно оценить степень точности восстановленных деталей. Улучшение качества изображения часто бывает привлекательным, поскольку те же проблемы проверки присутствуют даже для неулучшенных изображений.
Чтобы деконволюция была эффективной, необходимо смоделировать все переменные в сцене изображения и устройстве захвата, включая диафрагму, фокусное расстояние, расстояние до объекта, объектив, а также показатели преломления и геометрии среды . Успешное применение деконволюции к изображениям с камеры общего назначения обычно невозможно, потому что геометрия сцены не задана. Однако в действительности деконволюция применяется к микроскопии и астрономической визуализации, где ценность полученной резкости высока, устройства формирования изображений и относительные положения объектов хорошо определены, а оптимизация устройств формирования изображений для физического улучшения резкости будет стоить значительно дороже. В случаях, когда присутствует стабильная, четко выраженная аберрация, такая как дефект линзы на ранних изображениях космического телескопа Хаббл, деконволюция является особенно эффективным методом.
В приведенном ниже примере изображение свернуто с помощью следующего фильтра повышения резкости:
Фильтр повышения резкости
Эта матрица получается путем взятия тождественного ядра и вычитание ядра обнаружения краев:
Эффект повышения резкости можно управлять, изменяя вклад Обнаружение краев.
Второе изображение было увеличено в два раза резче, чем первое.
Это возможная реализация этого ядра в Processing (Java).
float sharpenForce = 1; ядро с плавающей точкой = {{0, -1 * SharpenForce, 0}, {-1 * SharpenForce, (4 * SharpenForce) + 1, -1 * SharpenForce}, {0, -1 * SharpenForce, 0}}; Изображение PImage; пустая настройка () {размер (1920, 1080); image = loadImage ("Автомобиль.jpg"); noLoop (); } void draw () {изображение (изображение, 0, 0); image.loadPixels (); PImage NewImage = createImage (image.width, image.height, RGB); for (int Y = 1; Y < image.height-1; Y++) { for (int X = 1; X < image.width-1; X++) { int newPixelValueR = 0; int newPixelValueG = 0; int newPixelValueB = 0; for (int YK = -1; YK < 2; YK++) { for (int XK = -1; XK < 2; XK++) { int PixelPosition = (Y+YK) * image.width + (X+XK); float PixelValueR = red(image.pixels[PixelPosition]); float PixelValueG = green(image.pixels[PixelPosition]); float PixelValueB = blue(image.pixels[PixelPosition]); newPixelValueR += kernel[YK+1][XK+1] * PixelValueR; newPixelValueG += kernel[YK+1][XK+1] * PixelValueG; newPixelValueB += kernel[YK+1][XK+1] * PixelValueB; } } NewImage.pixels[Y*image.width + X] = color(newPixelValueR, newPixelValueG, newPixelValueB); } } NewImage.updatePixels(); image(NewImage, width/2, 0); }