Яркость или контраст — в контексте выбора экран краски.

Что предпочесть: яркость или контраст изображения?

На самом деле изображение должно быть идеально сбалансированным! Из за различий в условиях использования проекционной техники важно правильно подобрать пару «проектор-экран».

Если за контрастность изображения в первую очередь отвечает ваш проектор (его технические возможности), а также качество экрана и общая затемненность помещения.. то я с яркостью придется разбираться.

В первую очередь, необходимо определить сценарий использования вашего проектора: «для домашнего кинозала», «для гостиных» или «для офисов».

Домашний кинозал представляет собой идеальные условия для проецирования изображения, так как подразумевает полное затемнение помещения, включая внутреннюю отделку. В этом случае достигается максимальный контраст изображения и глубина черного цвета, так необходимые для полного погружения в кинофильм. Для использования в указанных условиях пригодны проекторы даже с малой яркостью (600-1200 ANSI Lm). Для таких условий прекрасно подойдет проекционная краска LeVanille — White Ultra Matte, обладающая идеальным белым цветом и формирующая ламбертовую поверхность.

Использование проектора в гостиной подразумевает, как правило, не идеальное затемнение комнаты. В этом случае пространство экрана будет иметь «паразитную» засветку- снижается уровень воспринимаемого черного цвета и снижается общий контраст. На помощь приходят проекторы с большей яркостью (1600-2000 ANSI Lm), способные перекрыть своей световой насыщенностью фоновую, а также использование специальных экранов, снижающих порог отображения черного цвета без фатальной потери яркости. Например серия проекционных красок LeVanille — High Conrtast Grey.

Для ситуации, когда клиент желает совместить приятное с полезным — иметь возможность созерцать достаточно контрастную картинку с глубоким уровнем черного, но при этом не затемнять полностью своё помещение, у нас есть уникальное решение  проекционная краска Le Vanille Ultra Contrast. В этом случае, желательно иметь проектор с высокой яркостью (от2000 ANSI Lm).

Офисное использование проекторов подразумевает совсем слабое затемнение помещение. С другой стороны, изображению не требуется высокий контраст и уровень отображения черного цвета, важна как раз яркость. И здесь на помощь приходят яркие проекторы (>2300 ANSI Lm). Если же требуется повышенная отражающая способность поверхности LeVanille предлагает создать экран с помощью состава White Ultra Matt 2.0

Таким образом вопрос — что предпочесть яркость или контраст? всегда упирается, в первую очередь — в сценарий использования, в подготовленность помещения.

Важно также помнить, что правило «много яркости не бывает» — ошибка. Избыточная яркость пригодна, разве что, для светлых офисов с огромным экраном. Для обычного использования, стандартами киноиндустрии рассчитаны и выведены допустимые пределы яркости, а любое превышение допустимой яркости неизбежно скажется на снижении контраста и повышенной утомляемости зрителя.

Чтобы помочь вам в выборе своего экрана, мы подготовили уникальный калькулятор подбора и расчета проекционной краски, учитывающий все необходимые для качественной проекции параметры.

 

Об алгоритме изменения контраста цифрового изображения с учетом локальных статистических характеристик распределения яркости пикселей ФГБОУ ВО «АГТУ» — Эдиторум

Введение

Алгоритмы усиления яркостного контраста цифровых изображений имеют целью достижение лучшей различимости деталей изображений, полученных в неблагоприятных условиях съемки, например, фотография при очень низком или, наоборот, слишком высоком освещении или в условиях тумана. Известные алгоритмы такого типа [1–3] осуществляют изменение яркости каждого пикселя в зависимости от статистических характеристик исходного изображения, исходной яркости пикселя и ожидаемых статистических характеристик нового изображения.

Поскольку учитываются только глобальные статистические характеристики и игнорируются статистические характеристики ближайшего окружения, изменение контраста происходит по-разному в разных частях изображения. В одних фрагментах различимость деталей изображения может усиливаться, в других – ухудшаться. Однако если применять алгоритмы усиления контраста к отдельным малым фрагментам, так, чтобы эти фрагменты преобразовывались в соответствии с их статистическими параметрами и накладываемыми требованиями, независимо друг от друга, будет неизбежно получаться мозаичное изображение с явно визуально проявляющимися границами фрагментов.

Мы предлагаем решение данной проблемы на основе сканирующего движения преобразующей области с совмещением результатов преобразования при наложении на область предыдущих результатов.

 

Общая схема локально-фрагментарного алгоритма

Предлагается следующий принципиальный подход, позволяющий использовать локальные исходные и ожидаемые характеристики фрагментов изображения. Малая прямоугольная область заданного размера движется шагами по исходному изображению слева направо со смещением на пиксель по каждому шагу; по окончании прохода всей ширины изображения проход повторяется со смещением на пиксель вниз, пока не будет пройдено все поле пикселей изображения.

На каждом шаге определяются статистические характеристики фрагмента и вычисляются новые значения яркостей пикселей z₂. На основе новых значений яркостей устанавливаются пиксели в соответствующие позиции в подготовленное поле пикселей для преобразованного изображения с яркостью z, определяемой по следующему правилу: z = z₂, если пиксель в данное положение еще не устанавливался, и , если в данном положении уже установлен пиксель со значением яркости z₁.

Алгоритм можно представить в виде следующей блок-схемы (рис. 1).

 

Получение поля пикселей исходного изображения (поле 1)

Создание поля пикселей (поле 2) для нового изображения по размерам поля 1

Движение текущей полосы по полю 1 со смещением на пиксель

Движение текущего фрагмента вдоль текущей полосы со смещением на пиксель

Обработка фрагмента

Установка новых пикселей фрагмента в соответствующие положения поля 2 с половинным наложением при наличии уже установленных

 

 

Рис.

1. Блок-схема локально-фрагментарного алгоритма

В качестве процедуры «Обработка фрагмента» могут использоваться разные алгоритмы обработки изображений применительно к текущему фрагменту. При этом могут применяться разные варианты сочетания глобальных и локальных статистических характеристик, исходных и ожидаемых.

 

Использование телевизионного алгоритма в локально-фрагментарной схеме

Нами реализованы и исследованы различные варианты включения в предложенную схему одного из простейших алгоритмов изменения контраста – телевизионного алгоритма, основанного на формуле изменения яркостей каждого пикселя

                                                 ,                                               (1)

где y – яркость пикселя в исходном изображении; z – новая яркость пикселя;  – средняя яркость по пикселям исходного изображения; k – задаваемый коэффициент изменения контраста. При положительном

k яркости пикселей будут тем более изменяться, чем больше значение яркости пикселя отличается от среднего значения, причем светлые пиксели (с яркостью больше средней) станут еще светлее, а темные (с яркостью меньше средней) – еще темнее. Значения, получаемые по формуле (1), должны корректироваться: округляться до целого, а также должен контролироваться возможный переход через границу допустимого диапазона 0–255 (отрицательные значения z должны заменяться значением 0, а превосходящие 255 – значением 255).

Фактическую степень контрастности можно характеризовать среднеквадратичным отклонением яркости пикселей в изображении. В связи с этим значение коэффициента k удобно связать с отношением ожидаемого среднеквадратичного отклонения яркости в преобразованном изображении σ

_z к среднеквадратичному отклонению яркости в исходном изображении σ_y:

                                                                                                         (2)

Реальная контрастность нового изображения не достигнет ожидаемого значения в связи с необходимостью корректировки получаемых по формуле (1) значений. Усиление контрастности будет происходить в областях изображения, пиксели которых по яркости лежат в некотором диапазоне вокруг среднего значения. В слишком светлых и слишком темных областях контрастность снизится.

Рассмотрим два варианта включения телевизионного алгоритма в локально-фрагментарную схему.

1. Значение k постоянно для каждого фрагмента и определяется по формуле (2), а значение  заменяется средним значением по конкретному фрагменту .

2. Кроме того, что средняя яркость определяется для каждого фрагмента, коэффициент изменения контраста тоже вычисляется по характеристикам каждого фрагмента, но задается постоянное ожидаемое среднеквадратичное отклонение фрагмента, равное глобальному в первом способе:

                                                                                                   (3)

где σ_{фр_z}, σ_{фр_y} – ожидаемое и исходное среднеквадратичные отклонения яркости на фрагменте. Поскольку малый фрагмент может содержать пиксели только одной яркости, в этом случае, во избежание деления на 0 в формуле (3), следует при σ_{фр_y} = 0 переносить пиксели фрагмента в новое изображение без изменения.

Нами было проведено экспериментальное исследование применения обоих способов в сравнении с глобальным применением телевизионного алгоритма на темных слабоконтрастных изображениях. Ниже приведен пример такого сравнения.

На рис. 2 приведено исходное темное слабоконтрастное изображение с едва различимыми деталями.

 

Рис. 2. Исходное изображение

 

Результат обработки этого изображения глобальным применением телевизионного алгоритма представлен на рис. 3.

 

 

Рис. 3. Изображение, полученное из исходного глобальным применением
телевизионного алгоритма с σ_гл__z = 100

 

Различимость во многих областях изображения усилилась, но в ряде областей (темные места слева и справа на противоположном берегу озера) ухудшилась.

На рис. 4 представлен результат обработки исходного изображения локально-фрагментарным алгоритмом по способу 1.

 

 

Рис. 4. Изображение, полученное из исходного локально-фрагментарным преобразованием
по способу 1 c σ_гл__z = 100 и размером фрагмента 16 × 16

 

Применение способа 1 сохраняет естественность изображения, при этом становятся значительно более различимы детали изображения по сравнению с глобальным применением телевизионного алгоритма.

На рис. 5 показан результат обработки исходного изображения локально-фрагментарным алгоритмом по способу 2.

 

 

Рис. 5. Изображение, полученное из исходного локально-фрагментарным преобразованием
по способу 2 c σ_фр__z = 100 и размером фрагмента 16 × 16

 

В этом случае различимость деталей становится еще лучше, но изображение теряет естественность и привлекательность восприятия, что не препятствует возможности применения этого способа в специальных случаях, когда целью является именно различимость деталей.

Особенно неестественно выглядят при применении способа 2 области изображения, близкие к монотонным.

Можно, однако, предложить средний вариант, так, чтобы различимость была выше, чем по способу 1, но изображение имело бы естественный вид.

Использование способа 1 соответствует следующему соотношению глобальных и фрагментарных среднеквадратичных отклонений:

                                                             ,                                                         (4)

где σ_гл__z, σ_гл__y – глобальные ожидаемое и исходное среднеквадратичные отклонения яркости. Следовательно, ожидаемое среднеквадратичное отклонение при использовании первого способа пропорционально отношению исходного среднеквадратичного отклонения на фрагменте к глобальному исходному среднеквадратичному отклонению. Для достижения большего контраста

с возможным сохранением естественности вида ослабим эту зависимость, возводя это отношение в степень с показателем 1 – q, где q – дополнительный параметр в диапазоне 0–1.

Таким образом, можно сформулировать третий способ.

3. Коэффициент изменения контраста фрагмента вычисляется по формуле, полученной из (4) в соответствии с (2):

                                                      .                                                  (5)

На рис. 6 приведен результат обработки при q = 0,5.

 

 

Рис. 6. Изображение, преобразованное по третьему способу (формула (5)) при q = 0,5

 

Получается хорошая различимость как деталей противоположного берега, так и отражения в озере деревьев и травы на переднем плане. При этом изображение сохраняет естественность.

В частных случаях формула (5) дает первый (при q = 0) и второй (при q = 1) способы.

Проведенные исследования показывают, что для конкретных изображений можно оптимизировать параметр q так, чтобы достигалась наилучшая различимость деталей при сохранении естественного вида изображения.

 

Заключение

Предложена общая схема локально-фрагментарного алгоритма усиления различимости деталей цифрового изображения, позволяющая учитывать не только глобальные, но и локальные статистические характеристики распределения яркостей пикселей.

Исследованы два крайних способа использования телевизионного алгоритма изменения контраста для обработки фрагмента в предложенной схеме. Предложен обобщенный способ с дополнительным параметром, включающий эти два крайних способа в качестве частных случаев; установлено, что дополнительный параметр можно выбрать так, чтобы добиться наилучшей различимости деталей при сохранении естественного вида изображения.

Контраст изображения – вопросы и ответы ​по МРТ

Я знаю, что длинные TR/TE дают T2-взвешивание, а короткие TR/TE дают T1-взвешивание, но я не понимаю, почему. Вы можете объяснить?

На изображении спин-эхо (SE), время повторения (TR) и время эха ( TE ) используются для управления контрастностью изображения и «взвешиванием» МР-изображения. Существует много неправильных представлений о том, что на самом деле означает термин «взвешивание», поэтому этому вопросу посвящен отдельный раздел «Вопросы и ответы». На данный момент мы не будем конкретно определять, что мы подразумеваем под «взвешиванием T1», «взвешиванием T2» или «взвешиванием PD (плотность протонов)», кроме как сказать, что это подразумевает, что контрастность изображения значительно зависит от T1, T2 или [Н].

Традиционная модель визуализации SE, к которой относится основной вопрос, рассматривает четыре комбинации значений TR и TE : Short TR / Short TE  → T1-W Длинный TR /Короткий TE  → PD-W Длинный TR / Длинный TE  → T2-W Короткий TR / Длинный TE  → не используется 90 049 Точные контрольные диапазоны обычно не указываются, но обычно «длинный» TR или TE означает 3-5x T1 или T2 соответственно, а «короткий» подразумевает TR или TE << T1 или T2.

Можно показать, что общая интенсивность сигнала ( S ) SE-последовательности составляет приблизительно , где [H] — спиновая (протонная) плотность, а K — коэффициент масштабирования. При рассмотрении отдельных терминов становится очевидным, что эффекты T1 связаны с TR и эффекты T2 связаны с TE , и эти эффекты [H] всегда присутствуют.

Когда TE укорачивается по сравнению с T2, отношение TE/T2 → 0, поэтому взвешивающий член T2 e ^−TE/T2 → e ^{−0 901 06} → 1. Другими словами, эффекты Т2 в значительной степени исчезают. И наоборот, когда TE делается длинным по сравнению с T2, важность экспоненциального взвешивания возрастает.

Другой способ понять влияние TE на T2-взвешивание — рассмотреть сигналы, генерируемые двумя тканями с разными значениями T2. Когда TE короткий, эхо появляется, когда Т2-распад произошел за короткое время, и, следовательно, ткани не дифференцируются. Если TE длинное, относительные различия в затухании сигнала между двумя тканями становятся более заметными и, следовательно, больше «Т2-взвешивания».

Аналогичные аргументы можно привести для взаимодействия между ТР и Т1. Когда TR длинное по сравнению с T1, взвешивающий член T1 e ^−TR/T1 → 0, поэтому эффекты T1 исчезают. При длинном TR все ткани с разными значениями T1 успели восстановиться после импульса возбуждения под углом 90°, поэтому их сигналы существенно не различаются. И наоборот, короткие TR подчеркивают «взвешивание T1».

Наконец, когда TR длинное, а TE короткое, эффекты как T1, так и T2 минимизируются. Единственным оставшимся фактором является спиновая плотность [H], которая становится доминирующим весом для этой комбинации параметров.

Расширенное обсуждение (показать/скрыть)»

Ссылки
     Nitz WR, Reimer P.  Контрастные механизмы в МРТ. Евр Радиол 1999;9:1032-1046.
     Перман В.Х., Хилал С.К., Саймон Х.Е., Модсли А.А. Контрастные манипуляции в ЯМР-изображениях. Magn Reson Imaging 1984; 2:23-32.
     Плюс БД. Контрастные механизмы в спин-эхо МРТ. Рентгенография 1994:14:1389-1404.
Юнг Б.А., Вейгель М. Спин-эхо магнитно-резонансная томография. J Magn Reson Imaging 2013; 37:805-817. (недавний обзор) [DOI Link]

Связанные вопросы
      Длинные материалы T1 темные на T1-взвешенных изображениях, но длинные T2 материалы яркие на T2-взвешенных изображениях. И наоборот. Почему они не ведут себя одинаково?

←  Предыдущий вопрос

Следующий вопрос  →

↑ Полный список вопросов ↑

Когда использовать контраст в качестве шага предварительной обработки

Добавление контраста к изображениям — это простой, но мощный метод улучшения наших моделей компьютерного зрения.

Но почему?

Размышляя о том, как добавить контраста изображениям и зачем мы добавляем контраст изображениям в компьютерном зрении, мы должны начать с основ. Что такое контраст? Как предварительная обработка контраста улучшает наши модели? Когда мы должны добавить контраст?

Что такое контраст?

Контраст, по своей сути, является условием наблюдаемого различия(ий). На изображениях это означает, что мы захватить четкие различия субъекта. В самых атомарных терминах это означает, что пиксели сильно отличаются друг от друга.

Критически важно, что контраст не применяет общий фильтр для увеличения/уменьшения всех пикселей, скажем, на 20 процентов яркости. Вместо этого пиксели в изображении корректируются относительно: более темные пиксели «сглаживаются» по всему изображению. (Мы увидим больше об этом позже.)

Рассмотрим два изображения одного и того же объекта в одно и то же время: луны. Наше изображение слева низкоконтрастное, а изображение справа более контрастное.

Контраст — обычная тактика в астрономии. (Источник)

Зачем использовать предварительную обработку изображений с контрастом?

При сравнении наших изображений Луны не только то, что изображение справа выглядит более приятным, но и то, что наши нейронные сети могли бы его легче понять. Вспомним, что основным элементом компьютерного зрения (будь то классификация, обнаружение объектов или сегментация) является обнаружение границ. При использовании предварительной обработки контраста края становятся более четкими, так как различия между соседними пикселями преувеличены .

Вспомните разницу между предварительной обработкой и дополнением: предварительная обработка изображений означает, что все изображения в наших обучающих, проверочных и тестовых наборах должны подвергаться применяемым нами преобразованиям. Аугментация применима только к нашему тренировочному набору.

Когда использовать предварительную обработку контраста?

В общем, если проблема связана с изображениями с низким контрастом или частью изображений с насыщенным контрастом, полезно сгладить контраст изображения с помощью предварительной обработки.

Обычной задачей, при которой контрастность ниже желаемой, является обработка отсканированных документов. В случае низкой контрастности может быть сложно определить тусклые буквы для оптического распознавания символов (OCR). Создание большего контраста между буквами и фоном делает края более четкими. Обратите внимание, что изменение контрастности не просто делает все изображение темнее: белый фон имеет почти такой же оттенок.

Добавление контраста является обычным этапом предварительной обработки для OCR. (Источник изображения.)

Как использовать предварительную обработку контраста

Предварительная обработка контраста может быть реализована во многих платформах с открытым исходным кодом, таких как контраст изображения в TensorFlow, предварительная обработка контраста изображения в PyTorch и настройка контраста изображения в FastAI, а также выравнивание контраста гистограммы в scikit-image.

Примечание. Выполнение контраста в одной платформе может быть проблематичным при попытке перехода на другую платформу, поскольку не все реализации идентичны.

Предварительная обработка контраста в scikit-image

Документация scikit-image содержит отличное представление о том, как контраст изображения влияет на атрибуты изображения.

Выравнивание гистограммы с помощью документации scikit-image.

Обратите внимание, что контрастность — это действие регулировки контрастности (адаптивная коррекция гистограммы, AHE), в значительной степени «распределяющая» более темные пиксели по изображению более равномерно. В этом примере также представлена ​​фундаментальная концепция улучшения контраста: локальное выравнивание.

Настройки контрастности, такие как адаптивное выравнивание, учитывают локальные части изображения, чтобы предотвратить такие результаты, как центральное среднее изображение, и вместо этого более равномерно распределяют изменения контрастности по всему изображению.

Сценарий для воспроизведения приведенного выше вывода доступен в документации:

 import numpy as np
импортировать matplotlib
импортировать matplotlib. pyplot как plt
из данных импорта skimage
из skimage.util.dtype импортировать dtype_range
из skimage.util импортировать img_as_ubyte
от воздействия импорта skimage
с диска импорта skimage.morphology
рейтинг импорта из skimage.filters
matplotlib.rcParams['font.size'] = 9
def plot_img_and_hist (изображение, оси, бункеры = 256):
 """Постройте изображение вместе с его гистограммой и кумулятивной гистограммой.
 """
 ax_img, ax_hist = оси
 ax_cdf = ax_hist.twinx()
 # Показать изображение
 ax_img.imshow (изображение, cmap = plt.cm.gray)
 ax_img.set_axis_off()
 # Показать гистограмму
 ax_hist.hist(image.ravel(), bins=bins)
 ax_hist.ticklabel_format (ось = 'y', scilimits = (0, 0))
 ax_hist.set_xlabel('Яркость пикселей')
 xmin, xmax = dtype_range[image.dtype.type]
 ax_hist.set_xlim (хмин, хмакс)
 # Показать кумулятивное распределение
 img_cdf, корзины = экспозиция. кумулятивное_распределение (изображение, корзины)
 ax_cdf.plot (бункеры, img_cdf, 'r')
 возврат ax_img, ax_hist, ax_cdf
# Загрузить пример изображения
img = img_as_ubyte(data. moon())
# Глобальное выравнивание
img_rescale = экспозиция.equalize_hist(img)
# Выравнивание
селем = диск (30)
img_eq = rank.equalize (img, selem = selem)
# Показать результаты
рис = plt.figure(figsize=(8, 5))
оси = np.zeros ((2, 3), dtype = np.object)
оси [0, 0] = plt.subplot (2, 3, 1)
оси [0, 1] = plt.subplot (2, 3, 2, доля x = оси [0, 0], доля = оси [0, 0])
axes[0, 2] = plt.subplot(2, 3, 3, sharex=axes[0, 0], sharey=axes[0, 0])
оси [1, 0] = plt.subplot (2, 3, 4)
оси [1, 1] = plt.subplot (2, 3, 5)
оси [1, 2] = plt.subplot (2, 3, 6)
ax_img, ax_hist, ax_cdf = plot_img_and_hist(img, оси [:, 0])
ax_img.set_title('Низкоконтрастное изображение')
ax_hist.set_ylabel('Количество пикселей')
ax_img, ax_hist, ax_cdf = plot_img_and_hist (img_rescale, оси [:, 1])
ax_img.set_title('Глобальное выравнивание')
ax_img, ax_hist, ax_cdf = plot_img_and_hist (img_eq, оси [:, 2])
ax_img.set_title('Локальное выравнивание')
ax_cdf.set_ylabel('Доля общей интенсивности')
# предотвратить перекрытие меток оси Y
fig.
No related posts.