Obrazová data získáváme snímaním reálneho světa (fotografia, video). Takto získaná data jsou spojitá, avšak pro lepší reprezentaci v počítači se převádějí na diskrétní (rastrové) hodnoty získané vzorkovaním (je třeba dodržet vzorkovací teorém). Výsledkem je tedy reprezentace obrazu maticí diskrétních bodův, kde každý bod obsahuje informace o barvě (typicky barevné spektrum, úroveň jasu atd.). Tato reprezentace má ale svoje omezení:

• Barevné informace je třeba také vzorkovat, typickým modelem je RGB, který používá 3 zložky s 8-bit rozsahem na pixel (0–255)
• Velikost obrazu také nemůže být neomezená, proto sa zavádí pojem rozlišení obrazu v pixelech (např. 1024×768)

• Diskrétní rastr barev – barva je směsí záření o různých vlnových délkách
• Barevná hloubka – počet bitů na jeden obrazový bod
• Paleta barev, true color, gray scale

Spojitá funkce 2 proměnných: I(x, y): ⟨0, X) × ⟨0, Y) → ℝ, kde definiční obor D(f) je tvořen kartézským součinem dvou intervalů (obvykle od nuly do velikosti rozměru obrazu) a obor funkčních hodnot H(f) je množina reálných čísel.

• 1-čipové monochromatické
• 1-čipové barevné
• 3-čipové barevné

Charge-coupled device

Matice světlocitlivých buněk. Každá buňka obsahuje čip a kondenzátor, který sa před expozicí nabije. Během expozice nastává úbytek náboje v kondenzátoru v důsledku dopadajícího světla (čím víc světla, tím víc úbytku). Po expozici se zbylý náboj pomocí posuvných registrů transportuje na okraj čipu a mění se na napěťový signál, který putuje do A/D převodníků.

• Výhody:
  • Snímá celý obraz naráz, čili vhodné i pro rychle se pohybující objekty
  • Robustnost vůči šumu (vyskytuje se jen transportní šum při posouvání náboje)
• Nevýhody:
  • Potřeba více čipů na zpracováníe signálu
  • Dražší, náročné na výrobu
  • Vysoká spotřeba
  • Problém se silnými bodovými světlnými zdroji

Active pixel sensor

Používá podobné buňky jako CCD, avšak zbytkový náboj sa přímo mění na napěťový signál (žádné posuvné registry, přímý A/D převod na jednom čipu).

• Výhody:
  • Levnější výroba
  • Vše sa dá realizovat na jednom čipu
  • Nízka spotřeba
• Nevýhody:
  • Protože se obraz neexponuje naráz, nevhodné pro rychle sa pohybujíce objekty
  • Vzniká strukturální šum při převodu z náboje

• Rentgenové snímky
• Infračervené, ultrafialové snímky

• CT, NMR, ultrazvuk

• Zkreslení – např. geometrické zkreslení družicového snímku vlivem zakřivení země.
• Šum – nežádoucí porucha obrazu
• Neostrost

Vznikají při snímání (nedokonalost snímačů, chyby), přenosu dat obrazu přenosovou soustavou, zpracování

• Tepelný šum, Kvantizační šum, Defekty optických soustav (čoček),
• Nelinearita el. optických senzorů, Granularita filmového materiálu,
• Relativní pohyb mezi objektem a kamerou, Špatné zaostření, Zaokrouhlování při zpracování

• Nezávislý šum – velikost šumu nezávisí na velikosti obrazového signálu. Vzniká např. při přenosu obrazu
• Závislý šum – závisí na velikosti obrazového signálu

• Aditivní šum – je nezávislý na obraze g(x, y) = f(x, y) + v(x, y)
• Multiplikativní šum – je závislý na velikosti obrazového signálu g = f + vf = f(1 + v) ≈ fv

• Barvy šumu
  • Bílý šum – Šum je nekorelovaný (náhodný), intenzita neklesá s rostoucí frekvencí (pro všechny frekvence stejně).
  • Šedý šum – údolí, nízké hodnoty ve středu spektra
  • Růžový šum – intenzita šumu klesá logaritmicky s rostoucí frekvencí

• Gaussův šum – Amplituda šumu má normální (Gaussovo) rozdělení pravděpodobnosti. Bílý Gaussův šum v mnoha situacích velmi dobře aproximuje reálný šum. Postihuje celý obraz.
• Šum typu „Pepř a sůl“ – Často nazýván impulsní (nebo výstřelový) šum. Postiženy jsou pouze ojedinělé body obrazu – extrémní hodnoty. Řešením je interpolace z okolních bodů – např. mediánový filtr.
• Úzkopásmový šum – Šumem jsou postiženy jen některé frekvence obrazu. Řešením je filtrace ve frekvenční oblasti (FFT → oříznutí → IFFT).

Reálně se šum nikdy nedá odstranit, ale existuje více metod na jeho potlačení.

• Průměrování z více snímků (např. z videa, kde se scéna nemění), průměrování bez rozmazání
• Průměrování z jednoho snímku – dochází k rozmazávání
  • Průměr opakujících se oblastí – v podstatě nekolik realizací v jednom obraze
  • Průměrování uvnitř snímku – reprezentant okolí pixelu nebo průměr z okolí → rozmazání hran

• Lineární filtrace
  • Obyčejné průměrování (vyhlazovaní, např. gaussiánem – nevýhodou je rozmazanie hrán)
  • Gausián – generování masky na základě gaussova rozložení
• Nelineární filtrace (vyhlazování) – při vyhlazování dochází k rozmázání hran – detekce okolí, kde se jas nemění → rotující maska
  • Rotační masky – polohování masky kolem zvoleného bodu tak, aby se našla oblast s nejmenším rozptylem, pro masku 3 × 3 – 9 poloh, výhodné je okolí o lichém rozměru – bere se z něj medián, nikoliv průměr
  • Narůstání okolí
  • Medián – seřadí pixely z okolí a vybere medián, výborný na výstřelový šum

Dobré filtry na odstranění šumu se dají navrhnout ve frekvenční oblasti pomocí FFT. V ní potom snáze vidíme šum (projevuje se vyššími frekvencemi v obraze) a na základě toho navrhnout filtr na jeho odstranění.

Pokud:

• Máme zkreslený obraz
• Hledáme odhad tak, aby vyhověl kritériu
• Známe různé vlastnosti šumu a zkreslení systému

Metody se liší tím, jaké vlastnosti známe:

• Slepá dekonvoluce – neznáme nic
• Vázaná dekonvoluce – známe celkovou energii šumu
• Wiener filter
  • Pro nezanedbatelný šum nezávislý na signálu, který má odhadnutelné statistické vlastnosti
  • Kritérium je minimum střední kvadratické chyby mezi odhadem a skutečností E{[f(i, j) − f′(i, j)]²} → Min
  • Řešením je vzah: prostý inverzní filtr × wienerův korelační faktor
  • Použitelné pro korekci rozmazání pohybem s šumem