====== Obrazová data, jejich pořizování a možná poškození ======
===== Obrazová data =====
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)

==== Reprezentace barev ====
  * 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

==== Reprezentace obrazu ===
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.

===== Získavání obrazových dat =====
==== Optické systémy ====
  * 1-čipové monochromatické
  * 1-čipové barevné
  * 3-čipové barevné

==== Obrazové senzory ====
=== CCD ===
{{  http://upload.wikimedia.org/wikipedia/commons/thumb/e/e1/EMCCD2_color_en.svg/300px-EMCCD2_color_en.svg.png}}
[[wp>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
    * [[http://en.wikipedia.org/wiki/File:Vertical_smear.jpg|Problém se silnými bodovými světlnými zdroji]]

=== CMOS ===
[[wp>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

==== Data získané z „neviditelného spektra“====
  * Rentgenové snímky
  * Infračervené, ultrafialové snímky

==== Vypočtená data ====
  * [[wp>X-ray computed tomography|CT]], [[wp>Magnetic resonance imaging|NMR]], [[wp>Medical ultrasonography|ultrazvuk]]

===== Chyby v obraze =====
  * Zkreslení – např. geometrické zkreslení družicového snímku vlivem zakřivení země.
  * Šum – nežádoucí porucha obrazu
  * Neostrost

===== Degradace obrazu =====
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

===== Typy šumu =====
  * **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//

  * **[[wp>Colors of noise|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).

===== Postupy odstranění šumu =====
Reálně se šum nikdy nedá odstranit, ale existuje více metod na jeho potlačení.

==== Statistický přístup k filtraci šumu ====
  * **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

==== Lokální předzpracování obrazu ====
  * **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.

==== Optimální filtrace obrazu ====
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
  * **[[wp>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