Лабораторная работа №9 ИБД
.docxМинистерство цифрового развития, связи и массовых коммуникаций Российской Федерации
Ордена Трудового Красного Знамени
федеральное государственное бюджетное образовательное учреждение высшего образования
«Московский технический университет связи и информатики»
(МТУСИ)
Кафедра Сетевых Информационных Технологий и Сервисов
Лабораторная работа № 9
по дисциплине: «Интеллектуальные базы данных»
по теме:
«Анализ возможностей нейросетевых технологий, используемых для повышения разрешения изображений»
Вариант №5
Выполнил: студент группы МБТС0000
Иванов Иван Иванович
Проверил:
Кандидат технических наук, доцент Фатхулин Тимур Джалиевич
Москва, 2024
1 Цель работы
Целью данной работы является создание модели, которая реализует логику обработки фотографий и улучшение их качества.
2 Задание
Подготовить черно-белую фотографию хорошего качества для первой модели и цветную для второй.
Найти инструмент по ухудшению качества (посредством «сжатия») изображения, например, https://online-photo-converter.com/ru/quality-image.
Создать две модели, реализующие работу с фотографиями.
Постепенно уменьшать качество фото, а также менять параметры моделей для анализа их поведения.
Сформулировать выводы.
Ответить на контрольные вопросы.
3 Краткая теория
Для любого веб-сайта поддержание качества изображений становится сложной задачей, потому что высокое качество изображения приведет к медленной скорости загрузки целевых страниц, что может привести к ухудшению взаимодействия с пользователем.
Всякий раз, когда кто-либо сталкивается с изображением плохого качества, пользователь теряет интерес. Изображение отличного качества заставляет людей оставаться на странице и продолжать взаимодействовать с контентом.
Вот почему действия по улучшению изображения играют жизненно важную роль в возвращении деталей и делают изображения визуально привлекательными для конечных пользователей.
Изображения редактируются таким образом, чтобы вернуть динамический диапазон данного кадра. В результате изображения выглядят более яркими и профессиональными. Действие по улучшению изображения не изменит кадр, добавив что-либо в кадр.
Данная лабораторная работа содержит два метода улучшения изображения с помощью языка программирования Python для улучшения качества изображения. В начале будет рассмотрен метод с преобразования степенного закона, а затем рассмотрено инверсное изображение.
4. Выполнение лабораторной работы
Интенсивность I(i,j) относится к значению пикселя, расположенного на изображении. Это значение представляет интенсивность этого конкретного пикселя на фотографии и находится в диапазоне от 0 до 255, в то время как i и j относятся к значениям строки и столбца соответственно.
Исходные фотографии в хорошем качестве (черно-белая и цветная) по тематике варианта №5, а именно ведение заказов, представлены ниже.
Рисунок 1 – Исходная черно-белая фотография
Рисунок 2 – Исходная цветная фотография
Для метода преобразования по степенному закону существует оператор, называемый гамма-коррекцией, который используется в этом методе для улучшения изображения.
Ниже приведено уравнение оператора на уровне пикселей.
Для большинства сценариев значение k в этом уравнении равно 1, поэтому сосредоточимся только на значении гаммы.
Таким образом, можно написать уравнение, как показано ниже.
NumPy и OpenCV — это две библиотеки, которые используются в этом примере.
Рисунок 3 – Реализация первого метода
Итак, после написания кода можно получить изображение, которое светлее по сравнению с исходной версией.
Рисунок 4 – Черно-белое изображение после обработки со значением гаммы в 0.6
Далее изменим значение гаммы на 1.6 и увидим, что изображение становится темнее.
Рисунок 5 - Черно-белое изображение после обработки со значением гаммы в 1.6
Значение гаммы представляет собой то, как можно отобразить изображение в цифровом виде.
Человеческий мозг использует гамма-коррекцию для понимания изображения, а значение гаммы является наилучшим отображением контраста в картинках на цифровых экранах. Это основное преимущество использования инструмента преобразования по степенному закону для получения наилучшего коэффициента контрастности изображений и импровизации динамического диапазона, чтобы оно выглядело более броским.
Повторим выполнение метода с различными значениями гамма-коррекции, но одним с изображением.
Для значения гамма-коррекции в 0.1 получим следующее изображение:
Рисунок 6 – Результат обработки с гамма-коррекцией в 0.1
Повторим выполнение метода со значением гамма-коррекции в 16.6:
Рисунок 7 – Результат обработки с гамма-коррекцией в 16.6
Затем повторим выполнение метода с одним значением гамма-коррекции, но фотографиями разного качества.
Выберем значение гамма-коррекции в 1.6, а качество изображения сначала понизим до 60%, а затем до 20%.
Исходная фотография с пониженным качеством до 60% представлена на рисунке 8.
Рисунок 8 – Черно-белая фотография с качеством в 60%
Исходная фотография с качеством в 60% после выполнения метода со значением гамма-коррекции в 1.6 представлена на рисунке 9.
Рисунок 9 – Выполнение метода на изображении с качеством в 60%
Повторим аналогичную операцию для изображения с качеством в 20%. Исходная фотография с пониженным качеством до 20% представлена на рисунке 10.
Рисунок 10 – Черно-белая фотография с качеством в 20%
Исходная фотография с качеством в 20% после выполнения метода со значением гамма-коррекции в 1.6 представлена на рисунке 11.
Рисунок 11 – Выполнение метода на изображении с качеством в 20%
Согласно полученным результатам можно прийти к выводу, что с повышением значения гамма-коррекции, изображение становится более контрастным, и, соответственно, наоборот. Применение данного метода как на обычных, так и на сжатых изображениях, позволяет сделать изображения более различимым и простыми для восприятия полутонов алгоритмами распознавания изображений и человеческим зрением. Кроме того, метод гамма-коррекции можно использовать для повышения качества изображений, о чем свидетельствует увеличение размера обработанного изображения по сравнению с сжатым. На рисунке 12 продемонстрированы размеры изображений, где blacknwhite20.jpg – это сжатое до 20% изображение, а blackwhite20gamma1.6.png – то же самое изображение после обработки методом.
Рисунок 12 – Сравнение сжатого и обработанного изображения
Далее рассмотрим метод, известный как Image Inverse (Инверсное изображение).
Все цветные изображения обычно имеют три цветовых канала, а именно красный, зеленый и синий. Они также известны как RGB в мире графики. Чтобы изменить цветное изображение, настраивается их интенсивность, вычитая их текущие значения из 255.
На первом этапе нужно извлечь каждое значение интенсивности каналов. Чтобы извлечь значение, можно использовать Python Imaging Library. После чего необходимо понять, в каком режиме система считывает образ. Затем напечатать все значения красного, зеленого и синего каналов всех пикселей изображения. После применить оператор обратного изображения к фотографии, чтобы вернуть цвета.
Рисунок 13 – Реализация метода Image Inverse
Изменим качество исходного цветного изображения до 60% и до 20%. Фотография с измененным до 60% качеством представлена на рисунке 14.
Рисунок 14 – Цветная фотография с качеством в 60%
Цветная фотография с качеством в 60% после выполнения метода инверсного изображения представлена на рисунке 15.
Рисунок 15 – Выполнение метода на изображении с качеством 60%
Фотография с измененным до 20% качеством представлена на рисунке 16.
Рисунок 16 – Цветная фотография с качеством в 20%
Цветная фотография с качеством в 20% после выполнения метода инверсного изображения представлена на рисунке 17.
Рисунок 17 – Выполнение метода на изображении с качеством 20%
Исходя из полученных результатов можно сделать вывод, что метод Image Reverse применяется для улучшения визуального эффекта изображения посредством увеличения контрастности, используя инверсию цветов пикселей. Этот метод позволит улучшить качество изображения, если на изображении присутствует отрицательный эффект, такой как блики или слишком яркие области, которые могут скрыть некоторые детали. Помимо вышеперечисленного, Image Reverse может использоваться для улучшения производительности алгоритмов распознавания изображений, например, для распознавания текста на изображениях.
5. Выводы
В ходе лабораторной работы проведён анализ возможностей нейросетевых технологий, используемых для повышения разрешения изображений.
Контрольные вопросы
Что такое Python Imaging Library?
Какие библиотеки используются в данной работе?
В чем суть метода Image Inverce?
Ответы на контрольные вопросы
Что такое Python Imaging Library?
Ответ: Библиотека языка Python, предназначенная для работы с растровой графикой.
Какие библиотеки используются в данной работе?
Ответ: NumPy и OpenCV, Python Imaging Library, scipy.misc
В чем суть метода Image Inverce?
Ответ: Применяется для улучшения визуального эффекта изображения посредством увеличения контрастности, используя инверсию цветов пикселей. Этот метод позволит улучшить качество изображения, если на изображении присутствует отрицательный эффект, такой как блики или слишком яркие области, которые могут скрыть некоторые детали.