‫בס"ד‬ ‫הטכניון – מכון טכנולוגי לישראל‬ ‫הפקולטה להנדסת חשמל‬ ‫המעבדה לראייה ומדעי התמונה‬ ‫מעבדה בהנדסת חשמל ‪3 ,2‬‬ ‫ניסוי בעיבוד וניתוח תמונות )ענ"ת(‬ ‫‪http://visl.technion.ac.il/exp2.htm‬‬ ‫סמסטר אביב תשע"ג‬ ‫עדכון אחרון )‪ 12‬פברואר ‪ :(2013‬אורי בריט‬ ‫מבוא‬ ‫חוברת זו מתארת ניסוי בסיסי בתחום עיבוד וניתוח תמונה‪ ,‬תחת החסות של המעבדה לראייה ומדעי התמונה‬ ‫)‪ .(VISL‬הניסוי מורכב משורה של תרגילים קצרים‪ .‬בחלק מהתרגילים נדרש לכתוב קוד ‪ ,MATLAB‬בחלק אחר‬ ‫יוצגו משטחי עבודה מוכנים‪ ,‬אותם יש להפעיל‪ ,‬לשנות מספר פרמטרים‪ ,‬לראות את השפעתם‪ ,‬להסביר את‬ ‫התוצאה ולהסיק מסקנות‪.‬‬ ‫דרישות הקדם לניסוי‪ :‬הקורס "אותות ומערכות" או קורס מקביל וכן הכרה כללית של תוכנת ‪.MATLAB‬‬ ‫על מנת למנוע אי נעימויות‪ ,‬מוזכר בזה שניסוי זה נועד אך ורק לסטודנטים ללא רקע בעיבוד תמונה‪ .‬סטודנט‬ ‫אשר עבר או לומד במקביל קורס ענ"ת או קורס מקביל בפקולטה אחרת‪ ,‬לא יקבל קרדיט עבור הניסוי‪ ,‬אלא‬ ‫במקרים חריגים אם הסטודנט קיבל אישור מראש להירשם לניסוי‪.‬‬ ‫מבנה המעבדה‬ ‫המעבדה כוללת ‪ 2‬פגישות )חלק א' וחלק ב'(‪ ,‬כל חלק נמשך ‪ 4‬שעות‪.‬‬ ‫חלק א'‬ ‫בחינה בעל פה על דו"ח מכין חלק א' )~‪ 10‬דקות(‬ ‫ניסוי ‪ – 1‬אינפורמציה על תמונה )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 2‬מתיחת היסטגרמה‪ ,‬שינוי בהירות וניגודיות )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 3‬סגמנטציה של תמונה )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 4‬סינון רעש ושחזור תמונות )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 5‬גילוי שפות )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 6‬פעולות מורפולוגיות )~‪ 30‬דקות(‬ ‫סיכום הניסוי חלק א' )~‪ 15‬דקות(‬ ‫חלק ב'‬ ‫בחינה בעל פה על דו"ח מכין חלק ב' )~‪ 10‬דקות(‬ ‫ניסוי ‪ – 7‬מודל צבע )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 8‬מיצוי מאפיינים )~‪ 30‬דקות(‬ ‫ניסוי ‪ – 9‬משימות מורכבות )~‪ 120‬דקות(‬ ‫סיכום הניסוי חלק ב' )~‪ 15‬דקות(‬ ‫הציון לניסוי זה ייקבע על פי המפתח הבא‪:‬‬ ‫‪ - 20%‬הכנה )נכונות הדו"חות המכינים(‬ ‫‪ - 45%‬ביצוע )שלמות ואיכות ביצוע התרגילים בניסוי עצמו‪ ,‬עמידה בזמני הניסוי(‬ ‫‪ - 10%‬הערכה )התרשמות המדריך מהבנת החומר ותשובות לשאלות מסכמות שיישאלו בסוף הניסוי(‬ ‫‪ - 25%‬סיכום )דו"ח הכולל תשובות לכל השאלות הנמצאות בגוף הניסוי‪ ,‬הסברים ומסקנות(‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪1‬‬ ‫הנחיות כלליות‬ ‫‪‬‬ ‫יש להגיע למעבדה מוכנים על פי משימות ההכנה של כל תרגיל – על פי חוברת זו‪ .‬את הדו"ח המכין יש‬ ‫להגיש למדריך בצורה אלקטרונית דרך מערכת ‪ LABADMIN‬בלבד לפני כל פגישה והוא גם ישמש כעזר‬ ‫לביצוע הניסוי‪ .‬בתחילת הניסוי המדריך יערוך בחינה בעל פה על תוכן הדו"ח המכין‪.‬‬ ‫‪‬‬ ‫כללית יש לבצע את הסעיפים של הניסוי על פי חוברת זו – ייתכנו שינויים על פי הנחיות המדריך!‬ ‫‪‬‬ ‫בניסוי זה אין צורך להגיש קבצי קוד‪ .‬עם זאת‪ ,‬הגשת קבצי קוד יכולה רק לשפר את ציון הניסוי ולא‬ ‫לגרוע ממנו‪ .‬אם הינכם מעוניינים להגיש את קבצי הקוד שלכם יש לעשות זאת בעזרת קובץ ‪ ZIP‬בלבד‬ ‫בצורה אלקטרונית דרך מערכת ‪ LABADMIN‬בלבד בחלק המתייחס לאיכות ביצוע הניסוי‪.‬‬ ‫‪‬‬ ‫שימו לב‪ :‬חלק משאלות הדו"ח המסכם מתייחסות לתוצאות שמתקבלות בזמן הניסוי‪ .‬לכן‪ ,‬ודאו שעניתם‬ ‫עליהן בטרם תעברו לניסוי הבא‪ .‬עם זאת‪ ,‬השקיעו זמן בניסוי עצמו ופחות בכתיבת הדו"ח המסכם!‬ ‫השתדלו להוסיף תמונות לדו"ח המסכם היכן שניתן‪.‬‬ ‫‪‬‬ ‫אחרי ביצוע הניסוי יש להגיש דו"ח מסכם – עד שבועיים לאחר הפגישה השנייה – למדריך בצורה‬ ‫אלקטרונית דרך מערכת ‪ LABADMIN‬בלבד‪.‬‬ ‫‪‬‬ ‫לתשומת ליבכם‪ :‬הציון ייפגע למאחרים בהגשת הדו"ח ללא סיבה מוצדקת!‬ ‫מקורות להכנת המעבדה‬ ‫‪‬‬ ‫כל המידע שדרוש להכנת הניסוי כולל חוברת זו נמצא באתר הניסוי‪:‬‬ ‫‪http://visl.technion.ac.il/exp2.htm‬‬ ‫)היכן שנדרשת סיסמא השתמשו ב‪(user=anat, password=anat :-‬‬ ‫אתר זה כולל בנוסף להוראות ועדכונים גם קישורים עם הסברים על כל הנושאים שבניסוי זה‪.‬‬ ‫‪‬‬ ‫בנוסף ניתן להשתמש במסכי ‪ help‬על פונקציות ‪ MATLAB‬אותם ניתן למצוא גם בכתובת‪:‬‬ ‫‪http://www.mathworks.com/‬‬ ‫‪‬‬ ‫הדרכה כללית ב‪: MATLAB -‬‬ ‫‪http://www.ee.technion.ac.il/courses/matlab‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪2‬‬ ‫משימות הכנה ושאלות דו"ח מכין – חלק א'‬ ‫תרגיל הכנה ‪ -‬הצגת תמונה ב‪MATLAB-‬‬ ‫קראו ב‪ help-‬של ‪ MATLAB‬את המבוא ל‪.image processing toolbox -‬‬ ‫איך מיוצגת תמונה ב‪ ?MATLAB-‬מה ההבדל בין סוגי התמונות ‪?indexed, grayscale, colored, binary‬‬ ‫קראו ב‪ help-‬של ‪ MATLAB‬על הפונקציות הבאות‪ ,‬שימו לב לפרמטרים השונים של כל אחת מהן‪:‬‬ ‫‪meshgrid, figure, impixelinfo, imshow, imfinfo, imread, imwrite‬‬ ‫צרו תמונה על‪-‬ידי הגדרת מערך דו‪-‬מימדי ומילויו בערכים‪:‬‬ ‫;)‪im=zeros(127,127‬‬ ‫‪for x=1:127‬‬ ‫‪for y=1:127‬‬ ‫;)‪im(y,x)=(128-x+y‬‬ ‫;‪end‬‬ ‫;‪end‬‬ ‫;)][‪imshow(im,‬‬ ‫כל איבר במערך הדו‪-‬מימדי מהווה נקודה בתמונה‪ .‬נקודה כזו נקראת פיקסל )‪.(pixel - picture element‬‬ ‫כעת‪ ,‬צרו את התמונה ללא לולאה‪ ,‬אלא בעזרת הפונקציה ‪:meshgrid‬‬ ‫;)‪[X Y]=meshgrid(1:1:127‬‬ ‫;)‪im=(128-X+Y‬‬ ‫;)][‪imshow(im,‬‬ ‫הביטו בתוכן המטריצות ‪ X‬ו‪.Y-‬‬ ‫שימו לב‪,‬תוכנת ‪ MATLAB‬חזקה בחישובים מטריציים‪ ,‬אך חלשה בביצוע לולאות‪ .‬בעזרת פונקצית ‪meshgrid‬‬ ‫ניתן לבצע את החישוב הנ"ל ללא לולאות‪ .‬בתרגילים המופיעים בניסוי המעיטו להשתמש בלולאות!‬ ‫עתה הריצו את הקוד הבא‪:‬‬ ‫;‪figure(1);imshow(im,[0 127]); impixelinfo‬‬ ‫;‪figure(2);imshow(im,[50 150]);impixelinfo‬‬ ‫;‪figure(3);imshow(im,[150 255]); impixelinfo‬‬ ‫;‪figure(4);imshow(im,[]); impixelinfo‬‬ ‫העבירו את הסמן מעל כל תמונה‪.‬‬ ‫הוסיפו את התמונות המתקבלות לדו"ח‪ .‬הסבירו מה מהות השוני בין התמונות )התייחסו למושג 'תחום‬ ‫דינאמי'(‪ .‬האם התמונות שונות בערכי הפיקסלים? מה תפקידה של הפקודה ‪?impixelinfo‬‬ ‫ניסוי ‪ – 1‬אינפורמציה על תמונה‬ ‫קראו את ה‪ MATLAB Help-‬על הפונקציה ‪ .impixelinfo‬הסבירו מדוע פונקציה זו שימושית‪.‬‬ ‫קראו את ה‪ MATLAB Help-‬על הפונקציה ‪ .imhist‬מה עושה פקודה זו? הבינו מהי היסטוגרמה של תמונה‪,‬‬ ‫מומלץ לעיין באחד המקורות באתר הניסוי )למשל בחוברת של ‪ Alasdair McAndrew‬פרק ‪.(4.3‬‬ ‫חשבו ורשמו‪ ,‬מה ניתן ללמוד מהיסטוגרמה של תמונה?‬ ‫ניסוי ‪ – 2‬מתיחת היסטגרמה‪ ,‬שינוי בהירות וניגודיות‬ ‫קראו את הסבר הניסוי בחוברת‪ .‬הבינו לשם מה מבצעים מתיחת היסטוגרמה?‬ ‫ציירו את פונקצית ההמרה שמבצעת מתיחת היסטוגרמה – מוצא לעומת כניסה‪ .‬ציר ‪ x‬יתאר את ערך הפיקסל‬ ‫לפני ההמרה‪ ,‬וציר ‪ y‬את הערך אחריה‪.‬‬ ‫שרטטו שתי היסטוגרמות‪ .‬האחת של תמונה לפני שעברה המרה‪ ,‬והשניה – אחריה‪ .‬תארו במילים את הקשר‬ ‫בין ההיסטוגרמות‪ .‬האם הפעולה לינארית‪ ,‬באופן כללי?‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪3‬‬ ‫ניסוי ‪ - 3‬סגמנטציה של תמונה‬ ‫קראו את הסבר הניסוי בחוברת ואת ה‪ MATLAB Help-‬של הפקודה ‪ .bwconncomp‬מה תפקידה? מהם‬ ‫הפרמטרים? מהו המוצא? מהי קישוריות ‪ ?4‬מהי קישוריות ‪ ?8‬הסבירו והדגימו בציור‪.‬‬ ‫תארו את השינוי ברמות ההארה של תמונה העוברת חיתוך בסף ע"י גרפים‪ :‬הגרף הראשון יכיל את ההארה‬ ‫ההתחלית )ציר ‪ (x‬לעומת הסופית )ציר ‪ .(y‬הגרפים השני והשלישי יכילו את ההיסטוגרמה של התמונה‬ ‫המקורית‪ ,‬ושל התמונה הסופית )שרטוטים איכותיים(‪.‬‬ ‫באיזה תהליכים לדעתכם נדרשת סגמנטציה? תנו מספר דוגמאות‪.‬‬ ‫ניסוי ‪ – 4‬סינון רעש ושחזור תמונה‬ ‫ישנם סוגים רבים של רעש‪ ,‬למשל רעש גאוסי לבן‪ ,‬רעש ‪ shot-noise‬או ‪ ,impulse‬רעש מחזורי וכו'‪.‬‬ ‫העזרו ב ‪ Help‬של הפונקציה ‪ – imnoise‬מהם סוגי הרעש אותם ניתן להוסיף לתמונה? תארו את סוגי הרעש‬ ‫והפרמטרים המתאימים לכל אחד‪.‬‬ ‫מסנן ממצע )‪ :(Averaging‬תארו את דרך פעולתו‪ .‬מהם חסרונותיו?‬ ‫מסנן חציון )‪ :(Median‬תארו את דרך פעולתו‪ .‬מהם חסרונותיו?‬ ‫קראו את ה‪ help -‬של הפונקציה ‪ .imfilter‬הסבירו מה עושה פונקציה זו‪.‬‬ ‫קראו את ה‪ help -‬של הפונקציה ‪ .deconvlucy‬מה עושה פונקציה זו? מהם הפרמטרים ההכרחיים?‬ ‫מהן הסיבות האפשריות לטשטוש בתמונה? תנו דוגמא למטריצת טשטוש דו‪-‬ממדית ‪.3x3‬‬ ‫הפעילו את מטריצת הטשטוש שלכם על תמונה לבחירתכם וצרפו את התמונות לפני ואחרי לדו"ח‪.‬‬ ‫ניסוי ‪ – 5‬גילוי שפות‬ ‫קראו את ה ‪ Help‬על הפקודה ‪ .Edge‬מה המוצא )‪ (output‬של הפונקציה? אילו סוגי אופרטורים היא מכירה?‬ ‫)ניתן להריץ את הקובץ ‪) edgedemo.m‬להורדה מאתר הניסוי( ולשחק עם הפרמטרים השונים כדי להתרשם‬ ‫מפעולת פקודת ‪(.edge‬‬ ‫אופרטורים לגילוי שפות הינם בד"כ וריאציה של נגזרת‪ .‬תארו את אופן פעולת האופרטורים הבאים‪Sobel, :‬‬ ‫‪Laplacian of Gaussian, Canny‬‬ ‫אלו נגזרות מקורבות ע"י אופרטור ‪ ?Sobel‬מה ההבדלים העיקריים בין השיטות השונות?‬ ‫באיזה תהליכים משתמשים בגילוי שפות? תנו מספר דוגמאות‪.‬‬ ‫ניסוי ‪ – 6‬פעולות מורפולוגיות‬ ‫קראו את ההסבר בתחילת ניסוי ‪ 6‬על פעולות מורפולוגיות ועיינו בחומר הרקע באתר הניסוי וב‪MATLAB -‬‬ ‫‪ Help‬של הפקודות ‪.strel, imerode, imdilate‬‬ ‫הסבירו באופן פשטני את פעולתן של הפקודות‪ .‬מה לדעתכם ניתן לבצע עם פעולות אלו?‬ ‫האם הפעולות הופכיות? הסבירו בקצרה כיצד ניתן לממש פעולות אלו בכלים שכבר למדתם‪ .‬מה חשיבותו של‬ ‫אוביקט הבניה וגודלו?‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪4‬‬ ‫משימות הכנה ושאלות דו"ח מכין – חלק ב'‬ ‫ניסוי ‪ – 7‬מודל צבע‬ ‫כמה מימדים דרושים למרחב צבע במקרה הכללי? הסבירו מדוע‪.‬‬ ‫קראו על מרחב ‪ YIQ‬והסבירו מה משמעות כל ערוץ בו‪ .‬פרטו!‬ ‫מה חשיבותה של מערכת צבעים זו והיכן משתמשים בה?‬ ‫הסבירו מהו מקור אור מונוכרומטי ותנו דוגמה לשימוש בו‪.‬‬ ‫ציינו לפחות ‪ 3‬מרחבים שונים לייצוג צבע מלבד ‪ ,YIQ‬ולאילו צרכים משתמשים בהן‪.‬‬ ‫ניסוי ‪ – 8‬מיצוי מאפיינים‬ ‫קראו את ה‪ help-‬של הפקודה ‪ regionprops‬שמיועדת לחילוץ מידע על הסגמנטים השונים בתמונה‪.‬‬ ‫הסבירו את משמעות המאפיינים הבאים‪:‬‬ ‫‪Perimeter, MajorAxisLength, Eccentricity, Orientation, FilledImage, BoundingBox, EulerNumber,‬‬ ‫‪Solidity.‬‬ ‫מה לדעתכם ניתן לבצע עם נתונים מסוג זה? איזה מהמאפיינים הנ"ל יוצר דופן ובמה?‬ ‫מה הקשר בין המומנט מסדר שני של האליפסה החוסמת לבין צורת האובייקטים אותם אנו מנסים לאפיין‬ ‫בעזרת פונקצית ‪?regionprops‬‬ ‫מהו "סגור קמור" של צורה? למה הוא יכול לשמש?‬ ‫ניסוי ‪ – 9‬משימות מורכבות‬ ‫קראו את ה‪ help -‬של הפונקציה ‪ .imfill‬מה עושה פונקציה זו? מהם הפרמטרים שלה? באיזה דרך לדעתכם‬ ‫מבצעת הפונקציה את הנדרש ממנה?‬ ‫הציעו שני אלגוריתמים פשוטים שונים שמטרתם למלא בצבע לבן ריבוע )ראו תמונה( הנמצא על פני רקע‬ ‫שחור‪ ,‬שניהם ללא שימוש בפונקציה ‪.imfill‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪5‬‬ ‫חלק א'‬ ‫ניסוי ‪ - 1‬אינפורמציה על תמונה‬ ‫מטרת הניסוי‬ ‫הכרת שיטות לקבלת אינפורמציה על תמונה – ערכי מינימום ומקסימום של התמונה‪ ,‬והתפלגות רמות האפור‪.‬‬ ‫הסבר הניסוי‬ ‫פעמים רבות לפני ביצוע עיבודים שונים על תמונה נרצה לקבל אינפורמציה )סטטיסטית( אודותיה‪ .‬להלן מספר‬ ‫נקודות כדוגמא לאינפורמציה בעלת תועלת‪:‬‬ ‫‪ ‬מימדים )רוחב‪ ,‬גובה‪ ,‬עומק‪ ,‬מספר מרכיבים‪ ,‬זמן – אם מדובר בתמונה מתוך סרט(‪.‬‬ ‫‪ ‬סוג המידע של פיקסלים )או אלמנטים אחרים( )‪.(bit, byte, integer,complex,....‬‬ ‫‪ ‬פורמט קידוד התמונה )הפורמט בו נשמר הקובץ‪.(tiff, gif,jpeg,...‬‬ ‫‪ ‬טבלת צבעים‪.‬‬ ‫‪ ‬מרחב הצבע )‪.(RGB, CMY, HSI, ...‬‬ ‫‪ ‬מסכה על התמונה )‪.(validity mask‬‬ ‫‪ ‬ערך ממוצע של ההארה‪ ,‬שונות )וריאנס( וכו'‪.‬‬ ‫‪ ‬ערכי מקסימום ומינימום‪ ,‬ומיקומם‪.‬‬ ‫‪ ‬התפלגות ערכים )היסטוגרמה(‪.‬‬ ‫בניסוי זה נפיק מידע סטטיסטי על התמונה )פילוג רמות ההארה(‪ ,‬ונציג אותו בצורות שונות‪ .‬בסיום‪ ,‬נציג את‬ ‫פרופיל רמות האפור של שורה אחת מהתמונה‪.‬‬ ‫בניסוי יעשה שימוש בפונקציה ‪ randn‬המספקת מספרים אקראיים לפי פילוג גאוסי )תוחלת אפס‪ ,‬סטיית תקן ‪.(1‬‬ ‫עבור סטיית תקן שונה יש להכפיל המספרים בסטיית התקן הרצויה‪ .‬תמונות המיוצגות ע"י ‪ 8‬ביטים )‪255 – 0‬‬ ‫רמות(‪ ,‬יש להמיר למשתנה ‪ double‬לעשיית חישובים )חיבור למשל( ולהמיר חזרה ל‪ .uint8 -‬מתבצעת קטימה‬ ‫אוטומטית ל‪ 0-‬או ‪ 255‬של ערכים נמוכים או גבוהים מדי )בהתאמה(‪.‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫לכבוד הנשיא השחור הראשון בארה"ב צבעו את הבית הלבן בשחור ‪.‬‬ ‫‪‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪6‬‬ ‫טענו את התמונה ‪ white-house.jpg‬והציגו אותה‪.‬‬ ‫;)'‪wh=imread('white-house.jpg‬‬ ‫;)‪figure(1);imshow(wh‬‬ ‫הריצו את הפקודה‪:‬‬ ‫)'‪imfinfo('white-house.jpg‬‬ ‫עיינו במידע המוצג והוסיפו אותו לדו"ח הסופי‪.‬‬ ‫משימה‪ :‬מצאו את הפקסלים השייכים לבית הלבן והפכו אותם לשחורים‪.‬‬ ‫רמז‪:‬‬ ‫‪ .1‬הפעילו את הפונקציה ‪ impixelinfo‬וטיילו עם העכבר בתמונה‪.‬‬ ‫‪ .2‬על מנת להפוך את כל הפיקסלים בעלי הערך ‪ X‬לערך חדש ‪ Y‬השתמשו בביטוי‪:‬‬ ‫שמרו את התוצאה לדו"ח הסופי‪ .‬האם התמונה נראית טבעית? אם לא‪ ,‬מדוע?‬ ‫ב‪.‬‬ ‫‪‬‬ ‫;‪im(im==X)=Y‬‬ ‫טענו את התמונה ‪ cameraman.tif‬והציגו את ההסטוגרמה שלה‪.‬‬ ‫;)'‪im=imread('cameraman.tif‬‬ ‫)התמונה כלולה ב‪(MATLAB-‬‬ ‫;)‪figure(3);imhist(im‬‬ ‫עתה צרו עותק רועש של התמונה ע"י הוספת רעש גאוסי לבן לתמונה המקורית עם סטית תקן ‪.20‬‬ ‫;‪std_n=20‬‬ ‫;))‪noise=std_n*randn(size(im‬‬ ‫;)‪im _n=uint8(double(im)+noise‬‬ ‫הציגו את התמונה המורעשת ואת ההיסטוגרמה שלה‪.‬‬ ‫הסבירו את ההבדל בין ההסטוגרמות‪ .‬ממה לדעתכם נובע ההבדל?‬ ‫ג‪.‬‬ ‫‪‬‬ ‫;)‪figure(4);imshow(im _n‬‬ ‫;)‪figure(5);imhist(im_n‬‬ ‫המשיכו לעבוד עם התמונה האחרונה ללא הרעש‪ .‬השתמשו בפונקציות ‪ mean, max, min‬על מנת‬ ‫למצוא את הערכים הקיצוניים והערך הממוצע של כל הפיקסלים בתמונה )המקורית(‪ .‬דוגמא‪:‬‬ ‫))‪minvalue=min(min(im‬‬ ‫מהי רמת ההארה הנמוכה ביותר בתמונה )ערך הפיקסל הנמוך ביותר(? מהו הערך הגבוה ביותר? מהו‬ ‫הערך הממוצע? האם התמונה "מנצלת" את כל תחום ההארה המותר?‬ ‫ד‪.‬‬ ‫‪‬‬ ‫ה‪.‬‬ ‫‪‬‬ ‫על מנת לחשב כמה פיקסלים הם בעלי ערך ‪ ,N‬השתמשו בביטוי‪:‬‬ ‫))‪sum(sum(im==N‬‬ ‫מה מספר הפיקסלים בעלי ערך ‪?7‬‬ ‫על מנת לבודד את השורה ה‪ N-‬של התמונה השתמשו בביטוי‪:‬‬ ‫)‪L=im(N,:‬‬ ‫הציגו בעזרת פקודת ‪ plot‬את השורה ה‪ 150-‬של התמונה‪.‬‬ ‫האם אתם מצליחים למצוא את הקורלציה בין התרשים הדו‪-‬ממדי לשורה המתאימה בתמונה?‬ ‫שמרו את הגרף שהתקבל לדו"ח המסכם והסבירו בפירוט מה רואים‪.‬‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex1.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪7‬‬ ‫ניסוי ‪ – 2‬מתיחת היסטוגרמה ושינויי בהירות וניגודיות‬ ‫מטרת הניסוי‬ ‫הבנת השפעת שינויי בהירות וניגודיות על התמונה ועל ההיסטוגרמה של התמונה‪ ,‬שימושים למתיחת‬ ‫היסטוגרמה‪.‬‬ ‫הסבר הניסוי‬ ‫בניסוי זה ייעשה שימוש בכלי אינטראקטיבי של ‪ MATLAB‬שמאפשר לשנות את הערכים של הבהירות ושל‬ ‫הניגודיות של תמונה ולראות את ההשפעה על ההיסטוגרמה של התמונה‪.‬‬ ‫במתיחת היסטוגרמה קובעים שני ערכים‪ :‬נקודת האמצע )‪ (level‬ורוחב התחום )‪ .(window‬כלומר‪ ,‬כל פיקסל‬ ‫שערכו גדול מ‪ (Level+Window/2) -‬ממופה לערך המקסימלי )‪ ;(1‬ערכי ביניים ממופים באופן לינארי; ערכים‬ ‫הקטנים מ‪ (Level-Window/2) -‬ממופים לערך המינימלי )‪.(0‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫פיתחו והריצו את הקובץ ‪ imadjdemo.m‬על מנת להגיע למסך האינטראקטיבי של ה‪Intensity DEMO-‬‬ ‫‪ .Adjustment and Histogram Equalization‬את ה‪ demo-‬ניתן להוריד מן האתר של הניסוי ) ‪user=anat,‬‬ ‫‪.(passwd=anat‬‬ ‫ודאו כי הפעולה על התמונה היא ‪) Intensity Adjustment‬ולא ‪ .(Histogram Equalization‬מצד שמאל‬ ‫רואים את התמונה המקורית‪ ,‬ומתחתיה את ההיסטוגרמה שלה‪ .‬לידה )מימינה( מוצגת התמונה לאחר‬ ‫מתיחת ההיסטוגרמה ומתחתיה – ההיסטוגרמה‪ .‬בחלק הימיני של החלון מוצג גרף המתאר את פעולת‬ ‫ההמרה שעובר כל פיקסל )ערך סופי לעומת ערך תחילי(‪ .‬בגרף מופיעות שלוש נקודות עזר בצבעים‬ ‫שונים )אדום‪ ,‬צהוב וירוק(‪.‬‬ ‫ב‪.‬‬ ‫‪‬‬ ‫טענו את התמונה ‪.circuit‬‬ ‫שנו את הערכים של ‪ brightness‬ושל ‪ contrast‬ובמידת הצורך את הנקודות בגרף‪ ,‬עד שתתקבל תוצאה‬ ‫של רקע שכולו בגוון לבן ואילו פיקסלים בעלי גוון אפור הכהים ביותר יהפכו לשחור אחיד )ראה‬ ‫דוגמא(‪.‬‬ ‫שמרו את החלון עם התוצאה הנכונה )כולל ההיסטוגרמה והגרף( לדו"ח המסכם והסבירו‪.‬‬ ‫ג‪.‬‬ ‫‪‬‬ ‫עתה טענו את התמונה ‪.pout‬‬ ‫הביטו בהיסטוגרמה‪ ,‬האם כל התחום של ערכי האפור מנוצל?‬ ‫שנו את הערכים של ‪ brightness‬ושל ‪ contrast‬ובמידת הצורך את הנקודות בגרף‪ ,‬עד שתתקבל תמונה‬ ‫משופרת אשר מבליטה את השינויים בין הגוונים הקיימים בתמונה )ראה דוגמא(‪.‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪8‬‬ ‫שמרו את החלון עם התוצאה הנכונה )כולל ההיסטוגרמה והגרף( לדו"ח המסכם והסבירו‪.‬‬ ‫ד‪.‬‬ ‫‪‬‬ ‫ה‪.‬‬ ‫‪‬‬ ‫ו‪.‬‬ ‫‪‬‬ ‫עתה טענו את התמונה ‪.tire‬‬ ‫השוו את הפעולות ‪ intensity adjustment‬ו‪ histogram equalization -‬על התמונה הנ"ל‪ .‬שנו את‬ ‫הפרמטרים לקבלת תוצאה מיטבית לטעמכם‪.‬‬ ‫הסבירו את ההבדל בין שתי הפעולות באופן כללי‪ .‬איזו פעולה משפרת את התוצאה ומדוע?‬ ‫עתה נבצע המרה לא לינארית בערכי ההארה‪ .‬הפעולה שנבצע הינה שינוי ערך הגמא של התמונה‪.‬‬ ‫)שימו לב‪ ,‬אנו עדיין עובדים עם התמונה ‪ .(tire‬לחצו על הכפתורים ‪) -Gamma +Gamma‬ניתן לשנות גם‬ ‫על‪-‬ידי הזזת הנקודה הצהובה למעלה או למטה(‪ .‬מהי ההשפעה על ההיסטוגרמה? תארו ושרטטו‪ .‬מהי‬ ‫ההשפעה על התמונה? פרטו‪ .‬איזה ערך גמא מניב את התמונה הברורה ביותר?‬ ‫טענו את התמונה ‪) liftingbody.png‬מחוץ ל‪ (demo-‬והפעילו עליו את הפונקציה ‪.histeq‬‬ ‫הציגו את התמונה ואת היסטוגרמה שלה לפני ואחרי ביצוע הפונקציה‪.‬‬ ‫פרטו והסבירו את ההבדלים בין התמונות‪.‬‬ ‫האם לדעתכם התמונה החדשה משופרת או לא? האם הפעולה ‪ histeq‬תמיד משפרת את התמונה?‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex2.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪9‬‬ ‫ניסוי ‪ – 3‬סגמנטציה של תמונה )חיתוך בסף‪( labeling ,‬‬ ‫מטרת הניסוי‬ ‫ביצוע סגמנטציה של תמונה בעזרת חיתוך בסף‪.‬‬ ‫הסבר הניסוי‬ ‫סגמנטציה של תמונה הוא תהליך של חלוקת התמונה לאזורים שונים‪ .‬תהליך זה‪ ,‬כמובן‪ ,‬תלוי בבעיה‪.‬‬ ‫שיטה פשוטה ומקובלת לביצוע סגמנטציה היא בעזרת חיתוך בסף של התמונה‪ .‬בפעולה זו ערכי פיקסלים‬ ‫מתחת לסף מסוים מקבלים ערך אחד )למשל ‪ = 0‬שחור(‪ ,‬בעוד הערכים הגבוהים מהסף מקבלים ערך אחר‬ ‫)למשל ‪ = 1‬לבן(‪ .‬בניסוי זה נבצע סגמנטציה של תמונה בעלת אובייקטים אותם רוצים לבודד מן הרקע )כגון‬ ‫גרגרי אורז(‪ .‬לאחר מכן נבצע סימון אובייקטים‪ ,‬תהליך שנקרא ‪ . labeling‬בתהליך זה מסמנים כל אובייקט‬ ‫בתווית זיהוי ונציג כל אובייקט בצבע שונה לצורך הפרדה ברורה מבחינה וויזואלית‪.‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫‪‬‬ ‫ב‪.‬‬ ‫‪‬‬ ‫ג‪.‬‬ ‫‪‬‬ ‫ד‪.‬‬ ‫‪‬‬ ‫טענו והציגו את התמונה ‪ rice.png‬בתמונה‪.‬‬ ‫נסו להעריך – אילו ערכי סף שנפעיל על התמונות יפרידו את גרגרי האורז מן הרקע? )העזרו ב‪-‬‬ ‫‪ impixelinfo‬וב‪(. imhist -‬‬ ‫בצעו חיתוך בסף בערכים שונים )דוגמה לחיתוך בסף‪ . im>=74 :‬פקודה זו מחזירה מטריצה שבה‬ ‫האיברים הם ‪ 0‬או ‪ ,1‬בהתאם לתנאי( והציגו את התוצאות להשוואה )ניתן להשתמש ב‪ subplot -‬כדי‬ ‫להציג מספר תמונות ב‪ figure -‬אחד(‪.‬‬ ‫מהו אחוז הפיקסלים המוארים בכל תמונה )רמז ‪ -‬אפשר לספור את הפיקסלים בעזרת ‪?(sum‬‬ ‫הציגו את התמונות‪ ,‬תארו והסבירו את התוצאות שהתקבלו‪.‬‬ ‫אם ברצוננו להפריד במדויק את כל האובייקטים מן הרקע‪ ,‬ורק אותם‪ ,‬מהו ערך הסף שנצטרך‬ ‫להפעיל? האם יש ערך חד משמעי? הסבירו!‬ ‫ביצוע ‪:Labeling‬‬ ‫טענו והציגו את התמונה ‪ .pieces.png‬בצעו חיתוך בסף כדי להפוך את התמונה לתמונה בינארית‬ ‫עם רקע שחור ואובייקטים לבנים‪.‬‬ ‫בחרו ערך סף כזה שיגרום לדעתכם להפרדה ברורה בין העצמים בתמונה‪ ,‬והציגו את התמונה‬ ‫הבינארית המתקבלת‪ .‬איזה ערך סף בחרתם?‬ ‫בצעו ‪ Labeling‬של התמונה‪ ,‬בעזרת הפקודות ‪ bwconncomp‬ו‪.labelmatrix -‬‬ ‫הציגו את התמונה אחרי ה‪ Labeling -‬בעזרת מפת צבעים רנדומאלית‪) ,‬השתמשו בפונקציה )‪rand(n,3‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪10‬‬ ‫על מנת להגריל מפת צבעים רנדומאלית(‪:‬‬ ‫;)‪mycolormap=rand(1000,3‬‬ ‫;)‪imshow(im_label,mycolormap‬‬ ‫הציגו את התוצאה‪ .‬מה הערך של כל פיקסל בתמונה כעת?‬ ‫כמה אובייקטים זוהו בתמונה והאם המספר זהה למספר החפצים שנראים בתמונה? במקרה שלא‪,‬‬ ‫הסבירו‪ .‬האם תמונת התוצאה זהה לתמונה המקורית?‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex3.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪11‬‬ ‫ניסוי ‪ - 4‬סינון רעש ושחזור תמונות‬ ‫מטרת הניסוי‬ ‫סינון תמונה רועשת‪ ,‬תוך הפעלת אופרטורים שונים על סוגים שונים של רעש‪ .‬שחזור תמונה מטשטוש‪.‬‬ ‫הסבר הניסוי‬ ‫ברוב התמונות בהם אנו נתקלים קיים רעש במידה זו או אחרת‪ .‬רעש יכול לנבוע מהגלאי שבו משתמשים‪,‬‬ ‫מהמערכת האופטית‪ ,‬מהאופן בו הועברה‪/‬נשמרה התמונה‪ ,‬ועוד‪ .‬סינון )ניקוי( הרעש מתבצע בד"כ בשלב העיבוד‬ ‫המקדים )‪ (pre-processing‬של התמונה‪ .‬פעולת סינון הרעש תלויה הן בסוג הרעש והן במטרה לשמה רוצים‬ ‫לנקות את התמונה‪.‬‬ ‫במהלך הניסוי אנו נעבד תמונה שבה יש רעש‪ .‬הרעש יהיה אחד משניים‪ .1 :‬רעש אדיטיבי גאוסי לבן‪ ,‬ו‪ .2-‬רעש‬ ‫מסוג ‪) shot-noise‬ידוע גם כרעש ‪ ,salt-and-pepper‬בגלל ה"גרגרים" הלבנים והשחורים(‪ .‬כדי לסנן את הרעש‬ ‫נשתמש באופרטורים בגדלים שונים‪ ,‬ונשים לב ל‪ trade-off -‬הקיים בין גודל חלון‪ ,‬איכות סינון הרעש ושמירה‬ ‫על חדות התמונה המקורית‪.‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫פיתחו והריצו את הקובץ ‪ nrfiltdemo.m‬על מנת להגיע למסך האינטראקטיבי של ה‪DEMO-‬‬ ‫‪ .Noise Reduction Filtering‬את ה‪ demo-‬ניתן להוריד מן האתר של הניסוי )‪.(user=anat, passwd=anat‬‬ ‫ב‪.‬‬ ‫סינון ‪(Salt & Pepper) shot noise‬‬ ‫בחרו את התמונה ‪ .rice‬קיבעו את הרעש ל ‪ , Salt & Pepper‬עם צפיפות ‪ . 0.1‬בחרו מסנן מסוג‬ ‫‪ Median‬ו‪ . Averaging-‬לחצו על הכפתור ‪ Add Noise‬כדי ליצור את התמונה עם הרעש‪) .‬הקישו ‪Enter‬‬ ‫לאחר הזנת הערך החדש וודאו שהפעולה מתבצעת ‪ -‬לחיצה על הכפתור ‪ (.Apply Filter‬בדקו את‬ ‫תוצאת הסינון עם גרעיני מיצוע שונים )‪ 5x5 ,3x3‬ו ‪.(7x7‬‬ ‫הציגו את התוצאות‪ .‬איזה מסנן ואיזה גרעין מניב את התוצאות הטובות ביותר? מדוע?‬ ‫הציגו תוצאות עבור רעש ‪ ,Salt & Pepper‬צפיפות ‪ ,0.7‬מסנן חציון ‪ ,7x7‬התמונות ‪ Saturn‬ו‪.Rice -‬‬ ‫מה מסקנתכם לגבי מובנות התמונה המשוחזרת? האם יש קשר לגודל המסנן?‬ ‫‪‬‬ ‫ג‪.‬‬ ‫‪‬‬ ‫ד‪.‬‬ ‫‪‬‬ ‫ה‪.‬‬ ‫‪‬‬ ‫סינון רעש אדיטיבי גאוסי לבן‬ ‫בחרו את התמונה ‪ coins‬עם רעש גאוסי‪ .‬קיבעו את וריאנס הרעש ל ‪.0.01‬‬ ‫סננו את הרעש באמצעות ‪ Averaging Filter‬ו‪ Median Filter -‬עם גרעיני מיצוע שונים )‪ 5x5 ,3x3‬ו‬ ‫‪ (7x7‬והתרשמו מן ההבדלים בתוצאות‪.‬‬ ‫הציגו את התוצאות‪ .‬איזה מסנן שומר על שפות יותר טוב? מדוע?‬ ‫שחזור תמונה מטשטוש )מבוא לבעיות היפוך(‬ ‫טענו והציגו את התמונה ‪.cam_blur.tif‬‬ ‫נסו להעריך‪ ,‬איזה סוג של טשטוש עברה התמונה? כיצד יכול להתקבל טשטוש כזה באופן כללי?‬ ‫מצאו את מסנן הטשטוש שהופעל על התמונה )באופן הוריסטי(‪ .‬ודאו את תשובתכם באמצעות‬ ‫הפעלת המסנן על התמונה המקורית והשוואה איכותית לתמונה המטושטשת‪ .‬מהו המסנן שמצאתם?‬ ‫הפעילו על התמונה המטושטשת את הפונקציה ‪ deconvlucy‬עם המסנן שמצאתם בסעיף הקודם‪.‬‬ ‫מה אופי הבעיות התמונה המשוחזרת? האם היא מטושטשת? מה רמת האיכות בה?‬ ‫האם ניתן להשיג שחזור מושלם? באיזה תנאים? רמז‪ :‬ישנם הסברים בחומר הרקע באתר הניסוי‪.‬‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex4.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪12‬‬ ‫ניסוי ‪ – 5‬גילוי שפות‬ ‫מטרת הניסוי‬ ‫הפעלת אופרטורים שונים לגילוי שפות והשוואה ביניהם‪.‬‬ ‫הסבר הניסוי‬ ‫גילוי שפות הינו שלב קריטי בראיה ממוחשבת‪ .‬המעבר מאובייקט אחד למשנהו על‪-‬פי רוב הינו חד ומאפשר את‬ ‫הזיהוי של קו המתאר )‪ (contour‬של האובייקט‪ ,‬ועל‪-‬ידי כך את זיהויו הסופי‪ .‬מכיוון שאנו עוסקים בעיבוד‬ ‫תמונות‪ ,‬מטרתנו הינה לא לזהות את האובייקטים השונים אלא למצוא אופרטור שיציג באופן מדויק את‬ ‫השפות של האובייקטים השונים )וזו לא משימה טריוויאלית!(‪.‬‬ ‫במהלך הניסוי נציג תמונות שונות‪ ,‬ונפעיל עליהן אופרטורים שונים לגילוי שפות‪ .‬ננסה לבחון את היתרונות‬ ‫והחסרונות של כל אופרטור‪.‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫‪‬‬ ‫השפעת ערך הסף על השפות המתגלות‬ ‫בצעו גילוי שפות ע"י הרצת הקוד הבא באמצעות אופרטור ‪:Sobel‬‬ ‫;)'‪im=imread('rice.png‬‬ ‫;)'‪subplot(221);imshow(im);title('Original‬‬ ‫;)'‪imedge=edge(im,'SOBEL',0.05,'both‬‬ ‫‪subplot(222);imshow(imedge);title('SOBEL, Thresh=0.05, direction‬‬ ‫;)'‪=both‬‬ ‫;)'‪imedge=edge(im,'SOBEL',0.15,'both‬‬ ‫‪subplot(223);imshow(imedge);title('SOBEL, Thresh=0.15, direction‬‬ ‫;)'‪=both‬‬ ‫;)'‪imedge=edge(im,'SOBEL',0,'both‬‬ ‫;)'‪subplot(224);imshow(imedge);title('SOBEL, Thresh=0, direction =both‬‬ ‫פרטו אם בכל מקרה נתגלו כל השפות ‪,‬אם יש שפות שלא נתגלו‪ ,‬ואם נתגלו שפות באופן שגוי!‬ ‫הוסיפו את החלון של תוצאות ההרצה לדו"ח המסכם‪.‬‬ ‫ב‪.‬‬ ‫‪‬‬ ‫השפעת רוחב הגאוסיאן בחיפוש שפה מוחלקת‬ ‫עתה בצעו בצורה דומה גילוי שפות אך הפעם בעזרת אופרטור ‪ Canny‬וערך סף ‪ .threshold=0.2‬את‬ ‫סטיית התקן )‪ (Sigma‬קבעו ל‪ ,0.5-‬ל‪ 1-‬ול‪.5-‬‬ ‫;)'‪im=imread('rice.png‬‬ ‫;)'‪subplot(221);imshow(im);title('Original‬‬ ‫;)‪imedge=edge(im,'CANNY',0.2,0.5‬‬ ‫;)'‪subplot(222);imshow(imedge);title('CANNY, Thresh=0.1, Sigma =0.5‬‬ ‫;)‪imedge=edge(im,'CANNY',0.2,1‬‬ ‫;)'‪subplot(223);imshow(imedge);title('CANNY, Thresh=0.2, Sigma =1‬‬ ‫;)'‪Sigma =5‬‬ ‫;)‪imedge=edge(im,'CANNY',0.2,5‬‬ ‫‪subplot(224);imshow(imedge);title('CANNY, Thresh=0.2,‬‬ ‫שנו את הערכים של הסף ושל הסיגמה כך שתקבלו תוצאה אופטימלית לדעתכם‪ .‬פרטו האם נתגלו‬ ‫כל השפות ‪,‬אם יש שפות שלא נתגלו‪ ,‬ואם נתגלו שפות באופן שגוי!‬ ‫הוסיפו את החלון של תוצאות ההרצה לדו"ח המסכם‪.‬‬ ‫מה משמעות ערך ה‪ Sigma -‬ומדוע הוא משפיע על השפות? באיזה עוד אופרטורים לגילוי שפות‬ ‫בפונקציה ‪ edge‬יש השפעה של פרמטר זה?‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪13‬‬ ‫ג‪.‬‬ ‫‪‬‬ ‫ד‪.‬‬ ‫‪‬‬ ‫עתה בצעו גילוי שפות ע"י ‪ Canny‬בצורה דומה על תמונה טבעית‪ ,‬אותה תקבלו מן המדריך )ברירת‬ ‫מחדל‪ :‬טענו את התמונה ‪ saturn.gif‬שנמצאת במאגר תמונות שנמצא באתר הניסוי(‪ .‬נסו לבחור‬ ‫פרמטרים מתאימים‪.‬‬ ‫האם גלאי קצוות מזהה טוב בכל המקרים אוביקטים? מה הקשיים המתגלים?‬ ‫הוסיפו רעש גאוסי לבן עם סטיות תקן ‪ std_n=20‬וגם ‪) std_n=5‬לפי הסבר בניסוי ‪ .(3‬הפעילו את‬ ‫אופרטור ‪ . Canny‬נסו למצוא פרמטרים שיתנו תוצאות סבירות‪.‬‬ ‫;))‪noise=std_n*randn(size(im‬‬ ‫;)‪im_n=uint8(double(im)+noise‬‬ ‫הוסיפו את התוצאות לדו"ח‪ .‬מהי השפעת הרעש?‬ ‫ה‪.‬‬ ‫‪‬‬ ‫ו‪.‬‬ ‫‪‬‬ ‫ז‪.‬‬ ‫‪‬‬ ‫גילוי שפות כיווניות‬ ‫עתה בצעו גילוי שפות על התמונה ‪ circuit.tif‬עם אופרטור ‪ Sobel‬עם ערך סף של ‪ 0.05‬וכיווני גזירה‬ ‫שונים )‪.(Vertical Horizontal Both‬‬ ‫באיזו מסננת נעשה להערכתכם שימוש בכל אחד מן המקרים? רשמו את המטריצה המתאימה‪.‬‬ ‫מה היתרונות של אופרטור ‪ Sobel‬לעומת ‪ ?Canny‬וההפך? איזה גלאי קצוות עדיף?‬ ‫באופן כללי‪ ,‬האם קיים ערך סף כזה שיניב את כל השפות בהן אנו מעוניינים ורק אותן? נמקו!‬ ‫האם ההארה הממוצעת של תמונה קשורה לערך ‪ Sigma‬אופטימלי שייבחר? האם גודל אובייקט‬ ‫קשור ל‪ Sigma-‬אופטימלי? נמק‪.‬‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex5.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪14‬‬ ‫ניסוי ‪ – 6‬פעולות מורפולוגיות‬ ‫מטרת הניסוי‬ ‫ביצוע פעולות מורפולוגיות לעיבוי או הצרת תמונות ולסילוק אובייקטים לא רצויים‪.‬‬ ‫הסבר הניסוי‬ ‫פעולות מורפולוגיות הן פעולות המתבססות על צורות‪ .‬ערך של כל פיקסל בתמונת הפלט נקבע בעזרת שכניו‬ ‫של אותו הפיקסל בתמונת המקור‪ ,‬כאשר הסביבה ‪) neighborhood -‬מספר ומיקום השכנים הנלקחים בחשבון(‬ ‫נבנית בהתאם לאופי הפעולה‪ ,‬מטרתה ואופי תמונת המקור‪ .‬העצם המכיל את הסביבה ייקרא ‪structuring‬‬ ‫‪) element‬אלמנט הבנייה( והוא ייבנה בעזרת הפונקציה ‪.strel‬‬ ‫הרחבת התמונה ‪Image dilation -‬‬ ‫בפעולת ‪ dilation‬עבור תמונה בינארית‪ ,‬פיקסל בתמונת הפלט יהיה לבן )ערך הפיקסל יהיה ‪ (1‬אם לפחות אחד‬ ‫הפיקסלים בסביבה היה לבן )‪ .(1‬הסביבה נקבעת על ידי אלמנט הבנייה‪.‬‬ ‫עבור תמונה בגווני אפור‪ ,‬הפיקסל בתמונת הפלט יקבל את הערך המרבי בין כל הפיקסלים בסביבת פיקסל‬ ‫המקור‪) .‬הערה‪ :‬לצורך החישוב פיקסלים מעבר לגבולות התמונה נחשבים לשחורים‪ ,‬כלומר בעלי ערך ‪(.0‬‬ ‫הצרת התמונה ‪Image erosion‬‬ ‫הפונקציה פועלת בדומה לפונקצית הרחבת התמונה‪ ,‬אך הפעם ערך הפיקסל בתמונת הפלט הינו הערך הקטן‬ ‫ביותר בין כל הפיקסלים בשכונת פיקסל המקור )בתמונה בינארית‪ :‬אם רק אחד הפיקסלים בסביבה ‪ – 0‬אזי‬ ‫בתמונת הפלט הפיקסל יהפוך ל‪.(0-‬‬ ‫)הערה‪ :‬לצורך החישוב פיקסלים מעבר לגבולות התמונה נחשבים ללבנים‪ ,‬כלומר בעלי ערך ‪(.1‬‬ ‫פעולות משולבות‬ ‫הפעולות הנ"ל יכולות לשמש אותנו‪ ,‬בין השאר‪ ,‬למחיקת עצמים לא רצויים מתמונות‪ ,‬במידה והם נבדלים‬ ‫מהשאר בצורתם הגיאומטרית‪.‬‬ ‫העיקרון של סינון זה הוא להצר את התמונה עם אלמנט בנייה מתאים עד להיעלמות מוחלטת של העצמים‬ ‫הלא‪-‬רצויים ואח"כ בעזרת אותו האלמנט להרחיב את התמונה כדי להחזיר לשאר העצמים את הפיקסלים‪,‬‬ ‫שנעלמו בהצרה‪.‬‬ ‫‪screws circles removed‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪all but circles removed‬‬ ‫‪15‬‬ ‫‪original image‬‬ ‫תאור הניסוי‬ SE1  1 1 1 1 SE2  1 1 0 0  im  0  0 0 Dilation - ‫הדגמת הרחבת התמונה‬ 0 0 0 0 0 1 0 0  0 1 0 0  0 1 0 0 0 0 0 0  .‫א‬ :‫יצרו תמונה פשוטה ואלמנטי בנייה מן הסוג‬ im=zeros(5); im(2,3)=1; im(3,3)=1; im(4,3)=1 SE1=strel('arbitrary',[1 1 1]) out1=imdilate(im,SE1) SE2=strel('arbitrary',[1; 1; 1]) out2=imdilate(im,SE2) .‫שימו לב איך נראית התמונה )המטריצה( אחרי ביצוע הפעולה‬ 0 0  0 im   0 0  0 Erosion - ‫הדגמת הצרת התמונה‬ :‫יצרו תמונה פשוטה ואלמנטי בנייה מן הסוג‬ 0 0 0 0 0 1 1 1 1 0  1 1 1 1 0  1 1 1 1 0 1 1 1 1 0  0 0 0 0 0 .‫ב‬ im=ones(6); im(1,:)=0; im(6,:)=0; im(:,1)=0; im(:,6)=0 SE1=strel('square',3) out1=imerode(im,SE1) SE2=strel('pair', [2 2]) out2=imerode(im,SE2) .‫שימו לב איך נראית התמונה )המטריצה( אחרי ביצוע הפעולה‬ :‫פעולות משולבות‬ -‫ לאחר שימוש ב‬.‫בדוגמא הבאה מודגם שימוש באלמנט בנייה מותאם להעלמת אובייקט מסוג מסוים‬ .‫ג‬ ‫ על מנת לתקן אובייקטים שנפגמו‬dilation ‫ אנו מבצעים‬,‫ והעלמת כל האובייקטים הלא רצויים‬erosion .‫אך לא נמחקו ולהחזירם לגודלם הטבעי‬ :‫ וסננו פעם את כל האובייקטים חוץ מן העיגולים‬objects-bw.jpg ‫טענו את התמונה‬ im=imread('objects-bw.jpg'); figure(1); imshow(im,[]); title('original image'); SE1=strel('disk',20); eroded1=imerode(im,SE1); figure(2); imshow(eroded1,[]); title('eroded image'); final1=imdilate(eroded1,SE1); figure(3); imshow(final1,[]); title('all but circles removed'); :‫עתה סננו רק את הברגים עם הראשים‬ SE2=strel('diamond',6);eroded2=imerode(im,SE2); final2=imdilate(eroded2,SE2); figure(4); imshow(final2,[]); title('screws circles removed'); 16 ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪‬‬ ‫עתה טענו שוב את התמונה ‪ pieces.png‬ונסו להשתמש בפונקציות מורפולוגיות על מנת להעלים‬ ‫את הברגים בתמונה‪) .‬תחילה הפכו את התמונה לבינארית(‬ ‫שמרו את שורות הקוד והתוצאות לדו"ח המסכם‪ .‬באיזה אובייקט בנייה השתמשתם? מדוע?‬ ‫האם האיברים בתמונה החדשה דומים לאיברים בתמונה המקורית? מדוע?‬ ‫ד‪.‬‬ ‫ה‪.‬‬ ‫חיסור רקע לא אחיד‪:‬‬ ‫‪‬‬ ‫טענו שוב את התמונה ‪) rice.png‬שימו לב תמונה זו אינה בינארית אלא בעלת גווני אפור!( והעלימו‬ ‫את גרגירי האורז לחלוטין )רמז‪ :‬השתמשו באלמנט בנייה '‪.('disk‬‬ ‫אם הצלחתם להעלים את כל האובייקטים‪ ,‬התמונה שמתקבלת הינה תמונת הרקע הלא אחיד‪.‬‬ ‫עתה החסירו את הרקע מתמונת המקור‪.‬‬ ‫צרפו את התוצאות לדו"ח המסכם‪.‬‬ ‫מה התקבל? הסבירו מדוע זה שימושי )רמז‪ :‬היזכרו בתרגיל של חיתוך בסף(‪.‬‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex6.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪17‬‬ ‫חלק ב'‬ ‫ניסוי ‪ - 7‬מודל צבע ‪RGB‬‬ ‫מטרת הניסוי‬ ‫הכרת המודלים ‪ RGB‬ו‪ HSV -‬לייצוג הצבעים בתמונות‪ ,‬ואופן ייצוג תמונות צבע ב‪.MATLAB -‬‬ ‫הסבר הניסוי‬ ‫צופה אופיני יכול להבחין בערך בין ‪ 20‬עד ‪ 100‬רמות‪-‬אפור בו זמנית‪ .‬אם מוסיפים צבע‪ ,‬אזי הצופה יכול להבחין‬ ‫בין מספר גדול הרבה יותר של סוגי גוונים שונים‪ .‬אפשרות נוספת הגלומה בצבע היא בניתוח תמונות‪ ,‬כאשר‬ ‫הצבע הוא אחד המאפיינים החשובים של עצמים שונים‪.‬‬ ‫תמונות צבעוניות מתחלקות באופן כללי לשני סוגים‪ :‬הראשון‪ ,‬תמונות צבע אמיתיות )‪ Full Color‬או ‪True‬‬ ‫‪ ,(Color‬הנובעות מאמצעי רכישת תמונה צבעוני )כמו מצלמת וידאו ציבעונית‪ ,‬או סורק צבעוני(‪ ,‬והן מכילות‬ ‫שלושה רכיבים )‪ (bands‬לתאור הצבע‪ .‬הסוג השני‪ ,‬הנקרא ‪ ,pseudo-color‬הן תמונות בהן כל פיקסל הוא למעשה‬ ‫אינדקס בטבלת צבעים‪ .‬תמונה זו מיוצגת לכן על ידי ערכי האינדקסים וטבלת הצבעים )‪.(LUT - look up table‬‬ ‫בניסוי זה נציג תמונה צבעונית המורכבת משלושת רכיבי הצבע‪ ,RGB -‬ונציג כל אחד מהרכיבים בנפרד‪ .‬בהמשך‬ ‫נשתמש בקואורדינאטות ‪ HSV‬להדגשת אובייקטים על פי גווני צבע‪.‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫‪‬‬ ‫הריצו את הקוד הבא )במקום להעתיק‪ ,‬ניתן ניתן להוריד מאתר הניסוי את הקובץ ‪:(ex7a.m‬‬ ‫;)'‪im=imread('peppers.png‬‬ ‫)התמונה כלולה ב‪(MATLAB-‬‬ ‫‪hsv=rgb2hsv(im); % Convert from RGB model to HSV model‬‬ ‫'‪imnew=im; % Copy the image 'im' to another variable 'imnew‬‬ ‫‪% 'him' = H image 'sim' = S image 'vim' = V image‬‬ ‫;)‪him=hsv(:,:,1); sim=hsv(:,:,2); vim=hsv(:,:,3‬‬ ‫;)‪red=im(:,:,1);green=im(:,:,2);blue=im(:,:,3‬‬ ‫;)‪figure(3‬‬ ‫;)'‪subplot(3,4,1);imshow(im);title('Original RGB Image‬‬ ‫;)'‪subplot(3,4,2);imshow(red);title('R (Red) of RGB Image‬‬ ‫;)'‪subplot(3,4,3);imshow(green);title('G (Green) of RGB Image‬‬ ‫;)'‪subplot(3,4,4);imshow(blue);title('B (Blue) of RGB Image‬‬ ‫;)'‪subplot(3,4,5);imshow(hsv);title('Original in HSV coordinates‬‬ ‫;)'‪subplot(3,4,6);imshow(him);title('H (Hue) of Image‬‬ ‫;)'‪subplot(3,4,7);imshow(sim);title('S (Saturation) of Image‬‬ ‫;)'‪subplot(3,4,8);imshow(vim);title('V (Value) of Image‬‬ ‫‪subplot(3,4,10);imshow((him>0.95)|(him<0.05));title('0<Hue<0.05 or‬‬ ‫;)'‪0.95<Hue<1‬‬ ‫;)'‪subplot(3,4,11);imshow(sim>0.5);title('Saturation > 0.5‬‬ ‫;)'‪subplot(3,4,12);imshow(vim>0.5);title('Value > 0.5‬‬ ‫הסבירו כל אחת מן התמונות‪ .‬מה המשמעות של התמונה בצבעים המוזרים )‪ ?(HSV‬הסבירו את‬ ‫שלושת התמונות התחתונות‪ .‬מדוע הערכים של ‪ HUE‬אינם רציפים בגווני אדום?‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪18‬‬ ‫ב‪.‬‬ ‫הריצו את הקוד הבא )במקום להעתיק‪ ,‬ניתן ניתן להוריד מאתר הניסוי את הקובץ ‪:(ex7b.m‬‬ ‫;‪close all; clear all; clc‬‬ ‫;)'‪im = imread('peppers.png‬‬ ‫;‪figure(1); imshow(im); impixelinfo‬‬ ‫‪hsv=rgb2hsv(im); % Convert from RGB model to HSV model‬‬ ‫;)‪h=hsv(:,:,1‬‬ ‫;)‪s=hsv(:,:,2‬‬ ‫;)‪v=hsv(:,:,3‬‬ ‫;)'‪figure(2);imshow(h);impixelinfo;title('H‬‬ ‫;)'‪figure(3);imshow(s);impixelinfo;title('S‬‬ ‫;)'‪figure(4);imshow(v);impixelinfo;title('V‬‬ ‫;))‪red_mask=((h>=0.9) | (h<0.1‬‬ ‫;‪h(red_mask)=0.18‬‬ ‫;‪hsv(:,:,1)=h‬‬ ‫;)‪newcolor = hsv2rgb(hsv‬‬ ‫;‪figure(8); imshow(newcolor); impixelinfo‬‬ ‫ג‪.‬‬ ‫‪‬‬ ‫קבלו תמונה צבעונית מן המדריך והחליפו צבעים בתמונה לפי הנחיית המדריך‪.‬‬ ‫שימו לב‪ ,‬ניתן להשתמש גם בערכים של ‪ saturation‬ו‪ value -‬ולא רק של ‪ .hue‬לדוגמא‪:‬‬ ‫צרפו לדו"ח את התמונה בה "צבעתם מחדש" חלק מן הפיקסלים‪ .‬הסבירו מה שיניתם ואיך‪.‬‬ ‫איך משפיעה השתנות ערך ה‪) saturation -‬ב‪ (HSV-‬על אופי התמונה ב‪?RGB-‬‬ ‫ד‪.‬‬ ‫‪‬‬ ‫קראו את ה‪ help -‬של הפונקציה ‪ .rgb2ycbcr‬הפעילו את הפונקציה על התמונה הצבעונית המקורית‬ ‫שקיבלתם בסעיף הקודם‪.‬‬ ‫;)‪ycbcr = rgb2ycbcr(rgb‬‬ ‫שנו את הערכים והפעילו חיתוך בסף בכל ערוץ בנפרד באופן חופשי‪ .‬בחנו את התוצאות המתקבלות‪.‬‬ ‫השתמשו בפונקציה ההופכית ‪ ycbcr2rgb‬לצורך חזרה למרחב המקורי והצגת התמונה‪.‬‬ ‫מה לדעתכם מייצג כל ערוץ במודל הצבע ‪ ?ycbcr‬איזה מהערוצים הוא החשוב ביותר?‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex7.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪19‬‬ ‫ניסוי ‪ - 8‬מיצוי מאפייני ם‬ ‫מטרת הניסוי‬ ‫להכיר מאפיינים שונים של תבניות בתמונה‪ ,‬ולהבין את התועלת שבמעבר ממרחב התמונה למרחב המאפיינים‬ ‫)‪.(feature space‬‬ ‫הסבר הניסוי‬ ‫מערכות ניתוח והבנת תמונה מורכבות בדרך כלל משלושת השלבים הבאים‪:‬‬ ‫‪ ‬עיבוד מקדים )‪.(Pre-processing‬‬ ‫‪ ‬מיצוי מאפיינים )‪.(Feature extraction‬‬ ‫‪ ‬סיווג )‪.(Classification‬‬ ‫שלב העיבוד המקדים כולל שלבים של עיבוד תמונה ברמת הפיקסל )למשל סינון רעשים וחיתוך בסף(‪ ,‬ולאחר‬ ‫מכן פעולת סגמנטציה ו‪) Labeling -‬הפרדה לאובייקטים וסימונם(‪ .‬שלב מיצוי המאפיינים אחראי על הפקת‬ ‫ערכי תכונות עבור כל סגמנט )אובייקט(‪.‬‬ ‫בניסוי זה נעבד תמונה בינארית המכילה מספר עצמים שונים‪ :‬בתמונה נמצאים מספר ברגי‪-‬וו‪ ,‬מסמרים ו‪T- -‬‬ ‫‪ .pins‬נתחיל עם ביצוע ‪ Labeling‬של התמונה‪ .‬לאחר מכן נפיק מספר מאפיינים מספריים עבור כל סגמנט‪ .‬ננסה‬ ‫לראות כיצד ניתן להבחין בין הסגמנטים תוך שימוש במידע שהתקבל‪ .‬לצורך כך נשתמש בפונקצית ‪MATLAB‬‬ ‫בשם ‪.regionprops‬‬ ‫תאור הניסוי‬ ‫א‪.‬‬ ‫‪‬‬ ‫טענו את התמונה ‪ pieces-bw.bmp‬והציגו אותה‪.‬‬ ‫בצעו ‪ Labeling‬לתמונה והציגו את התוצאה )כולל ‪(impixelinfo‬‬ ‫רנדומאלית‪.‬‬ ‫;)‪C = bwconncomp(pic‬‬ ‫;)‪label = labelmatrix(C‬‬ ‫;)‪figure(2); imshow(label‬‬ ‫;)'‪title('labeled image‬‬ ‫;‪impixelinfo‬‬ ‫צרפו את התמונות לדו"ח‪.‬‬ ‫ב‪.‬‬ ‫תוך שימוש במפת הצבעים‬ ‫נחשב את כל המידע האפשרי בפקודת ‪ regionprops‬ע"י הקשת‪:‬‬ ‫‪‬‬ ‫)'‪stats = regionprops(label,'all‬‬ ‫בחרו אובייקט אחד בתמונה‪ ,‬רשמו את מספרו והציגו את המאפיינים שלו‪ ,‬לדוגמא‪:‬‬ ‫)‪obj = stats(23‬‬ ‫צרפו את המידע לדו"ח‪.‬‬ ‫ג‪.‬‬ ‫‪‬‬ ‫עתה נבחן את המאפיינים ‪ MajorAxisLength‬ו‪ MinorAxisLength -‬של הסגמנטים על גרף אחד‪.‬‬ ‫הקלידו‪:‬‬ ‫;]‪xx = [stats.MajorAxisLength‬‬ ‫;]‪nn = [stats.MinorAxisLength‬‬ ‫מה התקבל? הוסיפו לדו"ח המסכם‪ .‬מה המסקנה?‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪20‬‬ ‫)‪figure(3‬‬ ‫;)'‪plot(xx,nn,'o‬‬ ‫;)'‪title('status plot‬‬ ‫;)'‪xlabel('stats.MajorAxisLength‬‬ ‫;)'‪ylabel('stats.MinorAxisLength‬‬ ‫ד‪.‬‬ ‫‪‬‬ ‫ה‪.‬‬ ‫‪‬‬ ‫הציעו שני צירופים שונים של מאפיינים אחרים אשר מסוגלים להפריד בצורה טובה בין‬ ‫האובייקטים‪ .‬בדקו שאכן מתקבלת הפרדה והציגו גרפים דומים לנ"ל‪ .‬הסבירו‪.‬‬ ‫אם היינו מסובבים את התמונה ב‪ 90 -‬מעלות‪ ,‬כיצד היו משתנות התוצאות?‬ ‫האם המאפיינים שהפרידו בצורה טובה את האובייקטים בדוגמא הנ"ל יתאימו בהכרח גם לתמונה‬ ‫אחרת כלשהי? הסבירו!‬ ‫שאלות דו"ח מסכם‬ ‫יש לענות בכתב על כל השאלות המסומנות ‪ ‬לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex8.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪21‬‬ ‫ניסוי ‪ – 9‬משימות עצמאיות‬ ‫מטרת הניסוי‬ ‫במשימה זו תשתמשו בכלים של עיבוד וניתוח תמונה אותם למדנו בתרגילים הקודמים על מנת לבצע משימות‬ ‫של ראייה ממוחשבת‪.‬‬ ‫משימה ‪1‬‬ ‫הסבר הניסוי‬ ‫טענו את תמונת גרגירי האורז‪ .‬משימתנו היא לחשב את הגודל )השטח( הממוצע של גרגיר אורז בצורה מדוייקת‬ ‫ואמינה ככל האפשר‪.‬‬ ‫הדרכה‪:‬‬ ‫א‪ .‬הפכו את התמונה לבינארית )שימו לב לרקע הלא אחיד של התמונה(‪ ,‬בצעו ‪ Labeling‬והציגו את התוצאה‬ ‫במפת צבעים רנדומאלית‪ .‬חשבו ע"י פקודת ‪ regionprops‬שטח של גרגיר אחד אופייני )שטח = מספר‬ ‫פיקסלים הכלולים בגרגיר(‪ .‬מה גודל הגרגיר שבחרתם? הוסיפו את התמונה לדו"ח הסופי‪.‬‬ ‫ב‪ .‬הורידו מהתמונה גרגירי אורז לא רצויים אשר יפריעו לחישוב מדויק של השטח‪ .‬יש להוריד גרגירים חלקיים‬ ‫או חתוכים וגם גרגירים מחוברים‪ .‬רמז‪ :‬הגרגירים החתוכים צמודים לשפות התמונה‪.‬‬ ‫ג‪ .‬חשבו את השטח הממוצע של הגרגירים שנשארו‪.‬‬ ‫הסבירו את השיטה בה בחרתם להורדת הגרגירים הלא רצויים ואת השיקולים לבחירתה‪.‬‬ ‫האם ישנן דרכים אחרות לעשות זאת?‬ ‫שלבו בדו"ח את התמונה של הגרגירים שנשארו לחישוב הסופי עם מפת צבעים רנדומאלית‪.‬‬ ‫מה השטח הממוצע המדויק שהתקבל?‬ ‫האם יש שיטה אחת ויחידה לחישוב מדוייק של גודל הגרגרים? הסבירו‪.‬‬ ‫האם ניתן להבטיח ששיטת החישוב שלכם תעבוד בכל פעם שמצלמים תמונת אורז מחדש? מה עלול‬ ‫להשתבש?‬ ‫יש לענות בכתב על כל השאלות לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex9a.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪22‬‬ ‫משימה ‪2‬‬ ‫הסבר הניסוי‬ ‫במשימה זו ננסה לחלץ את לוחית הרישוי מתמונות של מכוניות פרטיות‪ .‬לדוגמא‪:‬‬ ‫כתבו קוד ‪ MATLAB‬אשר טוען תמונה‪ ,‬ומחזיר תמונה של הלוחית בלבד על רקע שחור‪ .‬את הלוחית יש לגזור‬ ‫בצורתה הטבעית )כלומר בלי לבצע שינוי בפיקסלים השייכים ללוחית(‪.‬‬ ‫הריצו את הקוד שלכם על חמשת התמונות הראשונות ‪ plate01-plate05‬בלבד )הקישור הראשון( וודאו שהקוד‬ ‫עובד היטב עבור חמשת התמונות הללו‪ .‬לצורך ביצוע המשימה‪ ,‬תכננו תחילה את שיטת העבודה וקבלו את‬ ‫אישור המדריך לאלגוריתם‪ .‬לאחר מכן ממשו ב‪ .MATLAB-‬שימו לב! למרות שהקוד מיועד לחמשת התמונות‬ ‫הראשונות‪ ,‬עדיין יש צורך לתכנן אלגוריתם כללי ככל האפשר‪ ,‬כדי שיהיה סיכוי להפעילו גם על תמונות נוספות‪.‬‬ ‫הציגו את התוצאה למדריך וקבלו את אישורו‪ .‬ישנן מספר דרכים וגישות על מנת לפתור בעיה זו‪.‬‬ ‫הצעה לדרך פעולה‪:‬‬ ‫‪ ‬תחילה בנו מסכה בצורה של מטריצת אחדים ואפסים‪ ,‬כאשר האחדים מייצגים את הפיקסלים שאותם‬ ‫רוצים לגזור מן התמונה המקורית ואילו האפסים מייצגים את הפיקסלים אותם רוצים להשחיר‪.‬‬ ‫דוגמא ליצירת מסכה‪ :‬אם ‪ him‬היא תמונת ה‪ hue-‬של תמונה צבעונית‪ ,‬אזי הפקודה ‪mask=him>=0.5‬‬ ‫מייצרת מסיכה של כל הפיקסלים בעלי ערך ‪ hue‬גדול מחצי‪.‬‬ ‫‪ ‬לצורך מציאת הפיקסלים הרצויים‪ ,‬ניתן להשתמש במידע על צבע הלוחית‪.‬‬ ‫‪ ‬סביר שתקבלו אחרי סינון ראשוני על פי הצבע גם אובייקטים )או פיקסלים בודדים( לא רצויים‪ .‬הפעילו‬ ‫סינון נוסף על מנת להעלים פיקסלים\אובייקטים אלה‪) .‬רמז‪ :‬גודל האוביקט‪ ,‬פונקציות מורפולוגיות‪,‬‬ ‫סינון רעשים‪(...,‬‬ ‫‪ ‬לבסוף‪ ,‬אחרי שקיבלתם מסכה מושלמת לדעתכם‪ ,‬הלבישו את המסכה על התמונה המקורית‪ .‬שימו לב‪,‬‬ ‫לתמונה המקורית ‪ 3‬מימדים של צבע ואילו למסכה רק ערך בודד בכל פיקסל‪ .‬ניתן להשתמש בקוד‬ ‫הבא‪:‬‬ ‫‪mask=uint8(mask); % Must convert logic values to integer for calculation‬‬ ‫‪im(:,:,1)=im(:,:,1).*mask; % Mask red values‬‬ ‫‪im(:,:,2)=im(:,:,2).*mask; % Mask green values‬‬ ‫‪im(:,:,3)=im(:,:,3).*mask; % Mask blue values‬‬ ‫בסיום‪ ,‬הריצו את הקוד שלכם על התמונות הנוספות בקישור השני וצרפו את התוצאות לדו"ח‪.‬‬ ‫שימו לב! אין צורך לתקן או לשפר את האלגוריתם כך שיצליח גם על התמונות מהקישור השני‪.‬‬ ‫הסבירו באופן מפורט את האלגוריתם שפיתחתם‪ .‬הציגו את התוצאות המתקבלות על חמשת התמונות‬ ‫הראשונות וכן על חלק מהתמונות הנוספות‪ .‬הסבירו מדוע הקוד לא מזהה נכון את הלוחיות בתמונות‬ ‫הנוספות ורשמו כמה שיותר בעיות שעולות מתמונות אלו‪ .‬הציעו רעיונות לפתרונות אפשריים‪.‬‬ ‫יש לענות בכתב על כל השאלות לעיל ולצרף את התמונות והגרפים הרלוונטיים‪.‬‬ ‫שמרו את קטעי הקוד שכתבתם בקובץ ‪.ex9b.m‬‬ ‫ניסוי מבוא לעיבוד וניתוח תמונות‬ ‫‪23‬‬