Zpracování obrazu

Některé zpracování obrazu je nutno udělat už během jeho snímání, nejčastěji je to zapotřebí pro interaktivní a opakované nastavování parametrů měření. Použité algoritmy mají zpravidla řádkový charakter a mohou zahrnovat následující procesy:

• zvýšení dynamického rozsahu zobrazení — výstup má zpravidla 256 úrovní (které jsou volitelně zobrazeny pseudobarvami ze zvolené palety), aby se využilo všech dostupných hodnot, provádí se přepočet hodnot b_ij^∗=C[b_ij-(A+Bi)], který daty prokládá přímku zvolenou tak, aby hodnoty b_ij^∗ pokryly interval ⟨0,255⟩ (b_ij definovaným způsobem závisí na naměřených hodnotách a_ij), parametry A, B se odhadují např. metodou nejmenších čtverců;
• diskrétní Fourierova transformace řádku pro vyhledání periodicity;
• výpočet střední hodnoty šumu 1/N√(∑[b_ij-̄b_j]²), kde ̄b_j je střední hodnota v řádku;
• digitální filtrace v reálném čase, odstraní se vibrační a akustické šumy;
• softwarové průměrování pro dosažení lepšího odstupu od šumu;
• proložení roviny naměřenými daty, aby se rovina povrchu jevila kolmá k hrotu, z_rovina=αi+βj+γ, tato operace vyžaduje znalost více řádků a během měření bývá prováděna vždy po několika řádcích;

Jen málokdy jsou získané obrazy tak kvalitní, aby mohly být použity přímo, ale je nutné jejich „vylepšení“. Případně je zapotřebí v datech nějakou informaci zvýraznit. Proto se používají metody zpracování obrazu (image processing), které lze přibližně rozdělit do tří kategorií:

1. přímá úprava dat se používá pro odstranění hrubých artefaktů vznikajících náhodně v průběhu měření, případně pro odstranění částí obrazu.
2. zvýšení vizuální hodnoty nemění vlastní data, jenom ovlivňuje jejich prezentaci – jedná se o použití prostorových modelů, vhodnou volbu palety pseudobarev, použití stínování, změnu jasu a kontrastu, popř. zobrazování profilů podél zvoleného směru.
3. transformace dat a získávání informací – může se jednat o úpravy primitivní (softwarové zvětšování, rotace, …) i složitější (např. korekce nelinearit). Například se jedná o aritmetické operace mezi dvěma obrazy (násobení pro aplikaci masky, odečítání pro kompenzaci topografie v LFM), korekce pozadí či různé druhy filtrací (zvýraznění studovaného jevu). Mezi informačními metodami lze uvést charakterizaci drsnosti povrchu, určení fraktální dimenze či distribuce velikostí částic.

Při aplikaci zpracování se nejprve provedou metody z první skupiny, protože nikterak nesouvisí se studovaným fyzikálním jevem, a pak se ve vhodném pořadí aplikují metody ze zbývajicích skupin.

Uveďme dvě metody z druhé skupiny. Jedním ze způsobu zvýraznění struktury je ekvalizace histogramu. V naměřeném obraze jsou vždy některé výšky zastoupeny častěji a není tak plně využit dynamický rozsah použité stupnice. Původní obraz má nejmenší informační hodnotu v případě, kdy jsou v obraze zastoupeny dvě vzdálené výškové hladiny (kupř. zobrazení výškového schodu nebo nečistoty), v takovém případě se veškerá struktura „krčí“ v úzkém intervalu kolem uvedených výšek a není viditelná. Pokusíme-li se rozložit výšky rovnoměrněji po stupnici (ideálem je konstantní histogram), obraz získá na informační hodnotě.

Druhým způsobem je ořezání histogramu, které se provádí mapováním všech hodnot menších než zvolené minimum na 0, větších než zvolené maximum na 255 a ostatní hodnoty se přepočítají dle vztahu a_ij′=(a_ij-min)∗(255)/(max-min). Příkladem mohou být následující obrázky, které zobrazují povrch skla a jeho histogram před ořezáním, po ořezání a uprostřed je bíle vyznačena část histogramu, která byla ponechána (rozsah min, max).

Ke zvýraznění periodických struktur lze použít metody středování. Obsahuje-li jeden obraz více stejných periodických obrazců, je možné provést jejich sečtení, čímž dojde k účinnému potlačení náhodného šumu. Bohužel se aplikací sníží velikost použitelného obrazu. Podobně si však můžeme pomoci, máme-li několik obrázků téhož místa (vícenásobné skenování bez přerušení). Pak můžeme využít aritmetických operací a všechny obrazy sečíst dohromady, opět dojde k snížení náhodného šumu.

Použití ořezání je výhodné také pro zvýraznění morfologie částic. Vlivem konvoluce totiž nejsou okraje a přechody ostré, ale zaoblené. Udělá-li se však řez rovinou rovnoběžnou s povrchem vzorku, na průřezu tvar částice lépe vynikne.

Metody zmíněné dříve jsou vhodné pro vzorky s rovným pozadím. Je-li pozadí značně nerovné, je lepší provést odečtení pozadí. Problémem však je neznalost přesného pozadí, které musíme z obrazu odhadnout. Symbolicky se odhad provádí rolováním kuličky^† se zvoleným poloměrem ze „spodní“ strany trojrozměrného modelu obrazu, přičemž se snažíme kuličku protlačit co „nejvýše“. Sledováním polohy středu kuličky získáme mapu pozadí, kterou pak od obrazu odečteme. Výsledkem je zvýraznění drobných rysů na různě zakřivených površích, např. studujeme-li drsnost povrchu sféry, nezajímá nás topografie plynoucí ze zakřivení sféry. Pro dobrý výsledek je nutné, aby obraz neobsahoval čárové artefakty, které se také zvýrazňují. Na obrázku je metoda aplikována na vzorek nanočástic s cílem zvýšit „kontrast“ (velikost skenu je 500 nm, poloměr kuličky 50 nm). Je vidět, že operace pozadí vyrovnala, např. zmizel světlejší pruh v dolní části obrazu (pokud by však byl přechod skokový, zůstala by po něm v obraze čára).

Další často užívanou metodou zpracování je filtrace pomocí Fourierovy transformace (FFT). Provádí se buď jednorozměrná nebo dvojrozměrná a slouží především k odstranění nežádoucích frekvencí v obraze, např. zašumění. Dvojrozměrnou lze provádět jako směrově nezávislou či závislou (v prvním případě se mění frekvence jen v závislosti na vzdálenosti od nulové polohy, např. vymazání oblasti mezikruží). Druhá volba může struktury v obraze tvarově deformovat, ale také odstranit proužkování přítomné v obraze (např. kolmo na řádky z důvodu nestability polohy hrotu). Na obrázku je ukázáno vyhlazení nanočástic pomocí FFT, které zčásti odstraňuje kmitání, ke kterému docházelo během měření. Filtrace obecně musí být používány velmi opatrně, protože snadno vytváří falešné struktury, především periodické.