4.1. ПРОЦЕССЫ ИДЕАЛЬНОЙ ДИСКРЕТИЗАЦИИ И ВОССТАНОВЛЕНИЯ НЕПРЕРЫВНЫХ ИЗОБРАЖЕНИЙ
При разработке и анализе систем
дискретизации и восстановления непрерывных изображений обрабатываемые
изображения обычно принято рассматривать как детерминированные поля. Однако в
некоторых случаях удобнее предполагать, что входной сигнал системы обработки
изображений (особенно шумового происхождения) является реализацией двумерного
случайного процесса. Ниже при анализе методов дискретизации и восстановления
непрерывных изображений используются оба этих подхода.
4.1.1. ДИСКРЕТИЗАЦИЯ ДЕТЕРМИНИРОВАННЫХ ИЗОБРАЖЕНИЙ
Пусть
функция
описывает
исходное непрерывное изображение бесконечных размеров, представляя
распределение яркости, оптической плотности или какого-либо другого параметра
реального изображения. В идеальной системе дискретизации изображений
пространственные отсчеты исходного изображения получаются фактически путем перемножения
этой функции с пространственно-дискретизирующей функцией
(4.1.1)
состоящей
из бесконечного числа дельта-функций, заданных в узлах решетки с шагом
, как
показано на рис. 4.1.1. Тогда дискретизованное изображение описывается
соотношением
(4.1.2)
в
котором учитывается, что функцию
можно внести под знак суммирования и
задать ее значения только в точках отсчета
. Для анализа процесса дискретизации
удобно использовать спектр
получаемый в результате непрерывного
двумерного преобразования Фурье дискретизованного изображения
(4.1.3)
Рис. 4.1.1. Набор дельта-функций, осуществляющих
дискретизацию изображений.
Согласно
теореме о спектре свертки, спектр дискретизованного изображения можно
представить в виде свертки спектра исходного изображения
и спектра дискретизирующей
функции
,
т. е.
(4.1.4)
Двумерное
преобразование Фурье дискретизирующей функции дает в результате бесконечный
набор дельта-функций в плоскости пространственных частот с шагом
и
[4, стр. 22], т.е.
(4.1.5)
Будем
предполагать, что спектр исходного изображения ограничен по ширине так, что
при
и
. Вычисляя свертку
согласно равенству (4.1.4), найдем
(4.1.6)
Меняя
порядок операций суммирования и интегрирования и учитывая основное свойство дельта-функций,
получаем выражение для спектра дискретизованного изображения
(4.1.7)
Как
показано на рис. 4.1.2, спектр дискретизованного изображения получается путем
бесконечного повторения спектра исходного изображения со сдвигом на величины,
кратные
.
Следует отметить, что если
и
выбраны слишком большими по сравнению
с шириной спектра
, то соседние спектры будут
перекрываться друг с другом.
Из
отсчетов функции
можно
получить непрерывное изображение путем линейной пространственной интерполяции
или с помощью линейной пространственной фильтрации дискретизованного
изображения. Пусть
есть импульсный отклик интерполирующего
фильтра, а
-
его частотная характеристика. Восстановленное изображение получается как
свертка последовательности отсчетов с импульсным откликом восстанавливающего
фильтра. Таким образом, восстановленное непрерывное изображение описывается
соотношением
(4.1.8)
Подставляя
из
равенства (4.1.2) и вычисляя свертку, получаем
(4.1.9)
Отсюда
видно, что импульсный отклик
выполняет роль двумерной функции,
интерполирующей отсчеты на всю плоскость. Пространственно-частотный спектр
изображения, восстановленного согласно равенству (4.1.8), есть произведение
частотной характеристики восстанавливающего фильтра со спектром дискретизованного
изображения, т. е.
(4.1.10)
С
учетом равенства (4.1.7) получаем
(4.1.11)
Рис. 4.1.2. Типичный спектр дискретизованного изображения: а
- исходное изображение; б - дискретизованное изображение.
Из
этого выражения видно, что если спектры не перекрываются, а множитель
подавляет все
сдвинутые спектры при
, то спектр восстановленного
непрерывного изображения будет совпадать со спектром исходного изображения и
поэтому изображения также будут одинаковыми. Для изображений с ограниченной
шириной спектра первое условие выполняется, если интервал дискретизации выбран
так, что прямоугольная область, ограниченная верхними граничными частотами
спектра изображения
, лежит внутри прямоугольной области,
определяемой половинами частот дискретизации
. Следовательно, должны выполняться
неравенства
(4.1.12а)
или
,
. (4.1.12б)
Это
означает, что шаг дискретизации не должен превышать половины периода
пространственной гармоники, соответствующей самым мелким деталям изображения.
Это условие эквивалентно теореме о дискретизации одномерных сигналов, в которой
сформулировано требование, что частота дискретизации должна хотя бы вдвое
превышать наивысшую частоту спектра сигнала. Если соотношения (4.1.12)
выполняются со знаками равенства, то изображение дискретизуется с
найквистовской (в отечественной литературе это положение известно как теорема
Котельникова) частотой; если
и
меньше или больше, чем требуется по
критерию Найквиста, то говорят, что изображение дискретизуется с избыточной или
недостаточной частотой.
В тех
случаях, когда пространственная частота дискретизации изображения достаточна
для устранения наложения спектров в дискретизованном изображении, исходное
изображение можно абсолютно точно восстановить путем пространственной фильтрации
отсчетов с помощью соответствующего фильтра. Так, например, фильтр, частотная
характеристика которого приведена на рис. 4.1.3 и описывается выражениями
при
и
(4.1.13а)
в остальных случаях, (4.1.13б)
где
- масштабная
постоянная, удовлетворяет условию точного восстановления, если
и
. Функция рассеяния
точки (или импульсный отклик) данного восстанавливающего фильтра имеет вид
(4.1.14)
При
использовании этого фильтра изображение восстанавливается с помощью бесконечной
суммы функций вида
. Другим фильтром, пригодным для
восстановления изображений, является «круговой» фильтр с частотной
характеристикой (рис. 4.1.3, б)
при
(4.1.15а)
в остальных случаях, 4.1.15б)
Рис. 4.1.3. Фильтры для восстановления дискретизованных
изображений: а - прямоугольный; б - круговой.
если
Импульсный отклик
такого фильтра имеет вид
(4.1.16)
где
- бесселева функция первого порядка.
Существует много восстанавливающих фильтров (или соответствующих
интерполяционных функций), которые можно использовать для восстановления
изображений. Однако на практике в цифровой системе воспроизведения изображений
часто бывает сложно реализовать оптимальный восстанавливающий фильтр. Одна из
практических трудностей состоит в том, что обычные интерполяционные функции
[например, заданные равенствами (4.1.14) и (4.1.16)] принимают не только
положительные, но и отрицательные значения, хотя функции, описывающие
восстановленные изображения, строго положительны. Такие интерполяционные
функции нельзя сформировать оптическими средствами и, следовательно, не
удается восстановить изображения путем последовательного их взвешивания и
сложения. Ричардс [6] нашел семейство интерполяционных функций, которые можно
применить для последовательной оптической интерполяции, поскольку их большие
значения положительны.