Bild Verarbeitung Grundlagen

Wenn tun optical imaging, es ist immer eine bestimmte "Schmieren" des resultierenden Bildes im Vergleich zu was ist abgebildet wird. Diese Verschlechterung des Bildes kann charakterisiert werden von erklären, was das imaging-System zu einem einzigen Punkt bedeutet, das heißt, wie es schmiert dahin aus. Eine Funktion charakterisieren dies ist bekannt als ein Punkt Funktion (Psf Spread).

Im obigen Applet image wir zwei Punkte (oder mindestens zwei Point-ähnliche Quellen.) Wie wir in der unteren Hälfte des Applets sehen können, sind die Quellen aus (mit einem Psf mit einer bestimmten Breite) verschmiert. Je größer die Psf, die weiter auseinander zwei Punkte müssen für uns zu können sie visuell in das Bild zu trennen sein. Der obere Teil des Applets zeigt eine 1 D-Funktion des Center-Segments des Bildes. In einem klassischen imaging System, egal wie gut wir das Bild konzentrieren oder optimieren die Linse verursacht Beugung eine bestimmte Breite Form der PSF und Wenn wir diesen Diffraction Effekt allein angehen, können wir einen analytischen Ausdruck für den Mindestabstand zwischen Point-Quellen erhalten, die aufgelöst werden kann.

Ein typischer Ansatz zum Speichern von einem Bild Digital auf einem Computer, ist durch das Bild in einem rechteckigen Raster Stichproben. Die Farbe oder Intensität, an jedem dieser Punkte in einen numerischen Wert konvertiert und im Computer gespeichert. Abgesehen von der Farbe/Intensität an diesen spezifischen Punkten ist alles andere verworfen, wenn das Bild im Computer gespeichert wird.

Wenn diese digitale Bild anzeigen, bilden wir wieder ein kontinuierliches Bild durch Interpolation zwischen den gespeicherten Proben. Eine Möglichkeit, die Interpolation zu tun ist zu sagen, dass für jeden Punkt ('continuous'), wir lediglich den Wert an die nächste Probe wählen. Dies ist bekannt als nächste Nachbar Interpolation und veranlasst jede Probe digitale Bild auf dem Bildschirm als scharf definierte Quadrat gezeichnet werden. Bilineare oder höherer Ordnung Interpolation führt kontinuierliche, glatter und 'richtiger' Bildrekonstruktion.

Unabhängig vom rekonstruieren, wie wir des Bildes, wenn wir nicht genug digitale Samples verwenden, d. h. nicht genügend Proben pro Bildbereich, wir können nicht das kontinuierliche Originalbild zu rekonstruieren. In diesem Fall enthält das digitale Bild nicht die gleiche Informationen wie das ursprüngliche Bild. Der räumliche Frequenz Inhalt des ursprünglichen Bildes führt zu anderen räumlichen Frequenz Inhalt in das digitale Bild. Dies nennt Aliasing.

Um das Originalbild zu rekonstruieren zu können (d. h. zu vermeiden Aliasing), müssen wir mit einer räumlichen Frequenz, die höher ist als zweimal die höchste räumliche Frequenz des ursprünglichen Bildes Beispiel. Dieses Ergebnis wird als die Shannon-Nyquistschen Abtasttheorem (oder einfach das Abtasttheorem) bezeichnet. Das obige Applet wird (re) probieren ein Bild und es von Malerei jedes Sample als ein (erweiterten) Quadrat rekonstruieren. In Gebieten, wo das ursprüngliche Bild hat eine hohe räumliche Frequenz (oder eine hohe Auflösung, oder ein hohes Maß an Informationen), Aliasing wird offensichtlich, und das aufgenommene Bild enthält verschiedenen Inhalte als was im Originalbild ist.