Советы по обработке фотографий

И.М.Журавель Краткий курс теории обработки изображений

• Свойства зрительной системы человека
• Возможности цифровой обработки изображений в Matlab
• Типы изображений
  — Бинарные изображения: геометрические характеристики
  — Бинарные изображения: топологические характеристики
• Формирование и обработка цифровых изображений
• Локально-адаптивная обработка изображений
  — Адаптивное повышение контрастности изображений
  — Энтропия изображения. Использование среднеквадратического отклонения значений яркостей элементов окрестности в методах контрастирования изображений. Нелинейное растяжение локальных контрастов.
  — Анализ некоторых характеристик локальных окрестностей
  — Статистическое определение локального контраста
  — Локально-адаптивное улучшение качества изображений
• Фильтрация изображений
  — Алгоритмы сглаживания изображений
  — Двумерное сглаживание изображений
  — Обобщенная линейная фильтрация
  — Градиентный метод выделение контуров объектов на цветных изображениях
  — Пространственная фильтрация
• Деконволюция
  — Предварительная обработка изображений
• Расширение границ изображений. Сверхразрешение
  — Реконструкция размытых изображений в MATLAB
• Структурное распознавание на основе меры схожести символьных строк
• Границы изображений
  — Края и их обнаружение
• Оптимизация палитры изображений
• Кодирование и сжатие изображений
  — задачи кодирования
  — основные методы кодирования
• Некоторые области практического применения
  методов обработки изображений и распознавания
  образов (геофизические наблюдения, применение в
  биологии, применение на транспорте)
  — Распознавание рукописных знаков
  — Коррекция неравномерной засветки изображения.
  — Сегментация цветных изображений на основе кластеризации по методу k-средних.
  — Сегментация цветных изображений на основе цветового пространства L*a*b*
  — Уменьшение количества градаций цветных изображений
  — Обнаружение вращений и масштабных искажений на изображении
  — Регистрация изображений с помощью нормированной кросс-корреляции
  — Наложение двух изображений
  — Технология повышения контрастности изображений.
  — Улучшение мультиспектральных цветных изображений
  — Регистрация аэрофотографий на ортофотоснимках
  — Пространственные преобразования изображений
  — Исследование конформных преобразований
  — Создание обивочных материалов с использованием изображений
  — Извлечение данных из трехмерных магниторезонансных изображений
  — Поиск длины маятника в движении
  — Гранулометрия
  — Идентификация округлых предметов
  — Измерение углов пересечения
  — Измерение радиуса части мотка ленты
  — Обнаружение объектов с помощью сегментации изображений
  — Реконструкция изображений по их проекционным данным
  — Сегментация методом управляемого водораздела
  — Восстановление изображений методом слепой деконволюции
  — Реконструкция изображений с использованием регуляризационного фильтра
  — Восстановление изображений с использованием метода Лаки-Ричардсона
  — Некоторые подходы к улучшению визуального качества изображений с затемненными участками
  — Реализация некоторых методов видоизменения гистограмм в системе Matlab
  — Подавление шумов на изображениях
  — Текстурная сегментация с использованием текстурных фильтров
  — Поиск растительности на мультиспектральных изображениях
  — Распознавание объектов на основе вычисления их признаков
  — Распознавание объектов на основе вычисления коэффициента корреляции
  — Анализ признаков объектов
  — Некоторые аспекты задачи распознавания номерных знаков автомобилей
  — Анализ серии изображений с распределенной обработкой данных
  — Сглаживание цветных изображений
  — Построение гистограмм
  — Видоизменение гистограмм
• Визуализация объектов
• Применение методов улучшения изображений при разработке системы видеонаблюдения
• Улучшение изображений с яркостными искажениями
• Некоторые алгоритмы повышения визуального качества изображений
• Пороговая обработка цветных изображений
• Формирование ночного изображения на основе дневного и наоборот
• Обнаружение лиц на основе цвета
• Метод управления яркостью изображения

2 Непосредственные Понятия Обработки изображений Режима

Непосредственный режим модель обработки изображений поддерживает изображения фиксированного разрешения, сохраненные в памяти. Модель также поддерживает операции фильтрации на данных изображения. Много классов и интерфейсов используются в этой модели.

Рисунок 5-1 BufferedImage и классы поддержки

Как показано в , обеспечивает общее управление изображением. A может быть создан непосредственно в памяти и использоваться, чтобы содержать и управлять полученными данными изображения от файла или URL. A может быть выведен на экран, используя любого объект для экранного устройства, или представленный любому другому месту назначения, использующему соответствующий контекст. A объект содержит два других объекта: a и a .

класс обеспечивает управление данными изображения. Это представляет прямоугольные координаты изображения, поддерживает данные изображения в памяти, и обеспечивает механизм для того, чтобы он создал многократные подызображения из единственного буфера данных изображения. Это также обеспечивает методы для того, чтобы они получили доступ к определенным пикселям в пределах изображения. Растровый объект содержит два других объекта, a и a .

класс содержит пиксельные данные в памяти.

класс интерпретирует данные в буфере и обеспечивает это как отдельные пиксели или прямоугольные диапазоны пикселей.

класс обеспечивает цветную интерпретацию пиксельных данных, обеспеченных демонстрационной моделью изображения.

Пакет изображения обеспечивает дополнительные классы, которые определяют операции фильтрации на и объекты. Каждая работа обработки изображений воплощается в классе, который реализует интерфейс, интерфейс, или оба интерфейса. Класс работы определяет методы, который выполняет фактическое манипулирование изображением.

иллюстрирует базовую модель для Java 2D обработка изображений API:

Модель Обработки изображений рисунка 5-2

Поддерживаемые операции включают:

Отметьте, что, если Вы интересуетесь только отображением и управлением изображениями, Вы только должны понять класс и классы работы фильтрации. С другой стороны, если Вы запланируете записать фильтры или иначе непосредственно данные изображения доступа, то Вы должны будете понять классы, связанные с .

5.2.1 Терминология

Вот некоторые термины, использованные в течение следующих обсуждений:

Элементы данных: типы примитивов, используемые в качестве модулей хранения данных изображения. Элементы данных являются отдельными элементами a массив. Расположение элементов в буфере данных независимо от интерпретации данных как пиксели изображением .

Выборки: отличные элементы пикселей изображения. A обеспечивает механизм для того, чтобы он преобразовал элементы в к пикселям и их выборкам. Выборки пикселя могут представить основные значения в определенной цветовой модели. Например, пиксель в цветовой модели RGB состоит из трех выборок: красный, зеленый, и синий.

Компоненты: значения пикселей, независимых от цветной интерпретации. Различие между компонентом и выборкой полезно с , где пиксельные компоненты являются индексами в .

Полоса: набор всех выборок каждый вводит изображение, такое как все красные выборки или все зеленые выборки. Пиксельные данные могут быть сохранены многими способами, эти два, поддерживаемые в Java 2-D соединяемый API и чередованный пиксель. Соединенное хранение организует данные изображения полосами, и пиксель составляется из демонстрационных данных от той же самой позиции в каждой полосе. Пиксель чередованное хранение организует данные изображения пикселями с единственным массивом, содержащим все пиксели, и полосы, состоящие из набора выборок в той же самой индексной позиции в каждом пикселе.

Основные устройства: отличные элементы значения цвета в определенной цветовой модели; например модель RGB формирует значения цвета из основных устройств, красных, зеленых, и синий.

Определение компьютерной обработки изображений

Компьютерная обработка и распознавание изображений представляет собой быстро развивающуюся самостоятельную дисциплину. Компьютерная обработка изображений предполагает обработку цифровых изображений с помощью компьютеров или специализированных устройств, построенных на цифровых сигнальных процессорах. При этом под обработкой изображений понимается не только улучшение зрительного восприятия изображений, но и классификация объектов, выполняемая при анализе изображений.

В 60-е годы прошлого века получила развитие особая наука об изображениях — «иконика», которая посвящена исследованиям общих свойств изображений, целей и задач их преобразования, обработки и воспроизведения, распознавания графических образов .

Термин «иконика» происходит от греческого «eikon», что означает изображение, образ. Сегодня под ним понимают «создание и обработку изображений с помощью ЭВМ, что совпадает с понятием компьютерной обработки изображений.

Области применения цифровой обработки в настоящее время значительно расширяются, вытесняя аналоговые методы обработки сигналов изображений. Методы цифровой обработки широко применяются в промышленности, искусстве, медицине, космосе. Они применяются при управлении процессами, автоматизации обнаружения и сопровождения объектов, распознавании образов и во многих других приложениях.

Цифровая передача изображений с космических аппаратов, цифровые каналы передачи сигналов изображений требуют обеспечения передачи все больших потоков информации. Если при передаче цифрового сигнала цветного телевидения необходимо передавать потоки порядка 216 Мбит/с, то для передачи телевидения высокой четкости скорость передачи должна составлять порядка 1 Гбит/c. Формирование изображений, улучшение качества и автоматизация обработки медицинских изображений, включая изображения, создаваемые электронными микроскопами, рентгеновскими аппаратами, томографами и т.д., являются предметом исследования и разработки. Сегодня в медицинской технике широко применяются системы формирования изображения, его преобразования в цифровую форму, визуализация и документирование путем введения в компьютер изображений с помощью специализированных устройств захвата видео.

Автоматический анализ в системах дистанционного наблюдения широко применяется при анализе местности, в лесном хозяйстве, например, для автоматического подсчета площади вырубок, в сельском хозяйстве для наблюдения за созреванием урожая, при разведке, в системах противопожарной безопасности. Контроль качества производимой продукции выполняется благодаря автоматическим методам анализа сцен.

Компьютерная обработка изображений применяется в задачах экспертизы живописи неразрушающими методами . Для восстановления старых фильмов применяются методы автоматической компенсации дефектов видеоматериала, полученного после преобразования киноизображения в видео.

Сегодня трудно представить область деятельности, в которой можно обойтись без компьютерной обработки изображений. Интернет, сотовый телефон, видеокамера, фотоаппарат, сканер, принтер, так прочно вошедшие в наш быт, — немыслимы без компьютерной обработки изображений.

При компьютерной обработке изображений решается широкий круг задач, таких как улучшение качества изображений; измерение параметров; спектральный анализ многомерных сигналов; распознавание изображений; сжатие изображений.

Устройства формирования изображений получили широкое распространение и применение в самых различных областях науки, техники, промышленности, медицине, биологии и др. . Они являются неотъемлемыми компонентами систем и устройств, применяемых в фотокинотехнике, телевидении, системах технического зрения: дневного, ночного и теплового видения, при дистанционном зондировании Земли. Назначение этих систем предполагает решение комплекса технических и научных задач, требующих синтеза и анализа методов обработки, бинаризации, классификации изображений. Развитие микроэлектроники, переход от аналоговой формы сигналов к цифровой позволяют расширить палитру и повысить сложность применяемых алгоритмов для решения поставленных задач . Рассмотрим некоторые из устройств формирования изображений.

6 Извлечение Пиксельных данных от SampleModel

Краткий обзор класс определяет методы для того, чтобы извлечь выборки изображения, не зная, как базовые данные хранятся. Класс обеспечивает поля для того, чтобы они отследили высоту и ширину данных изображения в связанном , и для того, чтобы описать число полос и тип данных того буфера. методы обеспечивают данные изображения как набор пикселей с каждым пикселем, состоящим из многих выборок или компонентов.

пакет обеспечивает пять типов демонстрационных моделей:

Пиксельные данные, представленные май или, возможно, не коррелирует непосредственно к цветному представлению данных определенной цветовой модели, в зависимости от источника данных. Например, в данных фотографического изображения, выборки могут представить данные RGB. В данных изображения от медицинского устройства обработки изображений выборки могут представить различные типы данных, такие как плотность кости или температура.

Есть три категории методов для того, чтобы получить доступ к данным изображения. методы возвращают целый пиксель как массив с одной записью для каждой выборки. методы обеспечивают доступ к сырым данным, неинтерпретируемые данные, хранившие в . методы обеспечивают доступ к пиксельным компонентам для определенной полосы.

Изображение в библиотеке IPL

В библиотеке IPL поддерживаются следующие цветовые модели:

• Монохромная или полутоновая (один цветовой канал).
• Цветные (3 цветовых канала RGB, HSV, CMY).
• Цветные (4 цветовых канала CMYK, RGBA).
• Полихромные (с любым количеством цветовых каналов).

Библиотека позволяет выполнять обработку только одного или сразу всех цветовых каналов изображения.

Цифровое изображение в библиотеке IPL могут составлять значения различных типов знаковое целое (signed integer), беззнаковое целое (unsigned integer) или вещественное с плавающей точкой (floating-point). С использование различных типов данных поддерживаются следующие цветовые модели (s = signed, u = unsigned, f = float):

• Полутоновая 1, 8s, 8u, 16s, 16u и 32f бит на пиксел.
• Цветная трехканальная 8u и 16u бит на пиксел.
• Четырех- и мультиканальная 8s, 8u, 16s, 16u, 32s и 32f бит на пиксел.

Изображение может храниться попиксельно (с различным порядком хранения цветовых компонент RGB, BGR и т.д.) и цветовыми плоскостями (когда отдельно хранятся данные для каждого цветового канала). При создании изображения в библиотеке IPL требуется указать способ её хранения.

1. Начало координат находится в левом верхнем углу изображения, при этом координата x увеличивается слева направо, а координата y – сверху вниз.
2. Начало координат находится в левом нижнем углу изображения, при этом координата x увеличивается слева направо, а координата y – снизу вверх.

Важным и мощным средством библиотеки IPL является область представляющая интерес (ОПИ, region of interest, ROI). С использованием этого понятия и специальной структуры данных можно выполнять преобразования только над частью изображения. В библиотеке возможны три типа ОПИ:

• Канал представляющий интерес (КПИ, сhannel of interest, COI).
• Прямоугольная область представляющая интерес (rectangular ROI).
• Масочная область представляющая интерес (mask ROI).

Некоторые функции обработки изображений библиотеки IPL позволяют выбрать способ преобразования: по месту (in-place) или во вне (out-of-place). Понятно, что преобразования по месту не требуют переразмещения изображения в памяти, а результат преобразования записывается в исходное изображение. Следует заметить, что такое преобразование возможно не во всех случаях.

Кроме того, библиотека IPL поддерживает механизм фрагментации изображения (image tiling), который позволяет разбивать большое изображение на несколько маленьких. Тогда выполнения функция организуется так, что в памяти находится только небольшой кусок изображения. При определенных условиях это позволяет сделать обработку больших изображений более оптимальной. Для разбиения изображения используется специальная структура данных .

Изображение в библиотеке IPL представляет собой структуру, которая начинается с заголовка содержащего всевозможные атрибуты и указатели на структуры данных размещенные в памяти. Создать заголовок изображения можно с помощью следующей функции:

Количество цветовых каналов в изображении.

Номер альфа-канала (канала прозрачности). Если в качестве значение этого аргумента указан 0, то это означает, что в изображении нет альфа-канала. Альфа-канал должен быть последним каналом изображения.

Глубина цвета пикселов изображения, может принимать одно из следующих значений: , , , , , или .

Строка, обозначающая цветовую модель изображения: «RGB», «GRAY», «HLS» и т.д.

Порядок следования цветовых каналов, может принимать одно из следующих значений: «G», «GRAY», «BGR», «BGRA», «RGB», «RGBA», «HSV», «HLS», «XYZ», «YUV», «YCr», «YCC», «LUV».

Порядок расположения данных, может быть или .

Начало координат в изображении, может принимать одно из следующих значений: или .

Выравнивание данных, может принимать одно из следующих значений: или .

Ширина изображения в пикселах.

Высота изображения в пикселах.

Указатель на структуру, описывающую область представляющую интерес. Этот аргумент может принимать значение , что

соответствует

ОПИ покрывающей все изображение полностью.

Указатель на заголовок другого изображения, которое описывает масочную ОПИ. Значение аргумента указывает, что масочная ОПИ не используется. Пиксел изображения будет обработан, если значение соответствующего пиксела маски равно 1, и не будет обработан, если значение пиксела маски равно 0. Аргумент в этом изображении, используемом в качестве маски, игнорируется.

Идентификатор изображения (может использоваться для идентификации изображения в приложении).

Указатель на структуру , содержащую информацию, используемую для фрагментации изображения.

8 Обработка изображений и Улучшение

Пакет изображения обеспечивает пару интерфейсов, которые определяют операции на и объекты: и .

Классы, которые реализуют эти интерфейсы, включают , , . Эти классы могут использоваться, чтобы геометрически преобразовать, размыть, увеличить резкость, улучшить контраст, порог, и цветные корректные изображения.

иллюстрирует граничное обнаружение и улучшение, работу, которая подчеркивает резкие изменения в интенсивности в пределах изображения. Граничное обнаружение обычно используется в медицинской обработке изображений и отображении приложений. Граничное обнаружение используется, чтобы увеличить контраст между смежными структурами в изображении, позволяя средство просмотра отличить большую деталь.

Граничное обнаружение рисунка 5-4 и улучшение

Следующий код иллюстрирует граничное обнаружение:

демонстрирует манипулирование таблицей поиска. Работа поиска может использоваться, чтобы изменить отдельные компоненты пикселя.

Манипулирование Таблицы поиска рисунка 5-5

Следующий код демонстрирует манипулирование Таблицы поиска:

иллюстрирует перемасштабирование. Перемасштабирование может увеличить или уменьшить интенсивность всех точек. Перемасштабирование может использоваться, чтобы увеличить динамический диапазон иначе нейтрального изображения, производя деталь в области, которая кажется нейтральной или плоской.

Перемасштабирование рисунка 5-6

Следующий фрагмент кода иллюстрирует перемасштабирование:

5.8.1 Используя Работу Обработки изображений

Свертка является процессом, который лежит в основе большинства пространственных алгоритмов фильтрации. Свертка является процессом взвешивания или усреднения значения каждого пикселя в изображении со значениями соседних пикселей. Это позволяет каждому выходному пикселю влияться непосредственным окружением в пути, который может быть математически определен с ядром. иллюстрирует Свертку.

Рисунок 5-7, Размывающийся со Сверткой

Следующий фрагмент кода иллюстрирует, как использовать один из классов обработки изображений, . В этом примере каждый пиксель в исходном изображении усредняется одинаково с восемью пикселями, которые окружают это.

Переменная simpleBlur содержит новый экземпляр это реализует работу размытости на a или a . Предположите, что sourceImage и destImage являются двумя экземплярами . Когда Вы вызываете , базовый метод class, это устанавливает значение каждого пикселя в целевом изображении, составляя в среднем соответствующий пиксель в исходном изображении с восемью пикселями, которые окружают это.

Ядро свертки в этом примере могло быть представлено следующей матрицей с элементами, определенными к четырем значащим цифрам:

Когда изображение скручивается, значение каждого пикселя в целевом изображении вычисляется при использовании ядра как ряд весов, чтобы составить в среднем значение пикселя со значениями окружающих пикселей. Эта работа выполняется на каждом канале изображения.

Следующая формула показывает, как веса в ядре связываются с пикселями в исходном изображении, когда свертка выполняется. Каждое значение в ядре связывается к пространственной позиции в изображении.

Значение целевого пикселя является суммой продуктов весов в ядре, умноженном на значение соответствующего исходного пикселя. Для многих простых операций ядро является матрицей, которая является квадратной и симметричной, и сумма ее весов составляет в целом

Ядро свертки в этом примере относительно просто. Это взвешивает каждый пиксель из исходного изображения одинаково. Выбирая ядро, которое взвешивает исходное изображение на более высоком или более низком уровне, программа может увеличить или уменьшить интенсивность целевого изображения. объект, который устанавливается в конструктор, определяет тип фильтрации, которая выполняется. Устанавливая другие значения, можно выполнить другие типы сверток, включая размывание (такие как Гауссова размытость, радиальная размытость, и размытость изображения движущегося объекта), увеличение резкости, и операции сглаживания. иллюстрирует увеличение резкости, используя Свертку.

Увеличение резкости рисунка 5-8 со Сверткой

Следующий фрагмент кода иллюстрирует увеличение резкости со Сверткой:

до программиста, чтобы «стереть» предыдущую версию изображения прежде, чем сделать новую копию в новом расположении. Это может быть сделано, перерисовывая фон или копируя фон с другого внеэкранного буфера.

сумма весов в матрице один, интенсивность целевого изображения неизменна из источника.

Авторское право 1993, 2012, Oracle и/или его филиалы. Все права защищены.

Spec-Zone.ru — all specs in one place

Общие принципы компьютерного редактирования изображений

Редактирование изображений (от лат. redactus – приведенный в порядок) – изменение оригинала изображения классическими или цифровыми методами. Также процесс изменения можно назвать коррекцией (корректированием]) и ретушированием (ретушь – от фр. retoucher – подрисовывать, подправлять). Целью редактирования является исправление дефектов, подготовка к публикации, выполнение творческих задач.

Кроме отдельных двумерных или трехмерных изображений, можно обрабатывать разного типа последовательности – видеоизображения.

Источники изображений

Источниками цифровых изображений являются:

• • цифровые фотоаппараты и видеокамеры – изображения с таких устройств можно скопировать сразу в цифровом виде на компьютер и открыть в программе для редактирования. Преимущество – скорость и оперативность. Недостаток – цифровой шум;
• • сканированные негативные фотопленки и слайды. Полученные фотографии после оцифровки с помощью сканера обрабатываются в графических редакторах. Преимущество такого изображения – широкий динамический диапазон, отсутствие цифрового шума. Недостатки – зернистость пленки и в большинстве случаев низкое качество сканирования (получить изображение с пленки, столь же качественное, как изображение с профессиональной цифровой камеры, можно только на дорогом профессиональном сканере). Широкоформатные негативы и слайды дают возможность получить изображения большого размера и высокого качества;
• • сканированные оригиналы изображений, напечатанные фотографии, полиграфические оттиски также редактируются в специальных программах. Недостатки – малый динамический диапазон, у полиграфических оттисков – растр, который нередко образует муар;
• • фотобанки – большие хранилища цифровых и аналоговых изображений;
• • файлообменники и поисковые системы. Во многих подобных ресурсах можно найти изображения без ограничений на использование.

• Цифровой шум – дефект изображения, вносимый фотосенсорами и электроникой цифровых фото- и видеокамер вследствие несовершенства технологий. Цифровой шум заметен на изображении в виде наложенной маски из пикселей случайного цвета и яркости.
• Эмульсия фотопленки состоит из зерен галогенида серебра. Чем крупнее зерна, тем выше светочувствительность пленки.
• Растр (здесь) – точечная структура графического изображения при полиграфической и цифровой печати.
• Муар (от фр. moire – название ткани) – узор, возникающий при наложении двух периодических сетчатых структур. Явление обусловлено тем, что повторяющиеся элементы структур следуют с немного разной частотой и то накладываются друг на друга, то образуют промежутки. Муар возникает при цифровом фотографировании и сканировании периодических изображений, если их период близок к расстоянию между светочувствительными элементами оборудования. Часто проявляется при сканировании изображений, напечатанных полиграфическим способом, из-за того что сканер повторно растрирует изображение, па котором уже есть оригинальный растр.

Преобразование цифрового изображения

Фильтрация

Цифровые фильтры используются для размывания и увеличения резкости цифровых изображений. Фильтрация может быть осуществлена в пространственной области путём свёртки со специально разработанными ядрами (массивами фильтрации) или в частотной области (Фурье) путём отсеивания определённых областей частот. Следующие примеры показывают оба метода:

Тип фильтра	Ядро или маска	Пример
Исходное изображение	1{\displaystyle {\begin{bmatrix}0&0&0\\0&1&0\\0&0&0\end{bmatrix}}}
	19×111111111{\displaystyle {\frac {1}{9}}\times {\begin{bmatrix}1&1&1\\1&1&1\\1&1&1\end{bmatrix}}}
	−1−14−1−1{\displaystyle {\begin{bmatrix}0&-1&0\\-1&4&-1\\0&-1&0\end{bmatrix}}}
	Псевдокод: image = шахматная_доска F = Преобразование Фурье изображения Показать изображение: log(1+Absolute Value(F))
Фильтр Фурье нижних частот
Фильтр Фурье верхних частот

Отступы изображения при фильтрации Фурье области

К изображениям обычно добавляется отступ перед преобразованием в Фурье-пространство. Отфильтрованные по верхним частотам изображения ниже иллюстрируют результат различных техник отступа:

Добавление нулей	Отступ путём повторения рёбер

Заметим, сто фильтр показывает дополнительные рёбра в случае добавления нулей.

Примеры кода фильтрации

Пример MATLAB для пространственной фильтрации области по верхним частотам.

img=checkerboard(20);                           % generate checkerboard
% ****************  SPATIAL DOMAIN  ******************
klaplace=;             % Laplacian filter kernel
X=conv2(img,klaplace);                          % convolve test img with
                                                % 3x3 Laplacian kernel
figure()
imshow(X,[])                                    % show Laplacian filtered 
title('Laplacian Edge Detection')

Аффинные преобразования

дают возможность осуществлять базовые преобразования изображений, такие как изменение пропорции, вращение, перенос, зеркальное отражение и косой сдвиг, как показано на примерах ниже: