Skoluppgift till kursen "Avancerade metoder för text och bildbehandling" (DA357A)
Kalle Bornemark - 861209-3917
Jimmy Maksymiw - 891031-1730
Detta program är konstruerat i syfte att påöka våra kunskaper om hur man manipulerar bilder i Java. Användaren förses med följande funktionalitet:
- Gråskala
- Gaussian blur
- Motions blur
- Konturdetektering med Sobel-kärna
- Segmentering med tröskelvärde
Målet med detta test är att se hur tydligt vi kan urskilja enskilda objekt från dess omgivning. Metoden skapar segment genom att gå igenom input-bildens alla pixlar för att sedan jämföra deras attribut med intilliggande grannar. En grannpixel adderas till ett segment om dess färgvärden är inom det utsatta intervallet (segThres).
De tröskelvärden som behöver sättas är:
- segThres: Hur stor skillnad det får vara i färgvärden inom samma segment
- segMin: Minimalt antal pixelar i samma segment för att en separat bild skall genereras
- segMax: Maximalt antal pixelar i samma segment för att en separat bild skall genereras
Förväntad utdata:
- En bearbetad bild där segmenten är förtydligade med hjälp av tröskelvärden
- Separata bilder för alla segment som uppfyller de satta storlekskraven
- Bild:
- segThres: 70
- segMin: 300
- segMax: 10000
1: Segmentering 
2: Dessutom genereras separata bilder för varje segment (enskilda glödlampor i detta fall). Två exempel:
Den sammansatta segmenteringsbilden är i sammanhanget bättre än orginalet, men kan förbättras. De separata segmentbilderna behöver korrigerade tröskelvärden för att innehålla sammansatta objekt.
Detta test är en förlängning av Test 1.1 och utförs därför på samma vis fast med annat tröskelvärde och storlek på segment.
- segThres: 120
- segMin: 2000
- segMax: 8000
1: Segmentering 
2: Separata bilder för varje segment (enskilda glödlampor i detta fall). Två exempel:
Mycket bättre resultat än i 1.2, men vi är inte helt nöjda med det mörka partiet i hörnet upp till vänster.
Detta test är en förlängning av Test 1.1 och utförs därför på samma vis fast med annat tröskelvärde och storlek på segment.
- segThres: 100
- segMin: 1000
- segMax: 6000
1: Segmentering 
2: Separata bilder för varje segment (enskilda glödlampor i detta fall). Två exempel:
Med dessa tröskelvärden är vi nöjda med resultatet och går därför vidare till nästa test.
Här testar vi omvandlingen till gråskala och appliceringen av Gaussian Blur.
Inga tröskelvärden behöver sättas.
Förväntad utdata:
- Indatabild omgjord till gråskala
- Ovanstående bild med applicerad Gaussian Blur
- Bild:
1: Gråskala
2: Gaussian Blur
Målet med detta test är att få fram tydliga konturer från resultatbilden i Test 2. Detta görs genom att applicera två Sobel-kärnor som itererar igenom samtliga pixlar i bilden (vertikalt och horisontellt). Sedan förfinas konturerna genom att köra bilden genom segmenteringsproceduren.
Två tröskelvärden behöver sättas:
- Räckviddströskel för pixelintensiteten, avgör hur stark intenitet varje pixel måste ha för att räknas som en kontur
- Ett tröskelvärde för hur stora färgskillnader pixlar får ha för att räknas in i samma segment
Förväntad utdata:
- Resultatbild från Test 2 med applicerad Sobel-kärna som framhäver konturerna
- Ovanstående bild med förfinade konturer genom segmenteringsprocessen
- Bild:
- sobelThres: 100
- segThres: 80
1: Sobel
2: Segmentering
Bilden innehåller fortfarande en stor mängd brus och överflödig information som inte tillhör några betydelsefulla konturer. Vi fortsätter därför i nästa test med förfinade tröskelvärden.
Detta test är en förlängning av Test 3.1 och utförs därför på samma vis fast med andra tröskelvärden.
- sobelThres: 65
- segThres: 100
1: Sobel
2: Segmentering
Resultatet är nu bättre - en stor del av buskaget i bildens nedre region är borta. Vi är dock ännu inte helt nöjda och korrigerar därför tröskelvärdena ännu en gång.
Detta test är en förlängning av Test 3.1 och utförs därför på samma vis fast med andra tröskelvärden.
- sobelThres: 20
- segThres: 130
1: Sobel
2: Segmentering
Vi är nu nöjda med resultatet då bilden efter Sobel-filtret och segmentering visar tydliga vita konturer mot en relativt helsvart bakgrund.
Med detta test vill vi visa på att lämpliga tröskelvärden för en bild inte nödvändigtvis fungerar för en annan. Vi använder här samma tröskelvärden som fungerade utmärkt i föregående test (3.3).
- Bild: Denna bild är förbehandlad med gråskala och Gaussian Blur
1: Sobel
2: Segmentering
Med detta svaga resultat så korrigerar vi successivt trösklarna i nästkommande tester.
Detta test är en förlängning av Test 4.1 och utförs därför på samma vis fast med andra tröskelvärden för att få ett bättre resultat.
- sobelThres: 100
- segThres: 70
1: Sobel
2: Segmentering
Detta test är en förlängning av Test 4.1 och utförs därför på samma vis fast med andra tröskelvärden för att få ett bättre resultat.
- sobelThres: 110
- segThres: 25
1: Sobel
2: Segmentering
Blommans konturer är nu betydligt lättare att urskilja än de som resultatet av test 4.1 innehöll.
Vi märker tydligt att man inför varje bildbehandling behöver tänka igenom tröskelvärdena för att generera acceptabla resultat. En ursprungsbild med svaga konturer kräver ett lägre tröskelvärde på segmenteringen för att merparten konturer inte skall försvinna. Samtidigt måste tröskelvärdet för Sobel-filtret höjas. Bilder kan skilja sig avsevärt i komposition och färgskillnader, så några fasta välfungerannde tröskelvärden var omöjligt att fastställa. Vi fick istället testa oss fram med olika värden för varje enskild bild.