Laboration 1. Grafisk produktion och tryckkvalitet (TNM015) Rastrering och objektiva kvalitetsmått. S. Gooran (VT2007)

Transkript

1 Laboration 1 Grafisk produktion och tryckkvalitet (TNM015) Rastrering och objektiva kvalitetsmått S. Gooran (VT2007)

2 Syfte: Denna laboration är till för att öka förståelsen för olika rastreringstekniker och objektiva kvalitetsmått som gicks genom under föreläsningar genom att prova och examinera dem. Efter denna laboration ska ni ha bättre förståelse för följande: Olika rastreringstekniker och deras karaktäristik (samt fräscha upp kunskaper från tidigare kurser, t.ex. grafisk teknik) Ögats modeller och varför de behövs Skrivarmodeller och varför de behövs SNR och varför liknande mått inte funkar i detta sammanhang Hur man kan använda Quantization Noise Spectrum (QNS) för att studera rasterbilders karaktäristik samt jämföra olika rastreringstekniker med varandra Hur man kan mäta en rasterbilds homogenitet i högdagar och skuggor av bilder Introduktion: I denna laboration kommer du först att studera modeller för ögats respons och också skrivare för att se hur de fungerar i verkligheten. Dessa modeller används i vissa iterativa rastreringsmetoder. Rastreringsmetodernas karaktäristik kan studeras på ett objektivt sätt. I den här laborationen ska du göra det för några olika rastreringsmetoder. Till ditt förfogande har du ett antal matlabfunktioner som realiserar olika rastreringstekniker. I dina undersökningar kan du enkelt rastrera olika bilder genom att: 1. Tröskla bilden med en konstant tröskel. 2. Tröskla bilden med en slumpmässig tröskelmatris. 3. Rastrera bilden med tekniken ordered dithering. Använd funktionen threshold. Det finns några tröskelmatriser sparade i filen ordereddithering.mat. (se funktionen load) 4. Rastrera bilden med error diffusion, se funktionen errordif. Metoden kan modifieras till något bättre, gör det! Du kan också använda funktionen dither som är mycket snabbare. 5. Rastrera bilden med metoden IMCDP presenterat i föreläsningen, se funktionen imcdp eller imcdp2. OBS: imcdp är en mycket snabbare version av imcdp2 men som programmet i imcdp ser ut just nu kan den bara användas för kvadratiska bilder. T.ex. en 500 x 500 pixels bild kan användas men inte en 500 x 600 pixels. Alla bilder och funktioner som ni kommer att behöva finns under S:/TN/M/TNM015/Lab1. 1

3 1. Modell för ögat: Funktionen MFTsp kan användas för att realisera impulssvaret till ett filter som representerar det mänskliga ögats karaktäristik. Filtrets utseende bestäms av betraktningsavståndet och tryckets upplösningen. Använd olika värden för dem och applicera dessa filter på olika rastrerade bilder och verifiera att resultaten överensstämmer med er upplevelse av bilderna. Ni får ett antal tryckta rasterbilder där det anges med vilken rasterteknik bilden rastrerats och med vilken upplösning den har skrivits ut. Ni ska nu applicera lämpligt filter på lämplig rasterbild och visa resultaten på skärmen och jämföra med de tryckta rasterbilderna. Ex. Du får en bild där det står att den har rastrerats med t.ex. Rasterteknik1 och har skrivits ut i 300 dpi. Först rastrerar du samma originalbild med samma rasterteknik, dvs. Rasterteknik1. Sedan skapar du ögats filter, i ögats filter använder du samma upplösning, i detta fall 300 dpi. I funktionen som realiserar ögats filter har du ett annat val, dvs. betraktningsavståndet. Den kan du bestämma själv beroende på från vilket avstånd du vill titta på bilden, säg att du väljer 50 cm (eller 500 mm). För filtrets storlek välj själv något lämpligt tal, säg 15 x 15. Nu applicerar du ditt filter på din rasterbild och visar resultatet. Detta resultat ska representera vad du ser, dvs. du ska nu jämföra ditt resultat på skärmen med den tryckta bilden om du betraktar den senare från rätt avstånd, i detta fall 50 cm. 2. Modell för skrivare Funktionen printermodel kan användas för att applicera dot overlap modellen, som gicks genom på föreläsningar, på en rastrerad bild. Om ni vill använda modellen för ρ=1 använd den enklare och snabbare funktionen simpleprintermodel. Försök att hitta parametern ρ som passar bäst för skrivaren i laborationssalen. För att ni ska ha tid att undersöka skrivarmodellen för olika ρ får ni ett antal tryckta rasterbilder som har skrivits ut i två olika upplösningar, 300 samt 600 dpi, med hjälp av en laserskrivare. Ni ska nu applicera skrivarmodellen på den rasterbild som ni skapar med samma rasterteknik som den tryckta bilden är rastrerad med. Målet är att hitta ett lämpligt ρ för 300 samt 600 dpi genom att jämföra era resultatbilder, efter att ni har applicerat skrivarmodellen, med motsvarande tryckt bild. Har ni lyckats hitta något lämpligt ρ för 300 och 600 dpi? 3. SNR Skriv en matlabfunktion med vars hjälp du kan studera SNR för rastrerade bilder, se förberedelseuppgift 5. Använd ditt program för att studera SNR för ett antal rastrerade bilder. Använd minst tre bilder, lämpligen följande rasterbilder, 1. trösklat med 0.5, 2. error diffusion med det filter som finns i funktionens help kommando (se punkt 4 i introduktionen) och 3. 2

4 IMCDP (se punkt 5 i introduktionen). Beräkna nu SNR-et för dessa tre bilder. Vilken bild av dessa tre är bäst enligt SNR-måttet? Stämmer det överens med vad du ser? Om inte, varför? 4. QNS Skriv en matlabfunktion med vars hjälp du kan studera kvantiseringsbruset för rastrerade bilder, se förberedelseuppgift 6. Använd ditt program för att studera QNS för följande rasterbilder, 1. ordered dithering med tröskelmatriserna clustered_19levels samt clustered_33levels (se punkt 3 i introduktionen), 2. Error diffusion dels med det filter som finns i help kommandot och dels med ett filter som sprider felet till bara en pixel till höger om, 3. IMCDP. Studera nu QNS för dessa fem bilder och begrunda hur rasterteknikernas karaktäristik återspeglas i QNS. Vilken bild av dessa fem tycks vara bäst enligt detta mått? Stämmer det överens med vad du ser? 5. Homogenitet 5.1 Svart-vita bilder Använd funktionen distance för att mäta homogeniteten hos rastrerade bilder. Skapa först en konstant bild med låg pixelvärde och rastrera den med error diffusion samt med IMCDP (OBS: använd funktionen imcdp2). Observera att denna funktion beräknar avståndet mellan 1:or som i Matlab representerar vit. Vilken bild är bäst enligt måttet? Stämmer det överens med vad du ser? 5.1 Färgbilder När man rastrerar en konstant färgbild vill man att alla punkter i färgbilden är placerade homogent över hela färgbilden, dvs. det inte räcker att punkterna i var och en av separationerna är placerade homogent. Hur kan måttet som användes i avsnitt 5.1 användas för sådana färgbilder? Se förberedelseuppgift 7. 3

5 Använd funktionen distance igen och mät homogeniteten hos färgbilderna colorim1, colorim2 och colorim3. Vilken bild är bäst enligt måttet? Stämmer det överens med vad du ser? Om inte, varför? Använd funktionen distance igen och mät homogeniteten hos färgbilderna colorim4, colorim5 och colorim6. Vilken bild är bäst enligt måttet? Stämmer det överens med vad du ser? Om inte, varför? 4