Objekt-bilde relasjonen. Vinkeloppløsnings-kriterier. Forstørrelse. INF 2310 Digital bildebehandling

Transkript

1 Objekt-bilde relasjonen IN 3 Digital bildebehandling Oppsummering II, våren 7: y f f s s y Avbildning Naboskapsoperasjoner og konvolusjon Segmentering Kompresjon og koding av bilder argerom og bildebehandling i farger ritz Albregtsen I figuren har vi to par av likedannede trekanter: y ' s f ' y ' s' og gir + y s y f s s' f Dette som er kjent som objekt-bilde relasjonen. Uttrykket gjelder både for fokuserende linser og speil IN 3 - A IN 3 - A y orstørrelse Hvor stort blir bildet? ruker trekantene i figuren inner uttrykket til høyre orstørrelsen er m y /y Er objektet langt unna s s >> f > m << IN 3 - A 3 f + s s' s y' s' y s f s' y' y' y f y ( s f ) y s' s s f ( s f ) Vinkeloppløsnings-kriterier Anta at linsens diameter er D, og at lysets bølgelengde er λ. To punkter i et objekt kan akkurat adskilles i bildet hvis vinkelen mellom dem er gitt ved sin θ. λ / D radianer. Dette er Rayleigh-kriteriet. Dip -en i profilen forsvinner når sin θ.95 λ / D radianer. Dette er Sparrow-kriteriet IN 3 - A

2 Naboskap+TransformMaske Naboskap/vindu/omgivelse/neighborhood: De pikslene rundt et punkt i inn-bildet som T opererer på. Transform/Operator/Algoritme: Operator/Algoritme som opererer på pikslene i et naboskap. Maske/Template/filer: Et geometrisk array/matrise av vekter eller koeffisienter Resultatet lagres i et nytt bilde. Eksempel: beregn gjennomsnitt Utregning av -D konvolusjon g( x, x+ w y+ w j x w k y w h( x j, y k) f ( j, k) or å regne ut resultatet av en konvolusjon for posisjon (x, : Roter masken 8 grader, legg den over bildet slik at minst en posisjon overlapper med bildet. Multipliser hvert element i masken med underliggende pikselverdi. Summen av produktene gir verdien for g(x, i posisjon (x,. or å regne ut resultatet for alle posisjoner:lytt masken piksel for piksel og gjenta operasjonene over. Vi bruker notasjonen g h * f der * er konvolusjons-operatoren IN 3 - A IN 3 - A 6 Hva gjør vi langs bilde-randen? Alternativer:. Sett g(x,. Sett g(x,f(x, 3. Trunker ut-bildet 4. Trunker konvolusjons-masken h 5. Utvid bildet ved reflected indexing 6. Circular indexing Et lite tips om konvolusjon Når vi konvolverer et filter med et bilde: Er vi interessert i å lage et nytt bilde med samme størrelse som input-bildet. Vi bruker en av teknikkene fra forrige foil. Når vi konvolverer en filter-kjerne med en annen filter-kjerne: Vi vil lage effektiv implementasjon av et stort filter med en kombinasjon av enkle, separable filtre. Vi beregner resultatet for alle posisjoner der de to filter-kjernene gir overlapp IN 3 - A IN 3 - A 8

3 Egenskaper ved konvolusjon Kommutativ f*g g*f Assosiativ (f*g)*h f*(g*h) Distributiv f*(g+h) (f*g) + (f*h) Assosiativ ved skalar multiplikasjon a(f*g) (af)*g f*(ag) Kan utnyttes i sammensatte konvolusjoner! IN 3 - A 9 Lavpass-filtre Slipper gjennom lave frekvenser, og demper eller fjerner høye frekvener. Høye frekvenser skarpe kanter, støy, detaljer. Effekt: blurring eller utsmøring av bildet Utfordring: bevare kanter samtidig som homogene områder glattes IN 3 - A Separable filtre Geometrisk form: kvadrat, rektangel Rektangulære middelverdi-filtere er separable. h( i, j) 5 [ ] ordel: et raskt filter. Vanlig konvolusjon: n multiplikasjoner og addisjoner. stk -D konvolusjoner: n multiplikasjoner og addisjoner. 5 Ikke-uniformt lavpass-filter Uniforme lavpass-filtre kan implementeres raskt. Ikke-uniforme filtre, for eksempel: D Gauss-filter: ( x + y ) h( x, exp σ Parameter σ er standard-avviket(bredden) ilterstørrelse må tilpasses σ IN 3 - A IN 3 - A

4 Høypass-filtere Slipper gjennom høye frekvenser. Demper eller fjerner lav-frekvente variasjoner. Unsharp masking Middelverdfilter > uskarpt bilde. Subtraher uskarpt bilde fra originalen. Adder differanse til originalen. Resultatet er skarpere enn originalen. Effekt: jerner langsomt varierende bakgrunn ramheve kanter, linjer og skarpe detaljer IN 3 - A IN 3 - A 4 Digitale gradient-approksimasjoner - I Digitale gradient-approksimasjoner - II Asymmetrisk D operator: h R (i,j) f(i,j) - f(i,j-) h C (i,j) f(i,j) - f(i+,j) (i,j) Symmetrisk D operator: h R (i,j) f(i,j+) - f(i,j-) h C (i,j) f(i-,j) - f(i+,j) (i,j) (i,j) Definisjonene er gitt slik at komponentene er positive for en kant der intensiteten øker fra venstre mot høyre og oppover i bildet. (i,j) Gradient-estimatene refererer nå til (i,j). Gjør det samme for tre symmetriske par (i,j) (i,j) Husk at ved konvolusjon skal masken roteres 8 grader før multiplikasjoner og addisjoner! Gradient-estimatene er nå mer robuste mot støy i bildet IN 3 - A IN 3 - A 6

5 g x, g y og gradient-magnituden, G Laplace-operatoren Vi finner de horisontale kantene: eregn g x (x,h x * f(x, Vi finner de vertikale kantene: eregn g y (x,h y *f(x, eregn gradient-magnitude og retning: G( x, g θ ( x, tan x ( x, + g y ( x, g y ( x, g x ( x, Gradient-magnitude Gradient retning Laplace-operatoren er gitt ved: f f ( f ( x, ) + x y Den endrer fortegn der f(x, har et infleksjons-punkt / vendepunkt. f har to ekstremverdier idet vi passerer en kant f markerer kant-posisjon. Kantens eksakte posisjon finnes ved nullgjennomgangen. Dette gir ikke brede kanter. Vi finner bare magnitude, ikke retning. smooth [- -] [- -] IN 3 - A IN 3 - A 8 Laplace på et.grads polynom La intensiteten omkring (x, være gitt ved polynomet f(x, k +k x +k 3 y+k 4 x +k 5 xy+k 6 y I et 3x3 område rundt (x, har vi da intensitetene Laplace vs. Sobel k -k -k 3 +k 4 +k 5 +k 6 k -k 3 +k 6 k +k -k 3 +k 4 -k 5 +k 6 k -k +k 4 k k +k +k 4 k -k +k 3 +k 4 -k 5 +k 6 k +k 3 +k 6 k +k +k 3 +k 4 +k 5 +k 6 Den korrekte Laplace-verdien er gitt ved f ( x, f ( x, ( f ( x, ) + ( k4 + k6) x y åde 4-nabo og 8-nabo masken gir korrekt estimat! IN 3 - A 9 Sobel-filtrert > bred kant Laplace-filtrert > dobbelt-kant IN 3 - A

6 ra Laplace til LoG Vi gjorde gradient-operatorene støy-robuste ved å bygge inn en lavpassfiltrering. Eksempel: Sobel-operator h x h [ ], [ ] y Vi kan gjøre det samme med Laplace-operatoren Vi bruker et Gauss-filter G Og siden konvolusjon er kommutativ, får vi ( f G) ( G) f LoG f Der LoG er resultatet av å anvende Laplace-operatoren på en Gauss-funksjon IN 3 - A Canny s kant-detektor I Canny s algoritme gjøres kant-lokalisering slik: Tynning (non-maximal suppression): Hvis et piksel har en nabo med høyere pikselverdi, settes pikselverdien ned. Hysterese-terskling (to terskler T h og T l ) Vanskelig å finne en god gradient-terskel for hele bildet.. Merk alle piksler der G>T h. Scan alle piksler der G [T l,t h ] 3. Hvis et slikt piksel er nabo til et merket piksel, så merkes dette pikselet også. 4. Gjenta fra trinn til konvergens IN 3 - A Median-filter g(x, median av verdiene i et vindu rundt inn-pikslet. Median den midterste verdien i sortert liste. Vindu: kvadrat, rektangel, pluss. Rask implementasjon kan gjøres vha. histogram, med histogram-oppdatering etter hvert som vinduet flyttes. Et av de mest brukte kant-bevarende støy-filtre. Spesielt godt til å fjerne impuls-støy ( salt og pepper ) Problemer: Tynne kanter kan forsvinne Hjørner kan rundes av Objekter kan bli litt mindre Valg av vindus-størrelse og form er viktig! K Nearest Neighbor-filteret g(x, gjennomsnitt (eller median) av de K pikslene i vinduet som ligner mest på senterpikslet i gråtone-verdi. Kan sees som en modifikasjon av middelverdi-filtret (eller median-filtret), der man kun tar med de K mest aktuelle av nabo-pikslene. Problem: K er konstant for hele bildet. Hvis vi velger for liten K, fjerner vi lite støy. Hvis vi velger for stor K fjernes linjer og hjørner I (n n)-vindu : K: ingen effekt K<n: bevarer tynne linjer K<(n/+) : bevarer hjørner K<(n/+)n: bevarer rette kanter IN 3 - A IN 3 - A 4

7 K Nearest Connected Neighbor filtering Opererer uten noe vindu or alle piksler i bildet: Selected pixel current pixel While # selected pixels < K Add (4- or 8-) neighbors of recently selected pixel Sort list of pixel values Select pixel most similar to current pixel Compute mean of K selected pixels Mode-filter Ut-verdi hyppigst forekommende verdi i et vindu rundt inn-pikslet. Hvordan er dette forskjellig fra median? Implementeres vha. histogram-oppdatering Anvendes mest på segmenterte eller klassifiserte bilder, for å fjerne isolerte piksler. orutsetter noen få mulige verdier, derfor brukes det sjelden på gråtone-bilder. Dette vil bevare kanter og tynne linjer, uansett form IN 3 - A IN 3 - A 6 Terskling Hvis vi har grunn til å anta at objektene f.eks. er lysere enn bakgrunnen, kan vi sette en terskel T og lage oss et binært ut-bilde g(x, ved mappingen: hvis g( x, hvis f ( x, T f ( x, > T Da har vi fått et ut-bilde g(x, med bare to mulige verdier. Med riktig valg av T vil nå alle piksler med g(x, være objekt-piksler IN 3 - A 7 g f Klassifikasjonsfeil ved terskling Anta at histogrammet er en sum av to fordelinger b(z) og f(z), b og f er normaliserte bakgrunns- og forgrunns-histogrammer. La og være a priori sannsynlighet for bakgrunn og forgrunn (+) Det normaliserte histogrammet til bildet kan da skrives p( z) b( z) + f ( z) Sannsynlighetene for å feilklassifisere et piksel, gitt en terskelverdi t, finner vi fra de normaliserte fordelingene: E ( t) E ( t) t f ( z) dz b( z) dz t IN 3 - A 8

8 Den totale feilen Vi har funnet andelen feilklassifikasjon i hver fordeling. Den totale feilen finner vi ved å multiplisere med a priori sannsynlighetene for forgrunn og bakgrunn: E( t) E ( t) + E ( t) t f ( z) dz + Legges terskelen veldig høyt eller veldig lavt, blir feilen stor. Det er rimelig å anta at feilen har et minimum for en bestemt verdi t T. t b( z) dz IN 3 - A 9 inn den T som minimerer feilen E ( t) f ( z) dz + b( z) dz Deriverer E(t) mhp. t vha. Leibnitz regel for derivasjon av integraler. Setter den deriverte lik og får: de( t) dt t Merk at dette er en generell løsning som gir minst feil. Det er ingen restriksjoner mht. fordelingene b og f!! IN 3 - A 3 t f ( T ) b( T ) VIKTIG!!! Terskling av to Gauss-fordelinger Hvis standardavvikene i de to Gauss-fordelingene er forskjellige og skjæringspunktene mellom fordelingene (skalert med a priori sannsynlighet) ligger innenfor gråtoneskalaen i bildet En terskelverdi for hvert skjæringspunkt. Det er bare mellom de to tersklene at flertallet av pikslene er bakgrunnspiksler!, IN 3 - A 3 Hvor ligger optimal terskel? Vi har en annengradsligning i T: ( ) ( ) σ σ ln σ T + µ σ µ σ T + σ µ σ µ + σ µ σ Hvis standard-avvikene i de to fordelingene er like (σ σ σ) får vi en enklere ligning: ( µ µ ) T ( µ + µ )( µ µ ) + σ ln c ( µ + µ ) σ T + ln ( µ µ ) Hvis a priori sannsynlighetene og er omtrent like (eller hvis σ) har vi en veldig enkel løsning: ( µ + µ ) T IN 3 - A 3

9 En enkel tersklings-algoritme Algoritme. i Efford (litt modifisert): Start med terskel-verdi tmiddelverdien til alle pikslene i bildet. Merk: startverdien er modifisert fra Efford s algoritme inn middelverdien (µ (t)) av alle piksler som er mørkere enn terskelen inn middelverdien (µ (t)) av alle piksler som er lysere enn terskelen. La ny terskel-verdi være t ( µ ( t) + µ ( t) ) Gjenta de to punktene ovenfor til terskelen ikke flytter seg mer. Dette kalles Ridler og Calvard s metode Hvilke betingelser må være oppfylt for at metoden skal virke? IN 3 - A 33 Otsu s metode - motivasjon Anta at vi har et gråtonebilde med G gråtoner, med normalisert histogram p(i). Anta at bildet inneholder to populasjoner av piksler, slik at pikslene innenfor hver populasjon er noenlunde like, mens populasjonene er forskjellige. Målsetting: Vi vil finne en terskel T slik at hver av de to klassene som oppstår ved tersklingen blir mest mulig homogen, mens de to klassene bli mest mulig forskjellige. Klassene er homogene: variansen i hver av de to klassene er minst mulig. Separasjonen mellom klassene er stor: avstanden mellom middelverdiene er størst mulig IN 3 - A 34 Otsu s metode: Ønsker å minimere σ W (t) og samtidig maksimere σ (t) Siden σ Tot er konstant: finn t som maksimerer σ (t). Uttrykket for σ (t) kan skrives som: σ ( t) ( µ ( t) µ ) P ( t) + ( µ ( t) µ ) ( P ( t)) µ ( t) µ µ ( t) µ P ( t) ( P ( t)) P ( t) + µ P ( t) [ µ ( t) µ P ( t) ] [ µ µ ( t) µ + µ P ( t) ] P ( t) [ µ ( t) µ P ( t) ] ( P ( t) ) + P ( t) [ µ ( t) + µ P ( t) ] [ µ ( t) µ P ( t) ] P ( t)( P ( t)) P ( t) P ( t)( P ( t)) Otsu s metode: Søk etter maksimalverdien av σ (t) for alle verdier av t der < P (t)< IN 3 - A 35 Adaptiv terskling ved interpolasjon Globale terskler gir ofte dårlig resultat. Globale metoder kan benyttes lokalt. Dette virker ikke der vinduet bare inneholder en klasse! Oppskrift: NIVÅ I: Del opp bildet i del-bilder. or del-bilder med bi-modalt histogram: innlokal terskelverdi T c (i,j) og tilordne den til senterpikselet (i,j) i del-bildet. or del-bilder med uni-modalt histogram: inn lokal terskelverdi ved interpolasjon. NIVÅ II: Piksel-for-piksel interpolasjon: Gå gjennom alle piksel-posisjoner bestem adaptiv terskelverdi T(x, ved interpolasjon mellom de lokale terskelverdiene T c (i,j). Terskle så hvert piksel (x, i bildet i terskelverdiene T(x, IN 3 - A 36

10 De tre stegene i kompresjon Kompresjonsrate og redundans inndata transform kvantisering koding utdata Mange kompresjons-metoder er basert på å representere dataene på en annen måte, Differansetransform løpelengder/run-length, Kvantisering av original-dataene kan ikke reverseres. Koding bygger ofte på sannsynlighetsfordelinger, Estimert ved normaliserte histogrammer. Transformer og koding er alltid reversible IN 3 - A 37 Kompresjonsraten : der i er antall bit pr. sampel originalt, og c er antall bit pr. sampel i det komprimerte bildet. Relativ redundans : percentage removed : CR IN 3 - A 38 i c c R CR i c PR % i Differansetransform Gitt en linje i bildet med gråtoner f,...f N, f i b -. Transformer (reversibelt) til g f, g f -f,..., g N f N -f N- Vi trenger nå b+ biter hvis vi skal tilordne like lange binære koder til alle mulig verdier. I differansehistogrammet vil de fleste verdiene samle seg rundt. En naturlig bit-koding av differansene er ikke optimal IN 3 - A 39 Løpelengde-transform Ofte inneholder bildet objekter med lignende gråtoner, f.eks. svarte bokstaver på hvit bakgrunn. Vi kan benytte oss av kompresjonsteknikker som tar hensyn til at nabopiksler på samme linje ofte er like. Løpelengde-transform er reversibel. ørst et eksempel: (4 byte) Når tallet 3 forekommer 6 ganger etter hverandre, trenger vi bare lagre tallparet (3,6). Tilsammen trenger vi her 4 tallpar, (3,6), (5,), (4,), (7,6) altså 8 tall til å lagre hele sekvensen 4 tall ovenfor. Hvor mange biter vi bruker pr. tall, avhenger av den videre kodingen IN 3 - A 4

11 Gjennomsnittlig antall biter pr. piksel Vi konstruerer en kode c,...c N slik at symbol s i kodes med kodeordet c i. b i er lengden (angitt i biter) av kodeordet c i. Gjennomsnittlig antall biter pr. symbol for denne koden : Entropi Entropien, H, er definert som: b H p( si ) I( si ) p( si )log( p( si )) i i Entropien setter en nedre grense for hvor kompakt sekvensen kan representeres b R b p + b p b N p N N i b p i i Dette gjelder hvis vi bare koder hvert symbol for seg IN 3 - A IN 3 - A 4 Øvre og nedre grense for entropi Shannon-ano koding Alle symboler like sannsynlige > entropi lik antall biter. Det er b symboler, og sannsynligheten for hvert av dem er p(s i )/ b. Da b blir entropien H log ( ) log ( ) b b b b i N: Hvis det er b symboler som alle er like sannsynlige, så kan de ikke representeres mer kompakt enn med b biter pr symbol. Hvis alle pikslene er like > entropi lik. Hvis bare ett symbol forekommer, er sannsynligheten for dette symbolet lik, og alle andre sannsynligheter er lik. H log () IN 3 - A 43 En enkel metode: Sorterer symbolene etter hyppighet. L() Deler symbolene rekursivt i to omtrent like store grupper. ortsett til hver gruppe er ett symbol. Tilordner ett bit til hver gren i Symbol treet til høyre, til venstre. L Traverser treet fra rot til blad H A inner koden for hvert symbol. O Totalt antall biter IN 3 - A 44 Ant. H, A, L, O (5) H () Kodeord H, A, O (3) A() Lengde 3 3 A, O () O() Antall biter 3 3

12 Oppskrift - Huffman-koding Gitt en sekvens med N symboler:. Sorter symbolene etter sannsynlighet, slik at de minst sannsynlige kommer sist.. Slå sammen de to minst sannsynlige symbolene i en gruppe, og sorter igjen etter sannsynlighet. 3. Gjenta til det bare er to grupper igjen. 4. Gi kodene og til de to gruppene. Kode til den mest og til den minst sannsynlige av de to 5. Traverser bakover, og legg til og i kodeordet for de to minst sannsynlige gruppene i hvert steg IN 3 - A 45 Når er Huffman-koding optimal? Den ideelle binære kode-ord lengden for symbol s i er b i - log (p(s i )) Siden bare heltalls ordlengder er mulig, er det bare p( s i ) k for heltall k som tilfredsstiller dette. Eksempel: hvis vi har Symbol Sannsynlighet Kode s.5 s blir den gjennomsnittlige ordlengden R.9375 H IN 3 - A 46 s 3 s 4 s 5 s 6 Lempel-Ziv-koding Mottaker kjenner bare alfabetet, og lagrer nye fraser ved å ta nestsiste streng pluss første symbol i sist tilsendte streng, inntil listen er full (det er en praktisk grense her!). En ulempe er at man av og til lager kodeord som man ikke får bruk for. Komprimerer typisk tekst-filer med ca faktor. Algoritme for aritmetisk koding Vi starter med et current interval [,). or hvert nytt tegn gjør vi to ting: Vi deler opp current interval i nye delintervaller, der størrelsen på hvert delintervall er proporsjonal med sannsynligheten for tegnet. Vi velger det delintervallet av current interval som svarer til det tegnet vi faktisk har truffet på, og gjør dette til vårt nye current interval. Til slutt bruker vi så mange biter til å representere det endelige intervallet at det entydig skiller dette intervallet fra alle andre mulige intervaller IN 3 - A IN 3 - A 48

13 Lossy JPEG-kompresjon av bilde ildet deles opp i blokker på 8x8 piksler, og hver blokk kodes separat. Trekk fra 8 fra alle pikselverdiene. Hver blokk transformeres med DCT (Diskret Cosinus Transform): N M πu πv forξ ( u, v) c( x) c( cos ( x + ) cos ( y + ) f ( x,, c( ξ ) MN x y N M ellers Lossy JPEG-kompresjon Transformkoeffisientene skaleres med en vektmatrise kvantiseres til heltall. DCT transform divideres med Avrundes til Informasjonen i de 64 pikslene samles i en liten del av de 64 koeffisientene Mest i øverste venstre hjørne IN 3 - A IN 3 - A 5 Lossy JPEG-kompresjon 3 Sikk-sakk-scanning ordner koeffisientene i D-rekkefølge. Koeffisientene vil da stort sett avta i verdi utover i rekka Mange koeffisienter er rundet av til null. Løpelengde-transform av koeffisientene Huffman-koding av løpelengdene. Huffman-koden og kodeboken sendes til mottaker / lager. Gjentas for alle blokker i alle kanaler IN 3 - A 5 JPEG-kompresjon av fargebilde Vi skifter fargerom slik at vi separerer lysintensitet fra kromasi (perseptuell redundans, sparer plass). ildet deles opp i blokker på 8x8 piksler, og hver blokk kodes separat. Vi skifter fargerom for hvert bildeplan Hver blokk transformeres med DCT. orskjellige vektmatriser for intensitet og kromatisitet.... resten er som for gråtonebilder IN 3 - A 5

14 Tre integraler gir RG RG-kuben Lys fra en kilde med spektralfordeling E(λ) treffer et objekt med spektral refleksjonsfunksjon S(λ). Reflektert lys detekteres av tre typer tapper med spektral lysfølsomhetsfunksjon q i (λ). Tre analoge signaler kommer ut av dette: R G E( λ) S( λ) q E( λ) S( λ) q E( λ) S( λ) q ( λ) dλ ( λ) dλ ( λ) dλ IN 3 - A 53 R G Gråtonebilder: rgb magenta,,,, rød,, blå svart cyan grønn,, Merk: fargene her er normaliserte slik at de ligger mellom og IN 3 - A 54 gul hvit RG og CMY RG og CMY er i prinsippet sekundærfarger for hverandre. YIQ NTSC er standard for TV og video i USA. ruker fargesystemet YIQ. Y beskriver luminans, I og Q er krominanskomponentene. Samme signal brukes på farge- og gråtoneskjermer. RG hvit (,,) gir NTSC Y. RG grå (g,g,g) gir NTSC IQ IN 3 - A IN 3 - A 56

15 YCbCr-modellen Hue, Saturation, Intensity (HSI) Dette er fargemodellen for digital TV og video! Y er luminans (luma) Cb er blå minus luma (-Y) Cr er rød minus luma (R-Y). YCbCr er kun digital, RG kan være både analog og digital. MPEG-kompresjon er kodet i YCbCr Den analoge tvillingen til YCbCr er YPbPr. cyan S grønn blå hvit gul magenta I H rød Hue: ren farge - gir bølgelengden i det elektromagnetiske spektrum. H er vinkel og ligger mellom og π: Rød: H, grønn: H π/3, blå 4π/3, gul: Hπ/3, cyan π, magenta 5π/3, Hvis vi skalerer H-verdiene til 8-bits verdier vil Rød: H, grønn: H 85, blå 7, gul: H4, cyan 7, magenta 3. svart IN 3 - A IN 3 - A 58 Pikselverdi Disse verdiene ligger lagret på bildefilen RG-verdi,, 55,, 55,55,,55, 55,,...,,55 55,55,55 argetabell Disse verdiene vises på skjermen Kan vise RG-verdier på 8 biters skjerm Eller vise pseudofarger fra et gråtonebilde Pikselverdiene fra til 55 tilordnes et RG-triplet Ved framvisning leses pikselverdien, som brukes til å indeksere tabellen for å finne den RG-fargen som vises. Eks: Histogramutjevning RG vs HSI Originalbilde Histogramutjevning på RG Histogramutjevning i intensitet i HSI IN 3 - A IN 3 - A 6