专栏首页WOLFRAM木星切片剪影:JunoCam 图像处理

木星切片剪影:JunoCam 图像处理

█ 本文译自 Jesse Dohmann 于2018年1月12日的博客文章:Slicing Silhouettes of Jupiter : Processing JunoCam Images.

随着朱诺号太空探测器的图片公布于世,对这些图片亲自进行一番图像处理想必会很有趣。虽然本人毫无图像处理经验, 借助 Wolfram 语言里一些非常好用的工具,可以减轻学习负担,使我不必纠结于如何做,而是专注于想做什么。

朱诺的任务是为了理解行星的形成。木星,作为我们太阳系中最有影响的行星,无论是从字面上 (从引力效应),还是象征性地 (在我们关于宇宙起源的叙述中) ,都是最具竞争力的研究对象。朱诺号探测器发射到既定轨道上,将木星表面的气体的高清图像送回地球进行研究,以回答我们关于宇宙的一些问题。

朱诺探测器拍摄的图像以彩色滤镜、表面贴片的形式给我们提供了一张完整的木星表面图像。需要对其进行一些几何和图像处理,才能组装成一个完整的表面彩图。

预处理图像


JunoCam 的图像采用了四种不同的滤镜:红色、绿色、蓝色和近红外线。其中前三个来自同一次航天器自转 (每分钟大约两次旋转),并且近红外线图像来自第二次自转。最后产生的图像将所有的单滤波图像缝合在一起,得到一个投影图像。

NASA 把通过 JunoCam 捕获的图像汇集成一个图片库,其中包含本过程所用的全部图片,包括未排序的原始图像;红色、绿色和蓝色滤波图片;和最终的投影图像。

让我们先导入特定的红色、绿色和蓝色图像:

要从这些频带组装成 RGB 图像,我使用 ColorCombine

为了清除图像中的一些雾气,我们需要调整其对比度、亮度和伽玛参数:

可以看到,在最初的彩色组合图像中,有一个阴影效果并不突出。为了防止前景图像上的阴影干扰任何进一步的分析,亮度需要在整个图像中保持一致。我首先创建一个掩膜来限制对白色区域的校正:

应用这个掩膜得到:

现在图像变得过暗了,所以必须重新调整图像。这次,我用一个 Manipulate 来交互操作:

使用在 Manipulate 中找到的参数值创建调整后的图像:

在相机上拍摄的图像总是多少有点模糊。Wolfram 语言有多种反褶积算法可立即用于计算,减少这种意外的模糊。

大多数人在做图像处理时,特别是对天文图像进行处理时,都有一种直觉, 知道如何最好地通过反褶积来恢复图像。因为我没有这种直觉,最好的方法是这样交互式地做:

我再次使用了交互式得到的模糊校正,得到一个清晰的图像:

作为可用性测试,来看看这些变化是如何并排显示的:

处理图像


现在,图像的清理工作已经完成,可以通过多种方式对其进行分析。虽然哪种方式最好,并不总是那么明显。这对我来说是一个非常有挑战的探索过程——我尝试了很多最终并不正确的方法,如分水岭分割或图像的 DilationErosion;这些方法对二值化图像非常重要,但这里的重点是增强彩色图像。

对于木星,大红斑倍受关注,所以为什么不来突出一下这个特征呢?

首先,我需要过滤图像,以便易于区分三个不同的区域:背景、前景和前景中的大红点。为了做到这一点, 我应用了 MeanShiftFilter

这是很有用的,因为这个滤镜删除了大红斑的锯齿边缘。此外,此滤镜还保留了边缘,使大红斑周围的边界更平滑,便于计算机检测。

再次使用 Manipulate,我可以手动放置指示图像三个区域位置的种子点(您可以看到上面的滤镜对区域分离的效果):

这些地方的种子值存放于一个变量中,以供进一步使用:

使用这些种子,我可以用编程方式进行分割:

随着区域分割,我为大红斑创建了一个掩膜:

将这个掩膜应用于图像:

这虽然很棒,但我希望图像中的大红斑有一个近似数值边界。幸运的是,这对于 Wolfram 语言来说,是相当简单的。

交互式右键单击菜单,即可以从图像中找到创建此数值边界所需的坐标:

这是一个方便的 UI 功能,在笔记本前端直观地指导我查找大红斑内部 y 坐标最小值的大致位置:

以及同一区域内部 x 坐标最小值的大致位置:

我也同样找到了各坐标的最大值。通过这些值,生成一个步长为. 1的数值范围:

我构造了主轴和次轴:

然后近似得到中心:

最后创建椭圆边界:

将此椭圆边界应用于图像:

关于木星的更多巧妙分析


为了更好地了解木星,除了对外部 JunoCam 图像进行图像处理,木星(和太阳系中的任何其他行星一样)还有许多内置属性,已经存在于语言本身,随时可供计算:

这里提供了木星表面的一个纹理等距圆柱投影 (ERP),它非常适用于3维重建。

使用这个投影,我可以将它映射到一个球形图形基元:

结语


从起初我对图像处理几乎一无所知,通过很少几行代码,就能够以相当彻底的方式进行数据挖掘和分析,即使没有多少直觉可以指导我。

Wolfram 语言将图像处理所带来的单调乏味一扫而光,并帮助我专注于我想做的事情。正因为如此,我可以发现并尝试更多更有趣的事情——比如使用 ImageAssemble 组装原始图像,或者尝试通过颜色而不是数字来突出显示感兴趣的特征等,并且让我对提取正在寻找的信息更加自信。

本文分享自微信公众号 - WOLFRAM(WolframChina),作者:WolframChina

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-01-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Wolfram 语言与计算型显微镜

    WolframChina
  • 梵高《星夜》的『现代版』

    WolframChina
  • Mathematica也可以PS抠图

    WolframChina
  • 图像处理,计算机视觉和人工智能之间的差异

    图像处理和计算机视觉是超级令人兴奋的研究和研究领域。随着人工智能的进步,这两个领域都在不断发展。

    材ccc
  • 干货 | 携程图像智能化建设之路

    携程技术
  • 数字图像处理的基本原理和常用方法

      数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于 20 世纪 50 年代,当时的电子计算机已经发展到一定水平,人们...

    bear_fish
  • 基于SURF算法相似图像相对位置的寻找

    例如以下两个相似证件的模板,若以其中一幅图像为模板,并给出相应的位置,可以给出其他相似图像进行定位相对应的位置,如下图所示,其中除了标题和样式一样,内容确是不同...

    智能算法
  • IQ1: 怎么定义图像的质量?如何评价图像的质量?

    我的这个专栏叫做图像质量评价,但是什么叫做图像的质量呢? 图像质量是一个非常宽泛的概念,在不同情况下有不同的理解。

    HawkWang
  • 去噪、去水印、超分辨率,这款不用学习的神经网络无所不能

    事情是这样的:研究人员们让一个深度卷积网络去学习复制被破坏的图像(例如加入噪点的图像),随后竟发现这个网络可以自行先学会如何重建图像。该研究的论文《Deep I...

    机器之心
  • 图解自监督学习,人工智能蛋糕中最大的一块

    如果人工智能是一块蛋糕,那么蛋糕的大部分是自监督学习,蛋糕上的糖衣是监督学习,蛋糕上的樱桃是强化学习。

    AI算法与图像处理

扫码关注云+社区

领取腾讯云代金券