Открыть сервисСервис

Керн — базовая единица растрового изображения

Керн (англ. kernel) — наименьшая единица растрового изображения, пиксель, а также математическая функция, определяющая его яркость или цвет. Термин используется в компьютерной графике, цифровой обработке изображений и телевидении; в зависимости от контекста означает либо сам пиксель, либо матрицу весов свёртки, применяющуюся к изображению.

Керн как пиксель

В растровой графике изображение представляет собой прямоугольную сетку пикселей. Каждый пиксель (керн) хранит значения цветовых компонент — как правило, красного, зелёного и синего каналов, а иногда и альфа-канал прозрачности. Размер изображения задаётся числом кернов по горизонтали и вертикали: например, изображение 1920×1080 содержит около 2,07 млн пикселей.

Каждый керн характеризуется:

  • координатами в системе растра (строка и столбец);
  • значением яркости или цвета (в монохромном изображении — одним числом, в цветном — тремя и более);
  • глубиной цвета — числом бит, отводимых на одно значение (8, 10, 12, 16 бит и более).

В цифровом телевидении и видеопроизводстве кернами называют элементы матрицы изображающего сенсора камеры или пиксели экрана. Стандарты видеосжатия (MPEG, H.264, H.265) оперируют блоками кернов — обычно 8×8 или 16×16 пикселей, — внутри которых выполняется дискретное косинусное преобразование.

Керн как матрица свёртки

В цифровой обработке изображений керном называют матрицу небольшого размера (чаще всего 3×3, 5×5 или 7×7), элементы которой — веса, задающие вклад каждого соседнего пикселя в итоговое значение центрального пикселя. Процедура применения такой матрицы называется свёрткой (convolution).

Математически свёртка изображения с керном выглядит как:

$$I'(x,y) = \sum_{i=-k}^{k} \sum_{j=-k}^{k} I(x+i, y+j) \cdot K(i,j)$$

где $I$ — исходное изображение, $K$ — матрица керна размера $(2k+1) \times (2k+1)$, $I'$ — результат.

Керн скользит по всему растру; для каждого положения вычисляется взвешенная сумма яркостей соседних пикселей. На границах изображения применяются различные стратегии дополнения: нулевое дополнение, зеркальное отражение, повторение граничных пикселей.

Типичные керны

НазначениеКерн 3×3Эффект
Усреднение (блюр)1/9 × [[1,1,1],[1,1,1],[1,1,1]]Размытие
Гауссово размытиеприближение ядра ГауссаМягкое размытие
Резкость[[0,-1,0],[-1,5,-1],[0,-1,0]]Повышение чёткости
Выделение границ (Лаплас)[[0,1,0],[1,-4,1],[0,1,0]]Детектирование контуров
Сдвиг по X[[-1,0,1],[-2,0,2],[-1,0,1]]Оператор Собеля

Применение

Керны-матрицы применяются в широком спектре задач:

  • Сглаживание и шумоподавление — гауссово и медианное фильтрация убирают случайные помехи с изображения.
  • Повышение резкости — свёртка с керном, усиливающим высокочастотные компоненты, делает изображение более чётким.
  • Выделение границ — операторы Собеля, Превитта и Лапласа используются для поиска контуров объектов.
  • Морфологические операции — эрозия и дилатация применяют керны-структурные элементы для обработки бинарных изображений.
  • Нейронные сети — свёрточные нейронные сети (CNN) построены на идее кернов: обучаемая матрица малого размера скользит по изображению, извлекая признаки. В глубоких сетях керны первого слоя часто визуализируются как фильтры, выявляющие края, текстуры и простые формы.

В компьютерном зрении и распознавании образов керны являются базовым инструментом предварительной обработки: бинаризация, морфология, выделение ключевых точек (SIFT, SURF) — всё это опирается на свёртку с матрицами заданной формы.

Керн в других областях

Термин «керн» встречается и за пределами обработки изображений. В ядерной физике керном называют внутреннюю, наиболее плотную часть атомного ядра. В теории ядер реакций керн — это модельное представление о ядре как о капле однородной жидкости. В математике понятие ядра (kernel) используется в теории операторов и линейной алгебре — как множество векторов, отображаемых линейным оператором в ноль.

Историческая справка

Идея свёртки с матрицей малого размера восходит к работам по математической оптике XIX века, где описывалась роль ядра в формировании изображения в оптической системе. В цифровой обработке изображений метод получил распространение в 1960-х годах с развитием компьютерной графики и спутниковой съёмки. Практическое значение кернов резко возросло в 2010-е годы с развитием свёрточных нейронных сетей, показавших высокую эффективность в задачах классификации изображений.

Источники

  • Гонсалес Р., Вудс Р. Цифровая обработка изображений. — М.: Техносфера.
  • Пратт У. Цифровая обработка изображений. — М.: Вильямс.
  • Саймон Хейкин. Нейронные сети: полный курс. — Бином.
  • Стандарты ITU-R BT.709 и ISO/IEC 23008-2 (H.265).
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru