پردازش تصویر یکی از حوزه‌های پرکاربرد در علوم کامپیوتر، مهندسی، و تحلیل داده است. نرم‌افزار متلب (MATLAB) به دلیل ابزارهای قدرتمند پردازش تصویر، از جمله کتابخانه Image Processing Toolbox، یکی از محبوب‌ترین محیط‌ها برای کار با تصاویر است. در این مقاله، به معرفی انواع تصاویر در متلب، ساختار آن‌ها، کاربردها، مزایا و معایب هر نوع، و همچنین مثال‌های عملی برای درک بهتر مفاهیم می‌پردازیم.

انواع تصاویر در متلب

متلب از تصاویر در قالب‌های مختلفی پشتیبانی می‌کند که هر کدام ساختار، کاربرد، و ویژگی‌های خاص خود را دارند. این انواع عبارتند از:

• تصاویر ایندکس‌شده (Indexed Images)
• تصاویر مقیاس خاکستری (Grayscale Images)
• تصاویر باینری (Binary Images)
• تصاویر رنگی RGB (RGB Images)
• تصاویر رنگی HSV (HSV Images)

تصاویر ایندکس شده

تصاویر ایندکس‌شده از دو بخش اصلی تشکیل شده‌اند که در دو ماتریس جداگانه ذخیره می‌شوند:

• ماتریس تصویر: یک ماتریس دوبعدی که هر عنصر آن به یک سطر از نقشه رنگ (Colormap) اشاره دارد.
• نقشه رنگ (Colormap): یک ماتریس با سه ستون که مقادیر شدت رنگ‌های قرمز (R)، سبز (G)، و آبی (B) را در بازه [0, 1] مشخص می‌کند.

مزایا:

• کاهش حجم داده: به دلیل استفاده از یک نقشه رنگ مشترک، حجم ذخیره‌سازی تصویر کاهش می‌یابد.
• تفکیک رنگ بهتر: مناسب برای تصاویری که نیاز به نمایش رنگ‌های خاص و محدود دارند (مانند نقشه‌ها یا تصاویر پزشکی).
• پردازش سریع‌تر: به دلیل حجم کمتر، پردازش این تصاویر معمولاً سریع‌تر است.

معایب:

• عدم انعطاف‌پذیری برای تصاویر پیچیده با تنوع رنگی بالا.
• محدود بودن تعداد رنگ‌ها به اندازه نقشه رنگ.

مپ یا نقشه رنگ ماتریسی با سه ستون، که نشان دهنده میزان ترکیب رنگ های قرمز، سبز و ابی می باشد. مثالا در عکس بالا عدد 5 به سطر 5 ام  ماتریس رنگ اشاره دارد.

تمرین : رنگ قرمز را از تصاویر ایندکس شده بیرون بکشید.  (راهنمایی: برای اینکار کافیست محدوده R,G,B را در ماتریس مپ با حلقه IF مشخص کنید)

تصاویر مقیاس خاکستری

تصاویر مقیاس خاکستری تنها شامل یک ماتریس دوبعدی هستند که مقادیر آن شدت روشنایی پیکسل‌ها را از 0 (سیاه مطلق) تا 255 (سفید مطلق) نشان می‌دهد. در متلب، این تصاویر معمولاً در قالب داده‌ای uint8 ذخیره می‌شوند. در این ساختار ساده هر پیکسل تنها یک مقدار شدت روشنایی دارد. و اکثرا در تحلیل تصاویر پزشکی (مانند MRI)، تشخیص لبه، و پردازش تصاویر ساده کابرد دارد.

مزایا:

• حجم کم: به دلیل تک‌کاناله بودن، فضای ذخیره‌سازی کمتری نیاز دارند.
• پردازش آسان: بسیاری از الگوریتم‌های پردازش تصویر برای این نوع تصاویر بهینه‌سازی شده‌اند.

معایب:

عدم نمایش اطلاعات رنگی، که برای برخی کاربردها محدودیت محسوب می‌شود.

تصاویر باینری

تصاویر باینری تنها شامل مقادیر 0 (سیاه) و 1 (سفید) هستند و برای نمایش اشیاء یا مناطق خاص در تصویر استفاده می‌شوند. این تصاویر معمولاً از طریق آستانه‌گذاری روی تصاویر خاکستری ایجاد می‌شوند. برای کاربرد های تشخیص اشیاء مانند شناسایی اشکال در تصاویر صنعتی و پردازش متن از تصاویر اسکن‌شده پر کاربرد است.

مزایا:

• سادگی: به دلیل دو مقداره بودن، پردازش بسیار سریع است.
• حجم بسیار کم: مناسب برای ذخیره‌سازی و انتقال.

معایب:

• از دست رفتن جزئیات تصویر به دلیل حذف اطلاعات خاکستری یا رنگی.

تصاویر رنگی RGB

تصاویر RGB از یک ماتریس سه‌بعدی تشکیل شده‌اند که هر بُعد نشان‌دهنده یکی از کانال‌های رنگی قرمز (R)، سبز (G)، یا آبی (B) است. مقادیر هر کانال در بازه [0, 255] قرار دارند به عنوان مثال:

• رنگ قرمز: [1, 0, 0]
• رنگ زرد: [1, 1, 0]
• رنگ سفید: [1, 1, 1]

مزایا:

• نمایش کامل رنگ‌ها: مناسب برای تصاویر واقعی و طبیعی.
• کاربرد گسترده: در عکاسی، گرافیک، و نمایش تصاویر روزمره.

معایب:

• پردازش پیچیده: بسیاری از توابع متلب برای تصاویر RGB به‌صورت مستقیم کار نمی‌کنند و نیاز به جداسازی کانال‌ها دارند.
• حجم بالا: به دلیل سه‌کاناله بودن، فضای ذخیره‌سازی بیشتری نیاز دارند.

تصاویر HSV

تصاویر HSV در فضایی رنگی ذخیره می‌شوند که شامل سه مؤلفه است:

• H (Hue): نشان‌دهنده نوع رنگ (از 0 تا 1)، که موقعیت رنگ را روی چرخ رنگ مشخص می‌کند (از قرمز به نارنجی، زرد، سبز، و غیره).
• S (Saturation): شدت یا اشباع رنگ (0 = خنثی، 1 = حداکثر اشباع).
• V (Value): روشنایی رنگ (0 = سیاه، 1 = روشن‌ترین حالت).

مزایا:

• انعطاف‌پذیری در پردازش رنگ: مناسب برای کاربردهایی مانند تشخیص رنگ یا جداسازی اشیاء بر اساس رنگ.
• شبیه‌سازی بهتر ادراک انسانی: فضای HSV به نحوه درک رنگ توسط انسان نزدیک‌تر است.

معایب:

نیاز به تبدیل از RGB به HSV برای پردازش، که ممکن است زمان‌بر باشد.

کاربردهای عملی انواع تصاویر

• تصاویر ایندکس‌شده: مناسب برای تصاویر با تعداد رنگ محدود، مانند نقشه‌های جغرافیایی یا تصاویر علمی.
• تصاویر مقیاس خاکستری: ایده‌آل برای تحلیل تصاویر پزشکی، تشخیص لبه، و الگوریتم‌های یادگیری ماشین.
• تصاویر باینری: برای تقسیم‌بندی تصویر (Segmentation) و تشخیص اشیاء در کاربردهای صنعتی.
• تصاویر RGB: استاندارد برای نمایش تصاویر واقعی و طبیعی.
• تصاویر HSV: مناسب برای تحلیل رنگ در کاربردهای تشخیص اشیاء یا ردیابی.

---