1 / 39

s naha o rekonstrukci lok á ln í ch struktur rozložení spekter x amplitudy spekter hlavní - amplituda

Odstraňování šumu. s naha o rekonstrukci lok á ln í ch struktur rozložení spekter x amplitudy spekter hlavní - amplituda . - obrázky - hladké oblasti s pár hranama - WT dobré kompresní vlastnosti (komprese + šum) jen málo koeficientů velkých dobrá lokalizace. Haar. Daubechies.

evelia
Download Presentation

s naha o rekonstrukci lok á ln í ch struktur rozložení spekter x amplitudy spekter hlavní - amplituda

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Odstraňování šumu • snaha o rekonstrukci lokálních struktur • rozložení spekter x amplitudy spekter • hlavní - amplituda • - obrázky - hladké oblasti s pár hranama • - WT dobré kompresní vlastnosti (komprese + šum) • jen málo koeficientů velkých • dobrá lokalizace

  2. Haar Daubechies Fourier F H D Rozdělení energie mezi koeficienty podle velikosti Fourier, Haar, Daubechies 8 momentů

  3. Odstraňování šumu - L2 energie zachovává + jen pár nenulových koeficientů = velké amplitudy - nejjemnější detaily – nejvíce šumu • - šum - všude v koeficientech přítomen • - Gaussovský bílý šum + ortonormální báze WT • = zase Gaussovský bílý šum • energie - přes mnoho koeficientů = malé koeficienty - ortonormální wavelety

  4. Odstraňování šumu • hlavní problém: PRAHOVÁNÍ – volba prahu • způsob hledání – často heuristiky • jednotné pro jednotlivé úrovně? • často různý, jen do určité hloubky

  5. Odstraňování šumu

  6. Odstraňování šumu • lépe zachovává hrany • - mnohdy detailní úrovně SOFT, ostatní HARD • hladší výsledky • líbivější výsledky

  7. Odstraňování šumu - VisuShrink • nejčastěji - univerzální práh Donoho, Johnstone • rychlé a automatické • práh určen • n – délka signálu, σ – STD • idea – odstranit koef. které jsou menší než očekávané • maximu předpokládaného šumu délky n • - často jen pro 1. odhad prahu

  8. Odstraňování šumu - odhady 2 MAD - medián absolutní hodnoty odchylky od mediánu - med(abs(dn-1,i - med(dn-1,i)))

  9. Odstraňování šumu - v praxi - prahy nezávislé na velikosti obrázku - adaptace prahu na každý band - adaptace prahu na lokální variaci koeficientů - spatial x scale adaptivní - velký práh - odstranění šumu - malý práh - zachování detailů - adaptace podle hladkosti okolí

  10. Odstraňování šumu

  11. Odstraňování šumu - detekce nespojitostí - hledání extrémů přes škály pyramidy - na každém stupni dekompozice prahování mezi extrémy (nerozmazává detaily) - je-li šum silný - prahovat extrémy alespoň v 1.kroku dekompozice

  12. Inverzní halftoning šedotónový obrázek - > binární obrázek m - > 1 zobrazení chybová difůze (error diffusion) inverzní proces typ chybové difůze - neznámý - známý

  13. Inverzní halftoning - neznámý typ Poznámka - jiný typ waveletové transformace - „á trous“ transformace - napodobuje víc spojitou WT - nedochází k decimaci

  14. DWT 1 běh Inverzní halftoning - neznámý typ odstranění šumu se zachováním hran WA1 IDWT 1 běh extrakce hran Gauss LPF WV1 OBR WH1 extrakce hran Gauss LPF

  15. Inverzní halftoning - neznámý typ Gauss LPF - rozmazat šum (malý, malá hodnota rozptylu) WV1 - horizontální hrany WH1 - vertikální hrany WVL rozklad do hloubky 3 - WV2, WV3, WH2, WH3 meziškálová korelace EH = WH2 . WH3, EV = WV2 . WV3 E = 1 if abs(EH)+abs(EV) > T else 0 WH2 = WH2 . E WV2 = WV2 . E

  16. Digital watermarking • neviditelný podpis v obraze, důkaz původu • - = • vypadat náhodně, neviditelně • viditelný watermarking stabilní x kvalita snímku klesá • detekovatelná korelací • StriMark – testování robustnosti (náhodné bilineární tr.)

  17. Digital watermarking • - stabilní vůči změnám (šum, komprese, výřez), i vůči • záměrnému poškození -> na význačné struktury • robustní – vodoznak na významných místech x viditelnost • blind watermarking – originál není znám při testování • fragile watermarking – zanikne s jakoukoliv operací • - detekce manipulací • semi-fragile watermarking • – zanikne s nebezpečnou operací

  18. Digital watermarking DCT transformace + pseudonáhodné sekvence reálných čísel (1000) na 1000 největších koeficientů (Cox 1995 )

  19. Digital watermarking • aditivní metody (spread spectrum) • lineární modifikace obrazu, korelace pro ověření • - Gaussovské náhodné řady čísel • - fúze obrazu • kvantizační metody • nelineární modifikace, ověření kvantizací (S x V)

  20. Watermarking - aditivní • Corvi • Gaussovská pseudo-náhodná data přidaná na 32x32 LL dekompozici

  21. Watermarking - aditivní • Dugad – na hrany • – Daubechies 8, 3 úrovně • detailní koeficienty > práh T na ně přidat vodoznak • - test, detailní koeficienty > T2 > T (robustnost)

  22. Watermarking - kvantizační • Inoue • sekvence binárních čísel, Daubechies 16, 3 úrovně • zerotrees s param. T , upravují se výz. A nebo nevýz. • A: všechny zerotrees, ne LL • koef. na m / -m podle masky • B: signifikantní z detailů na 3. úrovni, abs mezi T1 a T2

  23. Reprezentace - křivky a jejich DWT rozvoj

  24. Reprezentace textur • textury (biologická motivace) • waveletová transformace - frekvence a lokalizace • -  (koef2) … energie, sada pro jednotlivé škály • wavelet energy signatures

  25. Reprezentace textur • - wavelet covariance signatures - barva • (koef_(R,G,B) . koef_(R,G,B)) – energie • kovariance - svázanost barvy a charakteru struktury • normalizace energií odpovídajících barev • - energie v rozdílukanálů R, G, B • tj. korelace mezi kanályve stejném směru

  26. Reprezentace - Gabor wavelety • Hubel, Wiesel – buňky v mozku, • odezva závislá na frekvenci a směru • může být modelováno sinem modulovaným Gaussem • určitý typ waveletové • transformace v hlavě

  27. Reprezentace - Gabor wavelety • Gauss modulovaný komplexní sin funkcí • θ=nπ/K, K - počet orientací, W - frekvence sinu - dilatace a rotace - nastavení měřítka a orientace pro detekci objektů - textury - střední hodnota a rozptyl absolutní hodnoty koef.

  28. Reprezentace – segmentace textur • kruhový Gabor filtr • (rotační invariance) • kruhová maska -> • vektor příznaků • klasifikace do tříd

  29. Reprezentace - Banana wavelety

  30. Reprezentace - Banana wavelety

  31. Reprezentace - Banana wavelety - Gabor wavelety - podmnožina - koeficienty - míra podobnosti potenciální hrany / objektu v daném místě

  32. Detekce hran obdoba Cannyho detektoru hran • - absolutní hodnota • lokální maxima ve směru maximální změny • originál Canny Maar

  33. Detekce hran - multiscale verze - vyhlazování low-pass filtrem - nejčastěji Gauss - (x,y)

  34. Detekce hran 2 wavelety - odpovídají vektoru gradientu vyhlazeného obrázku

  35. Detekce hran velikost gradientu směr gradientu hrany - 1D lokální maxima M ve směru A posun obrázku - posun maxim - nemění se hodnoty maxim - koeficienty WT se můžou měnit

  36. Detekce hran - analýza • multiscale informace o hranách, z jednotlivých úrovní • analýza vztahů mezi jednotlivými úrovněmi • mizení koeficientů do hloubky závisí na lokální • hladkosti signálu

  37. Detekce hran - analýza • diferencovatelnost - Lipschitzovské koeficienty • čím větší , tím víc diferencovatelná funkce • v nespojitosti  = 0 (step hrana) • nutná podmínka pro f aby byla někde L. s je existence • C > 0 • - podle vývoje velikosti w.koef. - odhad hladkosti obr.f. Funkce funiformně Lipschitzovská s  (0 << 1) na intervalu [a,b] právě tehdy, když existuje konstanta K taková že pro libovolné (x0, x1) z [a,b] platí

  38. Detekce hran - analýza • pro detekci hran – odhady přes úrovně co šum a co hrana • je L. – nárůst koeficientů (hrany) • není L. – pokles koeficientů • není L. – pravděpodobně šum a detaily • použít hlubší úroveň když rychlý pokles • použít vyšší úroveň když pomalý pokles • přesnost umístění hran

More Related