اسلایدهای بازیابی تصویر
Download
Report
Transcript اسلایدهای بازیابی تصویر
)Image Restoration( بازیابی تصویر
www.ashkanabbasi.ir
1393 زمستان
1
فهرست
معرفی بازیابی تصویر
معرفی روش های تخمین مدل تخریب
مشاهده – آزمایش – مدلسازی ریاض ی
معرفی تکنیک های بازیابی
فیلترینگ معکوس
حداقل مربعات خطا
حداقل مربعات محدود شده
رویکرد احتمالی برای بازیابی
بازیابی با تخمین بیشترین شباهت
بازیابی با بیشترین احتمال پسین
مثال هایی از دیگر مسایل بازیابی تصویر
2
بازیابی تصویر
• در بسیاری از مساله ها به دلیل از بین رفتن اطالعات ،با مشاهداتی ناقص یا معیوب روبرو
هستیم.
– نقص های فرایند ضبط سیگنال ،فشرده سازی یا انتقال سیگنال
• هدف :بازیابی اطالعات از بین رفته
• مثال رایج :نویز زدایی تصویر
3
تفاوت بازیابی و بهبود تصویر
• بهبود تصویر ()enhancement
– اعمال فیلتر های پایین گذر←کاهش مولفه های فرکانس های باال←کاهش نویز
– هدف :ایجاد یک حس بینایی مطلوب در ناظر است.
– اغلب بدون مدل کردن تخریب و با روش های خاص مساله
• بازیابی تصویر ( restorationیا )recovery
(1نیاز به مدلی برای تخریب یا ازبین رفتن اطالعات
(2بازیابی بر اساس یک معیار بهینگی
هدف :معکوس کردن فرایند تخریب است.
4
بازیابی تصاویر تلسکوپ هابل
5
کاربرد بازیابی در تشخیص پالک خودرو
• محو شدن پالک خودرو در اثر حرکت ()motion blur
– ش ی یا دوربین وقتی شاتر دوربین باز است حرکت می کند.
6
بازیابی تصویر
• مساله بازیابی تصویر ،یک مساله ی معکوس ( )inverse problemاست .
– با داشتن مدل تخریب و خروجی آن هدف یافتن ورودی سیستم
• در حالت کلی جوابهای بیشماری برای یک مساله معکوس ممکن است چون فرومعین
( )under-determinedاست.
• مثال) Image Inpainting
• دانش پیشین برای محدود شدن جواب ها بکار می رود.
• بازیابی بر مبنای داشتن مدل تخریب است.
7
مدل تخریب
• هدف :با داشتن تصویر تخریب شده gتصویر اصلی را بیابید
• با فرض خطی و نامتغیر با مکان بودن سیستم تخریب
• این مدل برای حالت پیوسته است.
8
فرمول بندی گسسته
• بازیابی بر مبنای داشتن دانش درباره ی تابع تخریب و نویز است .چطور Hرا بیابیم؟
9
تخمین مدل تخریب با مشاهده
• یک تصویر خراب شده داریم بدون هیچ دانش ی درباره فرایند تخریب
• فرض :تابع تخریب خطی و تغییر ناپذیر با مکان
• فرض :نویز ناچیز
پردازش یا تخمین
• با توجه به شکل ،Hsتابع Hرا می سازیم.
10
تخمین مدل تخریب با آزمایش
• شبیه سازی فرایند تصویر برداری برای ایجاد پاسخ مشابه
• تصویر برداری از ضربه
– ضربه :یک نقطه ی نورانی خیلی کوچک
– نقطه خیلی روشن :برای کاهش اثر نویز
پاسخ ضربه
)h(x,y
Point Spread Function
11
ضربه
)δ(x,y
تخمین مدل تخریب با آزمایش
• تبدیل فوریه ی یک ضربه ،ثابت است.
• تبدیل فوریه ی ضربه مشاهده شده:
– Aقدرت ضربه را نشان می دهد.
• تبدیل فوریه تصویر مشاهده شده:
• پاسخ فرکانس ی سیستم تخریب
12
تخمین مدل تخریب با مدلسازی ریاض ی
• گاهی می توان یک مدل ریاض ی برای فرایند تخریب ایجاد کرد.
• آشوب جوی ()atmospheric turbulence
– kوابسته به شدت آشوب
13
مدل خطی محو شدن در اثر حرکت
• هنگامی که ش ی یا دوربین حرکت می کند شاتر دوربین باز است.
• آنچه یک سنسور ضبط می کند حاصل از یک شعاع نور از صحنه نیست.
• به ازای هر نقطه از صحنه ،سنسور مجموع شعاع های نور دریافتی از نقاط مجاور صحنه
را دریافت می کند.
• x0و y0میزان حرکت در راستای xو yرا نشان می دهند.
– وابسته به زمان هستند.
• Tمدت زمان باز بودن شاتر دوربین
14
مدل خطی محو شدن در اثر حرکت
• مدل تصویر مشاهده شده:
• محاسبه ی تبدیل فوریه تصویر مشاهده شده:
15
مدل خطی محو شدن در اثر حرکت
• مدل خطی محو شدن در اثر حرکت
16
تخمین مدل تخریب با مدلسازی ریاض ی
17
فیلتر معکوس
• ساده ترین روش بازیابی برای یک سیستم تخریب LSI
• با دانستن H
• فیلتر معکوس نویز موجود در داده ها را تقویت می کند.
– در فرکانس های باال ،مقادیر Hبسیار کوچک هستند.
)1/H(u,v
18
مشکل تقویت نویز فیلتر معکوس
)1/H(u,v
19
فیلتر معکوس با آستانه گذاری
• آستانه گذاری
20
فیلتر معکوس با آستانه گذاری
21
فرم ماتریس ی فرمول بندی گسسته
• می توان با دنبال هم قرار دادن سطر های یک تصویر آنرا به فرم یک بردار نوشت.
• با در نظر گرفتن بردار نویز:
22
فرم ماتریس ی فرمول بندی گسسته
• فرم ماتریس ی تخریب:
• Hیک ماتریس با ابعاد MNدر MNاست
• با Hمی توانیم کانولوشن چرخش ی را پیاده کنیم
• Hیک ماتریس بلوکی چرخش ی ( )block circulant matrixاست.
– هر سطر با شیفت چرخش ی به سمت راست سطر قبل بدست می آید.
– هر بلوک آن از یک سطر ماتریس ) h(m,nبدست می آید.
23
بازیابی با جواب کمترین مربعات خطا
• مدل تخریب به فرم ماتریس ی:
• خطای کمترین مربعات:
• اگر Hیک ماتریس بلوکی چرخش ی ( )block circulantباشد:
• جواب فیلتر معکوس و کمترین مربعات خطا یکسان است:
24
کمترین مربعات محدود شده
• بکارگیری دانش پیشین برای حل مساله با ایجاد محدودیت
• Cیک فیلتر باالگذر مانند الپالسین است.
• ریلکس کردن محدودیت با معرفی ضریب الگرانژ:
• اگر Hیک ماتریس بلوکی چرخش ی ( )block circulantباشد:
25
کمترین مربعات محدود شده
α=0.1
α =0.001
26
محو شدن در اثر
حرکت
α =0.01
رویکرد احتمالی برای بازیابی
• مدلسازی دانش پیشین:
– تصویر اصلی و نویز را بصورت یک رندوم فیلد مدل می کنیم.
– این کار را با تعریف تابع چگالی احتمال برای هر کدام از آنها انجام می دهیم.
• مدل تخریب
:fتصویر اصلی
:gتصویر مشاهده شده (تخریب شده)
:nنویز جمعی
:Hعملگر تخریب (خطی)
هر کدام از fو nنمونه هایی (تحقق هایی) از یک رندوم فیلد هستند.
27
مدل تصادفی دانش پیشین برای نویز
• فرض کنید نویز حاصل از یک توزیع گوس ی باشد پس تابع چگالی احتمال آن بصورت
زیراست:
:Cnnماتریس کوواریانس نویز
:Nتعداد نمونه های تصویر یا نویز (بعد بردار )n
• برای ساده سازی می توان فرض کرد نویز گوس ی سفید باشد:
28
مدل تصادفی دانش پیشین برای تصویراصلی
• یک توزیع پیشین معمول برای تصویر مدل SARاست:
)Simultaneous AutoRegressive (SAR
• یک توزیع گوس ی برای تصویر fبا میانگین صفر و ماتریس دقت
• Cیک فیلتر باال گذر است (مثال :الپالسین)
• هنگامی که انرژی در فرکانس های باال کوچک باشد ،طبق این مدل تصویر محتمل تر
است.
29
استنتاج
• استنتاج مبتنی بر توزیع پسین (قاعده ی بیز):
• تخمین بیشترین شباهت (:)MLE
• تخمین :MAP
30
بازیابی با تخمین بیشترین شباهت
• شباهت با نویز گوس ی
31
بازیابی با بیشترین احتمال پسین
• شباهت با نویز گوس ی:
• مدل پیشین برای تصویر (مدل :)SAR
32
مدل های پیشین برای تصویر
• Simultaneous AutoRegressive (SAR) Image Prior
• Total Variation (TV) Image Prior [Rudin et al., 1992]:
امi ) پیکسلv() و عمودیh( نزدیک ترین همسایه های افقیa(i) وl(i) •
• Markov random fields [Zhu and Mumford, 1997]
33
مدل های پیشین برای تصویر
• پیشین SARنرم بودن را به تصویر تحمیل می کند اما لبه ها را زیاد جریمه می کند
– در ناپیوستگی های ،نرم بودن از بین می رود.
• یک ویژگی مدل TVخاصیت حفظ لبه آن است.
– همزمان با اینکه نرم بودن را تحمیل می کند،ناپیوستگی ها در تصویر را کمتر جریمه
می کند.
34
نکاتی درباره ی بازیابی با رویکرد احتمالی
• همیشه برای بازیابی به فرمولی با جواب بفرم بسته نخواهیم رسید.
– بستگی به مدل نویز و مدل تصویر دارد.
• در فرمول های استنتاج شده فرض بر آن بود که واریانس نویز و تصویر را می دانیم( .پارامتر
های آلفا و بتا)
• اگر تابع مات کننده ( )Hمعلوم نباشد ،مساله بازیابی را بازیابی کور می نامند.
35
مثال هایی از مسایل بازیابی
•
•
•
•
•
•
•
•
•
•
36
سوپررزولوشن تصویر یا ویدیو (سوپررزولوشن نسخه ی فشرده شده)
نویز زدایی
حسگری فشرده
بازسازی از روی افکنش ها
مساله ی defocusing
مساله ی Image Inpainting
مساله ی Image Demosaicing
مساله ی pansharpening
مساله ی daul exposure
و ....
مطالعه بیشتر
• Gonzalez, Rafael C., and Richard E. Woods. "Digital image processing."
(2008).
• Banham, Mark R., and Aggelos K. Katsaggelos. "Digital image restoration."
Signal Processing Magazine, IEEE 14.2 (1997): 24-41.
• Coursera, Fundamentals of digital Image and Video Processing by
professor Katsaggelos.
• Katsaggelos, Aggelos K. Digital image restoration. Springer Publishing
Company, Incorporated, 2012.
37