Eliminación de Artificios de Cuantificación en Imágenes usando Proyecciones sobre Conjuntos...
-
Upload
blanca-pedro -
Category
Documents
-
view
16 -
download
4
Transcript of Eliminación de Artificios de Cuantificación en Imágenes usando Proyecciones sobre Conjuntos...
Eliminación de Artificios de Cuantificación en Imágenes usando Proyecciones sobre Conjuntos Convexos en Espacios Transformados
Luis Mancera Pascual
Luis Mancera Pascual - 01/07/2005 2
INTRODUCCIÓN
Luis Mancera Pascual - 01/07/2005 3
CUANTIFICACIÓN
Artificios de cuantificación: Falsos planos / falsos contornos
Peppers original Peppers cuantif. 3-bits
Luis Mancera Pascual - 01/07/2005 4
DESCUANTIFICACIÓN PARA RESTAURACIÓNemborronada emb. + cuant.
desemborronadas
La cuantificación introduce artificios de alta frecuencia al desconvolucionar
Luis Mancera Pascual - 01/07/2005 5
ESTADÍSTICA IMÁGENES NATURALES
Imagen natural: Imagen aleatoria:
Zonas suaves. Bordes
localizados.
Desestructurada.
Mezcla:
El conocimiento a priori es importante para la estimación.
Luis Mancera Pascual - 01/07/2005 6
OBJETIVO Utilizar la estadística de las imágenes
naturales para estimar la original como la imagen más típica compatible con la cuantificación observada.
)(xy q
observación original
cuantificación
estimación
Condición de compatibilidad:
yx )ˆ(q
Luis Mancera Pascual - 01/07/2005 7
MÉTODO DE PROYECCIONES ALTERNAS SOBRE CONJUNTOS CONVEXOS
Luis Mancera Pascual - 01/07/2005 8
EL MÉTODO DE PROYECCIONES ALTERNAS [Youla78]
)(P 0BAxx p
x0
xp
B
A
[Marks97]
0BA )P(Plim xx n
np
Luis Mancera Pascual - 01/07/2005 9
EL MÉTODO DE PROYECCIONES ALTERNAS (II)
Si no intersecan: Ciclo límite. Solución mínimos cuadrados.
x0
[Marks97]xA
xBA
B
Luis Mancera Pascual - 01/07/2005 10
EJEMPLOS DE CONJUNTOS CONVEXOS
Subespacios vectoriales: Localización espacial /
frecuencial (Fourier) / conjunta (wavelets).
Subespacios afines: Imágenes con un conjunto de
coeficientes fijado
Intervalos de cuantificaciónCoefs. cero.
Coefs. arbitrario.
Luis Mancera Pascual - 01/07/2005 11
EJEMPLOS DE CONJUNTOS CONVEXOS
Subespacios vectoriales: Localización espacial /
frecuencial (Fourier) / conjunta (wavelets).
Subespacios afines: Imágenes con un conjunto de
coeficientes fijado.
Intervalos de cuantificación.Coefs. fijos.
Coefs. arbitrario.
Luis Mancera Pascual - 01/07/2005 12
EJEMPLOS DE CONJUNTOS CONVEXOS
Subespacios vectoriales: Localización espacial /
frecuencial (Fourier) / conjunta (wavelets).
Subespacios afines: Imágenes con un conjunto
de coeficientes fijado.
Intervalos de cuantificación.
δi
δj
δkxi
xj
xk
y
Luis Mancera Pascual - 01/07/2005 13
FORMULACIÓN DEL PROBLEMA Y SOLUCIÓN POCS
Luis Mancera Pascual - 01/07/2005 14
y
Xest,1
Conjuntos de imágenes con un una característica típica a un determinado nivel.
Conjunto de imágenes compatibles con laobservación.
1( )C
( )Q y
Luis Mancera Pascual - 01/07/2005 15
Xest,2
( )Q y
2( )C
y
Luis Mancera Pascual - 01/07/2005 16
ciclo límite
( )Q y
( )iC
y
Luis Mancera Pascual - 01/07/2005 17
*( )C
( )Q y
y
ˆ ( )x y
Luis Mancera Pascual - 01/07/2005 18
PLANTEAMIENTO EN EL DOMINIO DE FOURIER
Luis Mancera Pascual - 01/07/2005 19
MODELADO DE LA IMAGEN
Filtro paso-bajo global Umbralización global Umbralización local
3 modelos:A. Suavidad
B. Frecuencias dominantes
C. Frecuencias locales dominantes
Luis Mancera Pascual - 01/07/2005 20
RESULTADOS PARA EMBORRONAMIENTOS ISÓTROPOS
Aplicación a desemborronado
Filtro gaussiano (σ = √2)
La mejora visual no refleja la mejora en precisión
(Modelo A) ISSIM: [Wang04]
Luis Mancera Pascual - 01/07/2005 21
RESULTADOS EMBORRONAMIENTO ANISÓTROPO
Original emborronada: Simulación movimiento 11 píxeles, 45º direcc.(Modelo C)
Cuantificada vs. Emborronada (3 bits) 28.70 dB PSNR / 79.75 SSIM (100)
Resultado vs. Emborronada 31.37 dB PSNR / 89.52 SSIM (100)
Luis Mancera Pascual - 01/07/2005 22
CONCLUSIONES
Sólo para señales suaves. Artificios oscilatorios en el
resultado (ringing). Aplicación a desconvolución
(caso alto emborronamiento y bajo ruido aleatorio).
Pobre localización conjunta.
WAVELETS
Solución:
Luis Mancera Pascual - 01/07/2005 23
PLANTEAMIENTO EN EL DOMINIO WAVELET
Luis Mancera Pascual - 01/07/2005 24
MODELO DE LA IMAGEN
Peppers original subbanda Peppers pirámide orientable
Raleza o sparseness. [Olshausen96, Mallat89] Redundancia mejora restauración. [Olshausen97] Pirámide orientable (steerable pyramid) [Simoncelli95]
Luis Mancera Pascual - 01/07/2005 25
FORZANDO LA RALEZA Degradación Menos raleza [Rooms04,Wang05]
Aumentamos raleza conservando un conjunto G de coeficientes significativos y minimizando la norma euclídea.
SG es la proyección ortogonal sobre: pseudoinversa
Luis Mancera Pascual - 01/07/2005 26
HALLANDO LA PSEUDOINVERSA
Subespacio afín de vectores que tienen un valor fijo en algunos coeficientes.
z’i
z’j
z’k
a
Luis Mancera Pascual - 01/07/2005 27
HALLANDO LA PSEUDOINVERSA
Conjunto de respuestas posibles.
z’i
z’j
z’k
Luis Mancera Pascual - 01/07/2005 28
HALLANDO LA PSEUDOINVERSA
Partiendo de cero POCS proyecta hacia elelemento de menor energía de la intersección
z’i
z’j
z’k
a
Solución
Luis Mancera Pascual - 01/07/2005 29
SELECCIÓN DE COEFICIENTES SIGNIFICATIVOS
Umbral para cada subbanda k:
x
y
p(x|y)
Coeficiente significativo: Aquel que supera el umbral o es vecino de alguno que lo supere.
Vecindad espacial 5 5.
k k
Luis Mancera Pascual - 01/07/2005 30
*( )C
( )Q y
y
ˆ ( )x y
Luis Mancera Pascual - 01/07/2005 31
UNA SOLUCIÓN CERCANA AL ÓPTIMO
La estimación es cercana al óptimo en mínimos cuadrados.
Curvas del factor promedio que resultade nuestro método (línea negra) y delóptimo en mínimos cuadrados (linea azul).
Luis Mancera Pascual - 01/07/2005 32
UNA SOLUCIÓN APROXIMADA EFICIENTE
Factor bastante constante para mismo proceso cuantificación (independientemente de la imagen) Utilizamos el factor promedio obtenido
para un conjunto de prueba.
Luis Mancera Pascual - 01/07/2005 33
RESULTADOS (I)
Observación cuantificada3 bits:• 28.78 dB PSNR• 80.10 SSIM (100)
Minimización salida filtro paso-alto:• 29.77 dB PSNR• 81.18 SSIM (100)
Nuestro resultado:• 30.80 dB PSNR• 87.59 SSIM (100)
Peppers Original.
Luis Mancera Pascual - 01/07/2005 34
RESULTADOS (II)
Desconvolución:• 21.52 dB PSNR • 48.47 SSIM (100)
Desconvoluciónprocesada:• 23,62 dB PSNR• 71.52 SSIM (100)
Emborronada + ruido + cuantificada 3 bits:•21.92 dB PSNR•55.91 SSIM (100)
Desconvolución: MATLAB, deconvblind(Image, PSF)
Peppers Original.
Kernel gaussiano σb = √2.Ruido blanco σn = 2.
Luis Mancera Pascual - 01/07/2005 35
RESULTADOS (III)El rendimiento es muy satisfactorio descenso brusco ¿?
Luis Mancera Pascual - 01/07/2005 36
RESULTADOS (IV) Detalle del cielo de una imagen fotográfica
cuantificada con 8 bits (contraste 40).
Observación Procesada
Luis Mancera Pascual - 01/07/2005 37
CONCLUSIONES Resultados satisfactorios para escalones
medio-grandes de cuantificación. Resultados satisfactorios en la
desconvolución. Los métodos basados en raleza superan
a los métodos basados en la suavidad. Reducción drástica de artificios en la
descuantificación y desconvolución. La estimación es cercana al óptimo LS.
Luis Mancera Pascual - 01/07/2005 38
TRABAJO FUTURO
Trabajo futuro: Investigar el comportamiento de la
pirámide orientable con cuantificación fina.
Experimentar con otras representaciones sobrecompletas.
Estudiar otros criterios de vecindad más avanzados.
Luis Mancera Pascual - 01/07/2005 39
REFERENCIAS [Marks97]. Robert J. Marks. Chapter 14 - Alternating Projections onto Convex Sets.
Deconvolution and Images Spectra. Ed. Peter A. Jansson. Academic Press. 1997. (http://cialab.ee.washington.edu/REPRINTS/1997-AlternatingProjections.pdf)
[Youla78]. D. C. Youla. Generalized Image Restoration by the Method of Alternating Orthogonal Projections. IEEE Trans. on Circuit and Systems, vol CAS-25, nº 9. September 1978.
[Wang04]. Z. Wang, A.C. Bovik, E.P. Simoncelli. Image Quality Assessment: from Error Visibility to Structural Similarity. IEEE Trans. on Image Proc., vol. 13, nº 4, pp 600-612. April 2004.
[Olshausen96]. B.A. Olshausen, D.J. Field. Natural Image Statistics and Efficient Coding. Network Computation in Neural Systems, vol. 7, pp. 333-339, 1996.
[Mallat89]. S.G. Mallat. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. PAMI, 11, pp. 674-693, July 1989.
[Olshausen97]. B.A. Olshausen, D.J. Field. Sparse Coding with an Overcomplete Basis Set: A Strategy Employed by V1?. Vision Res., vol. 37, no. 23, pp. 3311-3325, 1997.
[Simoncelli95]. E.P. Simoncelli. The Steerable Pyramid: A Flexible Architecture For Multi-Scale Derivative Computation. 2nd IEEE Int. Conf. Image Proc., Washington D.C., vol. III, pp. 444-447, October 1995.
[Rooms04]. F. Rooms, W. Philips, J. Portilla. Parametric PSF estimation via sparseness maximization in the wavelet domain. SPIE Conference "Wavelet Applications in Industrial Processing II”, Philadelphia. Proc. SPIE 5607, pp. 26—33, October 2004.
[Wang05]. Z. Wang, G. Wu, H.R. Sheikh, E.P. Simoncelli, E.H. Yang, A.C. Bovik. Quality-Aware Images. IEEE Trans. on Image Proc., accepted, 2005.