Metodos Bayesianos para Procesamiento de Imageneshorebeek/epe/jlm.pdf · Imágenes Sistemas de...
Transcript of Metodos Bayesianos para Procesamiento de Imageneshorebeek/epe/jlm.pdf · Imágenes Sistemas de...
-
Metodos Bayesianos para Procesamiento de Imagenes
Jos Luis Marroqun
Escuela de Probabilidad y Estadstica 2007
Centro de Investigacin en MatemticasGuanajuato, Mxico
-
EN GENERAL, LOS PROBLEMAS DE VISIN COMPUTACIONAL Y PROCESAMIENTO DE
IMGENES ESTN MAL PLANTEADOS EN UN SENTIDO MATEMTICO
LAS OBSERVACIONES NO DETERMINAN DE MANERA NICA LA SOLUCIN
-
f ? TransformacinNo-invertible
Ruido
ObservacionesCampo incgnita
Problemas Mal Planteados
-
f ? TransformacinNo-invertible
Ruido
Reconstruccin
f ? TransformacinNo-invertible
Ruido
Campo incgnita
-
f ? TransformacinNo-invertible
Ruido
f ? TransformacinNo-invertible
Ruido
Campo incgnita Reconstruccin
-
f ? TransformacinNo-invertible
Ruido
Reconstruccin
f ? TransformacinNo-invertible
Ruido
f ? TransformacinNo-invertible
Ruido
Campo incgnita
-
Restauracin (Eliminacin de Ruido)
-
Segmentacin
Materia gris
Materia blanca Fondo
-
Recuperacin de profundidad a partir de pares estereoscpicos
-
Reconstruccin del campo de movimiento
-
Transformacinno-invertible
Ruido Imagenobservada
f(x,y)
Campo original
I(x,y)
Problema de reconstruccin
-
Algoritmo de reconstruccin
Campo reconstrudo
Transformacinno-invertible
Ruido Imagenobservada
f(x,y)
Campo original
I(x,y)
Problema de reconstruccin
-
Conocimiento a priori
Algoritmo de reconstruccin
Campo reconstrudo
Transformacinno-invertible
Ruido Imagenobservada
f(x,y)
Campo original
I(x,y)
Problema de reconstruccin
-
Modelo General f Modelo de Observaciones Observaciones
Algoritmo de reconstruccinf estimada
mscompatible
con (1),(2),(3)
(1) (2) (3)
-
Proporciones dadas
Suave
Constante a trozos
Suave a trozos
Modelosgenerales deImgenes
-
Estimacin Bayesiana: Mtodo formal para incluir conocimiento a priori en el
algoritmo de reconstruccin.
Basado en las ideas del Reverendo Thomas Bayes (1701-1761)
-
.P(g|f) = Pn(g-f)
P(f)
P(f|g) = P(g|f) P(f) / Z
Estimacin Bayesiana: g = f + nEstimar f dado g
g
Ejemplo: g = 60 P(g | f=20) = P(n=40)
f
-
Ingredientes para la EstimacinBayesiana:
Modelo de las observaciones (verosimilitud) Modelo del campo que se desea estimar
(distribucin a priori) Encontrar la distribucin a posteriori (regla de
Bayes) Especificar la funcin de costo. Encontrar el estimador ptimo (MAP, MPM,)
-
Ejemplo: restauracin de imgenes suaves:
Modelo de observaciones:
n(x) : variables aleatorias normales, independientes, con media 0
)()()( xnxfxg +=
[ ]22 2/exp1))(( wZ
wxnP ==
-
Verosimilitud: P(g | f)
[ ]22 2/))()((exp1))()()(())(|)((
xfxgZ
xfxgxnPxfxgP
=
==
)()()( xnxfxg +=
Puesto que n(x) es independiente de n(y)
= x xfxgPfgP ))(|)(()|(
= x
xfxgZ
fgP 22 ))()((21exp
'1)|(
Modelo de observaciones:
Porque n(x) es normal
-
Definicin: F es un CAM (MRF) en una retcula L con respecto a un sistema de vecindades N si y slo si
MODELOS DE IMGENES: CAMPOS ALEATORIOS MARKOVIANOS
-
Teorema de Hammersley-Clifford : F es un CAM en una retcula L con respecto a un sistema de vecindades
Donde la suma se toma sobre todas las pandillas (cliques) del sistema de vecindades.
Si y slo si
-
MODELOS DE IMGENES: CAMPOS ALEATORIOS MARKOVIANOS
Retcula de pixeles
Sistema de vecindades Cliques
Funciones de potencial
r
sr s
-
Distribucin Gibbsiana a priori:
Asigna una probabilidad a cada posible imagen:
Pr( ) = 0.014
-
Imgenes Sistemas de partculas
V0 (fr , gr)
V1 (fr , fs)
r
s
q
fq
gq
-
r
s
[f(r)-f(s)]2
f(q)
q
Modelo de resortes (membrana):
-
Modelo a priori para f que especifique suavidad:
=
>< yx
yfxfZ
fP,
2))()((exp''
1)(
-
Ruido Gaussiano de observacin y modelo de membrana a priori
Verosimilitud:
A priori:
-
Distribucin a posteriori:
)()|()|( fPfgPgfP =
A posteriori:
Parmetro que controla la suavidad
U(f)
-
Estimador Bayesiano Optimo
Definir una funcin de costo apropiada:
Definir:
Calcular el estimador ptimo:
(media)(mediana)(moda)
-
Minimizar:
Es equivalente a resolver el sistema lineal de ecuaciones:
Para todos los pixeles r
Lo cual puede hacerse muy eficientemente
Estimador Optimo (MAP):
f debe parecerse a g f debe ser suave
-
Iteracin de Gauss-Seidel:
Donde es la vecindad del sitio r
-
1 10 50 300
Observaciones
=
Reconstrucciones con el modelo de resortes
-
Registro de Imgenes
Espcimen
Imagen Std.
Imagen deformada
Campo de deformaciones
Algoritmode
Registro
-
Modelo de observaciones:
)())(()( 21 rnrfrgrg ++=
Imagen originalImagen distorsionada ruido
Campo de distorsiones Tyx rfrfrf ))(),(()( =
-
Registro de imgenes
Verosimilitud:
A priori:
A posteriori:
-
Pirmide Multi-escala
Permite usar una aproximacin lineal para ))((2 rfrg +
)()()())(( 222 rgrfrgrfrg ++
( ) >< srp sprpZ
pP,
2|)()(|exp1)(
(modelo de membranas desacopladas)
-
[ ]
[ ]2|),,()(|exp)(,|)(Pr),(
krrI
krfrIrlk
=
==
=
===M
k
pkrfPpkrfrIPprIP1
),|)((),,)(|)((),|)((
)(),()(),(1
rprlrprl TM
kkk ==
=
Distribucin condicional:
-
Distribucin a posteriori:
[ ]),;(exp1),|( IpUZ
IpP =
[ ] >
-
Original MPM-MAP Experto
-
Clculo de disparidades estereoscpicas
-
Problema de la correspondencia
Cual es el punto correspondiente ?
-
Espacio de estados:
Verosimilitud:
-
Estereoscopa: alta definicin preservando bordes
-
Disparidad verdadera
Disparidades enteras Segmentacin paramtrica
-
Nodos pixeles
Nodosterminales
))(),(()()(,
0 sfrfVfVfEsrr
>