Корреляция спектральных мод при ортогональных преобразованиях dct,gdct




НазваниеКорреляция спектральных мод при ортогональных преобразованиях dct,gdct
страница7/8
Дата26.04.2013
Размер0.59 Mb.
ТипДокументы
1   2   3   4   5   6   7   8

Литература

  1. H. Amirshahi, S. Kondo, K. Ito, T. Aoki. An image completion algorithm using occlusion-free images from Internet photo sharing sites. // IEICE Trans. on Fundamentals of Electronics, Commun. and Comp. Sciences. - 2009 - vol. E91-A - N. 10 - P. 2918-2927.

  2. L. Sorgi, N. Cimminiello, A. Neri. Keypoints Selection in the Gauss Laguerre Transformed Domain // Proc. BMVC06. - 2006. - P. 133-142.

  3. D. Sorokin, A. Krylov. Fast Gauss-Laguerre Keypoints Extraction Using 2D Hermite Functions // Proc. of 10 Int. Conf. Pat. Rec. and Im. Anal. PRIA2010. - 2010. - P. 339-342.

  4. D. Scharstein and R. Szeliski. A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms. // Int. J. of Computer Vision. – 2002. - Vol. 47(1/2/3). - P. 7-42.


DETECTION OF OCCLUSIONS OF THE BACKGROUND OBJECT SHOT FROM DIFFERENT VIEWPOINTS

Sorokin D., Rudyak Yu., Krylov A.

Lomonosov Moscow State University,

Faculty of Computational Mathematics and Cybernetics,

Laboratory of Mathematical Methods of Image Processing.


An algorithm of occlusion of the object using a set of images obtained from different viewpoints is proposed. Occlusion detection is an actual preprocessing task for the problem of image completion [1].

A set of input images Is of an object is considered. The photographs are shot from different points of view. In each image the object of interest can be occluded with one or several other objects. The purpose of proposed algorithm is to detect the regions of images Is (s=1,…,S) that corresponds to the objects that occlude the main object of the scene.

The proposed algorithm consists of two main stages. The first stage is matching of the I1 image with other Is (s=2,…,S). The Gauss-Laguerre algorithm of keypoints detection and parameterization is considered [2,3]. It is supposed that the object images are connected with projective transformation. Using the extracted keypoint descriptors the homography matrix is estimated with RANSAC algorithm. The images with weak matching are removed from the initial set. The result of this stage is the set of images where the object of interest has the same scale and orientation.

The second stage of the algorithm is the hierarchical detection of the areas of occlusion. The idea of this part of the algorithm is the following. Each image is divided into the square blocks. The similarity of blocks from different images with the same position is analyzed. The step is performed for all blocks positions. The blocks that are the most similar are considered as the object of interest parts and the other blocks are marked as occlusions.

An example of proposed algorithm of occlusion detection results is provided.

The work was supported by federal target program ”Scientific and scientific-pedagogical personnel of innovative Russia in 2009-2013” and RFBR grant 09-07-92000-HHC.

Literature

  1. H. Amirshahi, S. Kondo, K. Ito, T. Aoki. An image completion algorithm using occlusion-free images from Internet photo sharing sites. // IEICE Trans. on Fundamentals of Electronics, Commun. and Comp. Sciences. - 2009 - vol. E91-A - N. 10 - P. 2918-2927.

  2. L. Sorgi, N. Cimminiello, A. Neri. Keypoints Selection in the Gauss Laguerre Transformed Domain // In Proc. BMVC06. - 2006. - P. 133-142.

  3. D. Sorokin, A. Krylov. Fast Gauss-Laguerre Keypoints Extraction Using 2D Hermite Functions // Proc. of 10 Int. Conf. Pat. Rec. and Im. Anal. PRIA2010. - 2010. - P. 339-342.




ОСТАНОВКА ПРОЦЕССА ПОИСКА ФРАГМЕНТА ИЗОБРАЖЕНИЯ НА ОСНОВЕ АНАЛИЗА СХОДИМОСТИ ОЦЕНОК ПАРАМЕТРОВ МЕСТОПОЛОЖЕНИЯ


Ташлинский А.Г., Кавеев И.Н., Курбаналиев Р.М.


Ульяновский государственный технический университет


Поиск или локализация фрагмента – это задача цифровой обработки изображений, заключающаяся в оценивании параметров местоположения фрагмента (шаблона) на большом изображении. Она возникает при автоматизированном контроле качества [1], при разработке машинного зрения в робототехнике [2], распознавании объектов, поиске участка местности на аэрофотоснимке. Часто задача осложняется тем, что искомый фрагмент может отличаться от образца яркостью, контрастностью, цветом, геометрическими деформациями. Существуют различные методы поиска фрагмента, отличающиеся как скоростью, так и качеством поиска. Легко реализуется метод поиска через свертку фрагмента и опорного изображения. Однако он не работает в случаях, если фрагмент на изображении деформирован (например, повернут и масштабирован), не инвариантен относительно изменения уровня яркости, требует однородности изображения, а также является одним из самых медленных. Увеличить скорость можно за счет фильтрации в частотной области, используя быстрое преобразование Фурье [3]. Использование нормированной кросс-корреляции вместо свертки улучшает качество поиска, но еще больше увеличивает вычислительные затраты. Повысить быстродействие можно также используя серию изображений в различных масштабах, получаемых путем последовательного уменьшения разрешения (пирамиду изображений) [4]. Изображения меньшего разрешения могут быть использованы для поиска начального положение фрагмента при большем разрешении. Другой класс – методы, основанные на опорных точках [5 - 8]. Недостатком этих методов является то, что они требуют больших вычислительных затрат и при современном развитии вычислительной техники не способны работать в режиме реального времени. Кроме того, указанные методы плохо работают в случаях, когда объекты на изображении имеют простые формы без ярко выраженной текстуры.

Анализ показывает, что в условиях априорной неопределенности для изображений больших размеров перспективным является построение алгоритмов на базе псевдоградиентных процедур [9]. Указанные процедуры рекуррентны, сочетают хорошие точностные характеристики с высоким быстродействием, не требуют предварительной оценки параметров исследуемых изображений и применимы к обработке изображений с плавно меняющейся неоднородностью. Формируемые оценки параметров устойчивы к импульсным помехам и сходятся к точным значениям при довольно слабых условиях.

Пусть требуется совместить изображения и размером элементов, заданные на сетке . Для совмещения на изображении выберем фрагменты размером с координатами центров , , где шаги выбора фрагментов по координатам соответственно; — координаты центра первого фрагмента; , , , . Затем с помощью псевдоградиентной процедуры: , раз оценим параметры местоположения относительно , где — псевдоградиент [1] целевой функции ; — положительно определенная матрица усиления ,, ; — число оцениваемых параметров, — локальная выборка отсчетов изображений, используемая для нахождения на -й итерации. Заметим, что локальная выборка своя для каждой итерации оценивания.

Вектор параметров часто можно ограничить моделью подобия , содержащей параметры масштаба , угла поворота и сдвигов по и . Матрицу усиления можно принять не зависящей от номера итерации. После проведения оценок параметров получается матриц, измерениями которых являются координаты центров выбранных фрагментов , а элементами — оцененные параметры местоположения . Из матриц размером необходимо получить одну результирующую матрицу такого же размера, из которой исключены оценки с большими погрешностями (не вошедшие в заданный доверительный интервал), а оставшиеся оценки параметров некоторым образом усреднены. Затем по полученной матрице построить поле деформаций изображения для совмещения его с .

При больших различиях между изображениями и возможны так называемые «срывы» оценивания местоположения, т.е. получение оценок параметров с недопустимо большими погрешностями. Такие случаи необходимо идентифицировать и исключать из рассмотрения.

Характер сходимости оценок параметров при наличии и отсутствии срывов существенно различается. Это различие иллюстрируется рис. 1, где приведена динамика оценок одной из координат фрагмента при наличии «срыва» (рис. 1,а) и его отсутствии (рис. 1,б). Если оценка параметра достигает окрестности оптимального значения, то далее она существенно не меняется, колеблясь около этого значения (рис. 1,б).






а)

б)

Рис. 1. Динамика оценок одной из координат фрагмента

Для остановки процесса оценивания предлагается проверять гипотезу о его стабилизации. Гипотеза проверяется параллельно с работой процедур, не прерывая их. В результате проверки возможны ошибка первого рода — стабилизация процесса оценивания параметров произошла, а критерий показывает ее отсутствие, и ошибка второго рода — критерий показал стабилизацию при ее фактическом отсутствии. Если обозначить вероятность ошибки второго рода , то в матрицах будет в среднем ошибочных значений. Соответственно вероятность ошибки можно выбрать исходя из максимально допустимого числа «срывов» оценивания, которое позволяет достигнуть требуемого качества совмещения изображений.

Рассмотрим задачу в следующей постановке. Известны значения оцениваемых параметров на каждой выполненной итерации , . Необходимо найти критерий остановки случайного процесса псевдоградиентного оценивания после его стабилизации у оптимальных значений. Вместо четырех отдельных параметров целесообразно рассматривать интегральную характеристику — изменение евклидова расстояния между первоначальным положением произвольной заранее заданной точки и положением этой точки после деформации изображения с параметрами . Если проекции вектора смещения и , то:

,

где .

Использование суммы модулей разности. В этом случае критерий основан на предположении, что после стабилизации процесса оценивания разброс в окне оцениваемых параметров уменьшается. Для оцениваемых параметров и в скользящем окне шириной вычисляется расчетное значение критерия — сумма модулей разности () оценки параметра и его среднего значения в окне. Процесс оценивания останавливается после того, как указанная величина в течение некоторого заданного числа итераций не будет превышать критических значений.

Параметрами критерия являются ширина окна , значение порога и количество итераций , в течение которых расчетные значения должны быть меньше критического .





где: .

Значение порога для рассматриваемого критерия завит от величины шума, поэтому этот критерий больше подходит для случаев, когда характеристики обрабатываемых изображений и величина шума априорно известны.

Использование суммы квадратов разностей. Данный критерий аналогичен описанному выше критерию, за исключением того, что в качестве расчетного значения критерия служит сумма квадратов разности: .

Отметим, что известен метод нахождения SSD в один проход [10].

Использование размаха изменения параметров. В скользящем окне шириной вычисляется размах изменения параметров и , выраженный в единицах минимального изменения данного параметра за одну итерацию.



Параметры данного критерия (ширина окна , значение порога , количество итераций , в течение которых должен быть меньше ) также нужно устанавливать исходя из характеристик изображений и уровня шума.

Использование угла наклона тренда. До стабилизации процесс изменения оценок параметров имеет участки с восходящим и нисходящим трендом, а после стабилизации тренд в среднем исчезает. Идея критерия состоит в том, что в скользящем окне шириной параметры местоположения и аппроксимируются линейными функциями. Когда тангенс угла наклона этих функций в течение некоторого заданного числа итераций оказывается меньше порогового значения , т.е. близким к нулю, процесс оценивания останавливается. Параметры линейной функции , тренда находятся, например, по методу наименьших квадратов:



Данный критерий более универсален, его параметры не зависят от характеристик изображения и величины шума. Однако при использовании критерия возникает задача выбора ширины окна. Задание малой ширины окна приводит к тому, что легкие колебания оцениваемых параметров, имеющие место после стабилизации, воспринимаются критерием как участки с трендами, что мешает распознать момент стабилизации. Большая ширина окна, напротив, не позволяет увидеть тренд и увеличивает вероятность преждевременной остановки. Поэтому необходим компромисс между вероятностями ложной преждевременной остановки и вероятностью не обнаружения стабилизации. Опытным путем установлено, что хорошие результаты дает окно , , .

Таким образом, быстродействие и достоверность оценок параметров совмещения изображений можно существенно повысить, используя критерии сходимости с заданной точностью оценок параметров к оптимальным значениям.

Работа выполнена при поддержке гранта РФФИ 10-07-00271.

Литература

1.  Aksoy M. S., Torkul O., Cedimoglu I. H. An industrial visual inspection system that uses inductive learning, Journal of Intelligent Manufacturing, Expanded Academic ASAP. Thomson Gale, 2004, Vol. 15, No. 4, pp. 569–574.

2.  Понс Д., Форсайт Ж. Компьютерное зрение. Современный подход: Пер. с англ., М: Вильям, 2004.

3.  Kuglin C., Hines D. The Phase Correlation Image Alignment Method, Proc. Int. Conf. Cybernetics and Society, 1975, pp. 163-165.

4.  Adelson E. H., Anderson C. H., Bergen J. R.,  Burt P. J., Ogden J. M. Pyramid methods in image processing / RCA Engineer, 1984, Vol. 29, No. 6, pp. 33–41.

5.  Lowe D. G. Object recognition from local scale-invariant features / Proceedings of the International Conference on Computer Vision, 1999, No. 2, pp. 1150–1157.

6.  Herbert Bay and Tinne Tuytelaars and Luc Van Gool, Surf: Speeded up robust features / 9th European Conference on Computer Vision (ECCV-2006): Proceedings, 2006, Part I, pp. 404--417.

7.   Дунаев А. А., Лобив И. В. И др. Алгоритмы быстрого поиска фрагментов фотографических изображений / В кн.: Современные проблемы конструирования программ. - Новосибирск, 2002. -С. 88-109.

8.  Кавеев И.Н., Ташлинский А.Г. Оценивание параметров аффинной модели привязки изображений по сопряженным точкам / Сборник научных трудов Российской школы-семинара аспирантов, студентов и молодых ученых, Ульяновск, 2009, с. 109–111.

9.  Цыпкин Я З. Информационная теория идентификации, М.: Наука. Физматлит, 1995.

10. Welford B.P. Note on a Method for Calculating Corrected Sums of Squares and Products / Technometrics, Vol. 4, No. 3, pp. 419–420.

1   2   3   4   5   6   7   8

Похожие:

Корреляция спектральных мод при ортогональных преобразованиях dct,gdct icon21021, г. Винница, а/я 1996 тел. (+38 0432)57-95-80, факс (+38 0432)27-56-29
Т-50, т-60, лтз-145, лтз-60АБ, лтз-155, т-40м-с1,С2,Т-40Ам-с1,С2, т-40АНм-с1 дт-75мл и мод., дт-75Т и мод., т-70С, т-70В, т-90С,...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconОфициальный представитель ООО “Титан-2004” официальный представитель ООО “Гидравлика-Трейд”
Т-25 и мод., Т-30 и мод., Втз-2048 и мод., Втз-2032 и мод., Т- 45 и мод., Втз-30СШ
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconЛекція №2 Особливості реставрації бічної групи зубів
Пропонована нами стратегія умовно позначена як мод — О, де мод — мезіально-оклюзійно-дистальний дефект, а о — оклюзійний дефект коронки...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconСанкт-Петербургский Государственный Политехнический Университет кафедра национальная безопасность программа учебного курса «Подготовка к егэ по математике»
Решение квадратных уравнений; теорема Виета, применение ее при решении квадратных уравнений и в тождественных преобразованиях; разложение...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconУрок алгебры в 9 классе по теме Корень n-й степени и история г. Нарьян-Мара
Цель урока: Закрепить знания учащимися свойств корня n-й степени и научить применять их при вычисле­ниях и преобразованиях, повторить...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconМетодические указания к выполнению курсового проекта по дисциплине «основы менеджмента»
Поэтому при стратегических преобразованиях необходимо принимать во внимание множество ситуационных факторов, значительное внимание...
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconДимаки А. В., Светлаков А. А. Аппроксимация плотностей распределений случайных величин с применением ортогональных полиномов Чебышева-Эрмита

Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconИнтернет ссылки
Самостоятельная работа s11. Создание чертежа ортогональных и аксонометрической проекций простой детали в «Компас-3D»
Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconА. Н. Андрианов, “Дзета-функции ортогональных групп целочисленных положительно-определённых квадратичных форм,” Успехи Мат. Наук, 61 (2006), вып. 6, стр. 3-44

Корреляция спектральных мод при ортогональных преобразованиях dct,gdct iconИсследование движения проводящего твердого тела в электромагнитном поле
Новые методы в теории спектральных последовательностей, связанных с действиями конечных групп
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница