Speciální funkce a transformace ve zpracování obrazu

Prezentace na téma: "Speciální funkce a transformace ve zpracování obrazu"— Transkript prezentace:

1 Speciální funkce a transformace ve zpracování obrazu
1.část Barbara Zitová Fourierova transformace wavelety: něco málo teorie wavelety: aplikace v DZO

2 Fourierova transformace
= oscilační X úhlová frekvence k

3 Vlastnosti linearita konvoluce convolution theorem =
posun shift theorem rotace F(R(f)) = R(F(f)) změna měřítka similarity theorem

4 Fourierova transformace - 2D
F( x ,y ) = f( kx ,ky ) = real, u=v imag, u=v

5 Peridoické prodloužení

6 4 / N 6.5 / N 17 / N 19 / N

7 Použití filtrace registrace reprezentace objektů reprezentace textur
interpolace reprezentace objektů reprezentace textur

8 Filtrace ve frekvenční oblasti
= high pass Gaussian high pass band pass low pass Gaussian low pass directional

9 Low pass step filtr

10 Butterworth filtr low pass high pass n= 1, 4, 16

11 Butterworth filtr

12 Filtrace periodického poškození
Inverzní filtrace Známý typ PSF

13 Registrace - fázová korelace
kros korelace + F ( Image(x,y)) . F * ( Window(x,y)) = e 2π i (x TX + y TY ) | F ( Image(x,y)) . F * ( Window(x,y)) | SPOMF symmetric phase - only matched filter

14 Log-polar transformace

15 RTS registrace F(R(f)) = R(F(f)) FT | | log-polar FT fázová korelace
 - periodicita amplitudy - > 2 úhly log(abs(FT)+1) problémy s diskrétním prostředím

16

17 Fourierovy deskriptory
f(t) = x(t) + iy(t) Posun - změna F(0) Rotace - změna fáze Měřítko - vynásobení konstantou Změna start bodu - posun v 1D reprezentaci

18 Fourierovy deskriptory
periodická funkce souřadnice f(t) = x(t) + iy(t) vzdálenost od těžiště f(t) = ([x(t) – xc]2+ [y(t) - yc]2)1/2 plocha

19 Fourierovy deskriptory - interpolace
separace - tvar - pozice - měřítko - orientace medicínské řezy

20 Textury - popis

21 Textury - popis

22 Fourierova transformace
- základní stavební prvky FT pro každou frekvenci – sinusoida dané frekvence porovnána se signálem obsahuje-li signál danou frekvenci – korelace je velká  velké FT koeficienty nemá-li signál žádnou část dané frekvence, korelace na dané frekvenci je malá/nulová  malý / nulový FT koeficient

23 Okénková Fourierova transformace

24 Okénková Fourierova transformace

25 Okénková Fourierova transformace
výpočet různých FT pro po sobě jdoucí časové intervaly time-frequency reprezentace „1-D time domain“ „2-D time-frequency“ volba okna tvar, šířka šířka okna – signál v něm stacionární širší okno – menší „time“ rozlišení

26 Volba okna Dva extrémy W(t) nekonečně široké  klasická FT
výborné „frequency“ rozlišení, žádná „time“ informace W(t) nekonečně úzké  konstanta výborné „time“ rozlišení, žádná „frequency“ informace Okno zvoleno – rozlišení nastaveno v obou oblastech Gaussovské okno – nejmenší

27 Obě rozlišení nemohou být libovolně velké!
Heisenbergův princip t * f > 1/(4 ) Gaborův princip neurčitosti t Time rozlišení: separace 2 „špicí“ v časové oblasti f Frequency rozlišení : separace 2 spektrálních komponent Obě rozlišení nemohou být libovolně velké! Pouhé intervaly!!

28 FT versus wavelets - plocha

29 Waveletová transformace
Základy teorie Aplikace

30 Historie Wavelet · 1909 Alfred Haar - Haar b áz e . · 1946 Gabor - ne
orthogonální neomezené wavelety 1976 Croisier, Esteban a Galand - filter banks pro dekompozici a rekonstru kci signálu 1982 Jean Morlet použil Gabor wavelety k modelování seismických signálů

31

32 Aplikace wavelet Komprese Problematika rozmazání Odstraňování šumu a poškození Detekce struktur Registrace Fúze dat s různým rozlišením Reprezentace

33 O co tady jde ? „Laplacian“ pyramida

34 K čemu směřujeme ?

35 Haarova waveleta

36 kompaktní dyadická ortonormální

37

38

39 g = [ , ] h = [ , ]

40 g* = [ , ] h* = [ , ]

41

42 Haar waveleta Mexican hat waveleta

43

44 Wavelet transformace Okno proměnné šířky
analýza vysokých frekvencí  úzké okno pro lepší „time“ rozlišení analýza nízkých frekvencí  širší okno pro lepší „frequency“ rozlišení

45 Okénková Fourierova transformace
translace, dilatace a > 0,  R   R waveletová transformace

46 Waveletová transformace
h a, => a,b - matečná waveleta (mother wavelet) - wave... osciluje - ….let dobře lokalizovaná kolem 0, mizí rychle -   = 0 -  |  |2 <  - FT() a,b v 0 - 0, v  - 0 - něco jako band-pass filtr ve FT 2 < ∞ a,b  x - b a > 0,  R b  R, normalizace přes škály

47 Haar waveleta Mexican hat waveleta

48 Shannon waveleta Morlet waveleta

49 Daubechies 4 waveleta

50 Spojitá waveletová transformace
a,b* a, b a,b a, b c - záleží na  WF(a,b) =  f (t), a,b  a > 0,  R b  R REDUNDANTNÍ!! – diskretizace a,b

51 Dyadická síť – diskretizace a, b
„time“ vzorkování u nízkých frekvencí – řídké stačí b a vzorkované na log stupnici b vzorkované hustěji u malého a log a obvykle a0 = 2 a b0 = 1, což vede na dyadickou síť

52 Dyadická waveletová transformace - waveletové řady
-  < m, n <  m, n  Z binární škálování - zmenšování o faktor 2 dyadický posun - posun o k/2j m,n - ortonormální báze L2(R)  m,n ,k,l  = m,k  n,l f(x) =   c m,n ,m,n c m,n =  f (x), m,n  -   Přeurčenost

53 Diskrétní waveletová transformace - cesta
Kompaktní dyadická waveletová transformace - f(x), m,n nenulové na [0,1], jednotkový interval j j = 2m + n, m = 0,1, … n = 0, 1, … 2j - 1 pro libovolné j je m je největší takové, že 2m  j, n = j - 2m f(x) =  c j ,j c j =  f (x), j  -   Diskretizace f … f (i x) N vzorků … mocnina 2 spojité

54

55 Diskrétní waveletová transformace
Kompaktní dyadická waveleta Diskretizace f …. f (i x) N vzorků … mocnina 2 j f(x) =  c j ,j c j =  f (x), j  =  f(x) j 1 N diskrétní

56 FT - spojitá funkce x spojitá funkce  
FŘ - periodická funkce x řada koeficientů   DFT - navzorkovaná funkce x navzorkované spektrum   SWT - spojitá funkce x spojité a,b   WŘ - spojitá funkce x řada koeficientů   DWT - navzorkovaná funkce x konečná řada koeficientů  

57 Waveletová transformace - dekompozice

58 V10 W6 W9 W5 W8 V5 W7 Haar waveleta

59 Waveletová dekompozice funkce f
Vj Vj0 WJ-1 základ +  detaily různého měřítka

60

61 Mutliresolution analysis (MRA)
- postup pro konstrukci ortonormálních bází - L2 prostor - vnořená sekvence uzavřených podprostorů Vi - každé Vi odpovídá jednomu měřítku - plně určeno volbou škálovací funkce 

62 Platí: nárůst i - jemnější rozlišení scale invariance

63 shift invariance funkce ij (x), kde tvoří ortonormální bázi Vi … škálovací funkce „father wavelet“ Pi(f) - ortonormální projekce f do Vi , pak škálovací koeficienty reprezentace chyby ( detailu ) Vi+1 - Vi ortonormální doplněk Wi

64 Platí: každý Wi je generován posuny  i, j waveleta škálová invariance
translační invariance ortonormalita Wi a Wk waveletové koeficienty

65 Waveletová transformace - dekompozice
Vj Vj0 Wj0 Wj-1

66 škálovací koeficienty
waveletové koeficienty  … vyhlazovací (smoothing) funkce - nenulový   (=1) -   = 0 -  a FT() dobrý pokles ( lokalizace v obou oblastech) - kompaktní ,  - nulové krom určitého konečného intervalu

67 V0  V1 V0 V1 dilatační rovnice W0  V1 V0 V1 W0

68 Haar waveleta g = [ , ] h = [ , ]

69 Poznámky k h a g hN-1-j = (-1) j g j
h,g quadrature mirror filtry (|H|2 + |G|2 = 1)  h = 2  g = 0 h - low pass filtr g - high pass filtr g – h zpětně se změněnými znaménky posun o pul periody g = [ , ] h = [ , ] hN-1-j = (-1) j g j g = [h3 -h2 h1 -h0] hj určuje škálovací funkci

70 Ortogonalita  waveleta (wavelet) báze Wi  škálovací funkce (scaling function) báze Vi

71 Waveletová dekompozice funkce f
Vj Vj0 základ +  detaily různého měřítka

72 V10 W6 W9 W5 W8 V5 W7 Haar waveleta

73 V10 W6 Daubechies 4 škálovací funkce a waveleta W9 W5 W8 V5 Daubechies 4 waveleta W7

74 V10 W6 W9 W5 W8 V5 W7 Haar waveleta

75 Waveletová dekompozice funkce f
PVjf - ortonormální projekce f do Vi kompaktní suport základ +  detaily různého měřítka

76 cj+1,k =  h(k-2l) cj,l + cj-1,k =  h(n-2k) cj,n +  g(k-2l) dj,l
Vj k (PV f )(x) =  cj-1,k j-1,k(x) +  dj-1,k j-1,k (x) Vj-1 + Wj-1 j DR cj-1,k =  h(n-2k) cj,n n dj-1,k =  g(n-2k) cj,n cj+1,k =  h(k-2l) cj,l + +  g(k-2l) dj,l l signál délky 2J - vzorky na jednotkovém intervalu Vn < f, J,k >, aproximace spojité funkce f .. cJ,k

77 Rychlá waveletová transformace

78

79

80 Waveletová transformace - proces určení cj0,k, dj,k
Kompaktní - konečný počet nenulových koeficientů - lokalizace v čase, frekvenci Požadavek na nulovost momentů FFT - O(Nlog2N) FWT - O(N)

81 Vlastnosti očekávané od wavelet
- dobrá lokalizace - jednoduchost konstrukce a reprezentace - invariance vzhledem k některým operacím - hladkost, spojitost, diferencovatelnost, symetrie - dobré vlastnosti vzhledem k počtu nulových momentů

82 Kompaktnost - v obrazové oblasti (ve frekvenční rychle k nule) - nižší výpočetní nároky - lepší obrazové rozlišení x horší frekvenční Symetrie - ortogonální kompaktní wavelety nemohou být sym. - biortogonální wavelety Momenty a jejich nulovost 1. M momentů 0 : signály typu nulové detailní koeficienty dobré pro kompresi Daubechies 2p koeficientů – p nulových momentů Hladkost lepší rekonstrukce

83 Biortogonální wavelety
Haar jediná kompaktní, ortogonální a symetrická oslabení ortogonality Reálné x komplexní wavelety Ortogonální x biortogonální x neortogonální Jiné typy diskretizace, nedyadické, m-bands

84 Wavelet packets - nadmnožina WT
analytické funkce (W0 škálovací f., W1 waveleta ) volba stromu (snižování entropie)

85

86 Filter banks ψa(x) = (1/√a) ψ(x/a) ψa(x) = ψ*a(-x) = (1/√a) ψ*(-x/a)
pak CWT = f * ψa(x) H G násobení ve FT

87 Subband coding h H f(iΔt) F(s) H(s) h(iΔt) f(iΔt)*h(iΔt) F(s).H(s)

88 F(s).H(s) f(iΔt)*h(iΔt) B(s) b(iΔt) B(s)*[F(s).H(s)] b(iΔt)[ f(iΔt)*h(iΔt)]

89 g G f(iΔt) F(s) G(s) g(iΔt) f(iΔt)*g(iΔt) F(s).G(s)

90 F(s).G(s) f(iΔt)*g(iΔt) B(s) b(iΔt) B(s)*[F(s).H(s)] b(iΔt)[ f(iΔt)*h(iΔt)] Aliasing