Fůze rozmazaných snímků ( Li, Manjunath, Mitra) kombinace „nejlepších“ dat volba „nejlepších“ - pomocí DWT, levý Mallat strom absolutní hodnota koeficientů.

Prezentace na téma: "Fůze rozmazaných snímků ( Li, Manjunath, Mitra) kombinace „nejlepších“ dat volba „nejlepších“ - pomocí DWT, levý Mallat strom absolutní hodnota koeficientů."— Transkript prezentace:

1 Fůze rozmazaných snímků ( Li, Manjunath, Mitra) kombinace „nejlepších“ dat volba „nejlepších“ - pomocí DWT, levý Mallat strom absolutní hodnota koeficientů - amplituda wavelet velké abs. hodnoty - významné ostré změny jasu volba max | koeficienty | sesazení zvolených zpětná rekonstrukce pomocí IDWT

2 DWT max IDWT Fůze rozmazaných snímků ( Li, Manjunath, Mitra) maximum přes okolí 3x3, 5x5 pokud „jiné“ - nahrazení, pokud „stejné“ - průměr konzistence - okolí z obr. A, jeden z obr. B -> změna

3 Fúze dat Remote sensing: kombinace detailů z panchromatického (PAN) obrazu s vysokým prostorovým rozlišením s infomací o barvě z obrazu multispektrálního (MS) s nízkým p.r. Proč MS není s vysokým rozlišením – příchozí energie do senzoru - množství nasbíraných dat IHS fúze pro MS: RGB -> IHS, I nahrazeno PAN obrazem, zpětná IHS PCA fúzeMS dekoreluje, 1 komponent nahrazen PAN, zpětná PCA wavelety Problémy s barvou – staré satelity relativně OK - nové problém s PAN (větší rozsah – jiná barva)

4 TM vysoké frekvenční rozlišení (barevné) TM3, TM4, TM7 SPOT-PAN vysoké prostorové rozlišení TM - Landsat Thematic Mapper, SPOT - Satellite Pour I' Observation de la Terre FWT(SPOT-PAN) AVG(SPOT-PAN), DH(SPOT-PAN), DV(SPOT-PAN), DD(SPOT-PAN) registrace (TM) na AVG(SPOT-PAN) IFWT(R(TM), DH(SPOT-PAN), DV(SPOT-PAN), DD(SPOT-PAN) ) 10m 20m Fúze dat s různým rozlišením

5 Fúze dat pomocí WT

6 Reprezentace - křivky a jejich DWT rozvoj - textury (biologická motivace) - waveletová transformace frekvence a lokalizace -   (koef 2 ) … energie - energie v rozdílu kanálů R, G, B tj. korelace mezi kanály ve stejném směru - rozptyl, střední hodnota

7 - dilatace a rotace - nastavení měřítka a orientace pro detekci objektů - textury - střední hodnota a rozptyl absolutní hodnoty koef. - Gauss modulovaný komplexní sin funkcí Reprezentace - Gabor wavelety

8 Reprezentace - Banana wavelety

9

10 Registrace snímků - škálovací funkce - impulsní odezva LPF - wavelety - amplituda WT - pro dané wavelety proporční k velikosti gradientu

11 Registrace snímků - LH a HL, řídící bod tam kde M větší než práh - STD a E M pro danou hloubku,  ovlivňuje počet pro jemné úrovně vyšší hodnoty - v LL na daných místech výpočet korelačních koeficientů w c plocha

12 Registrace snímků - postupně z hloubky, v každém kroku provést odhadnutou transformaci - je možno v hloubce začít full-search přes prostor parametrů, pak na vyšších úrovních omezit oblast vyhledávání - je možno použít bloky místo detekovaných maxim

13 obdoba Cannyho detektoru hran - absolutní hodnota -lokální maxima ve směru maximální změny originál Canny Maar Detekce hran

14 - multiscale verze - vyhlazování low-pass filtrem - nejčastěji Gauss -  (x,y) Detekce hran

15 2 wavelety - odpovídají vektoru gradientu vyhlazeného obrázku při použití konvoluce

16 hrany - 1D lokální maxima M ve směru A posun obrázku - posun maxim - nemění se hodnoty maxim - koeficienty WT se můžou měnit Detekce hran velikost gradientu směr gradientu

17 Detekce hran - analýza - multiscale informace o hranách, z jednotlivých úrovní - analýza vztahů mezi jednotlivými úrovněmi - mizení koeficientů do hloubky závisí na lokální hladkosti signálu

18 - diferencovatelnost - Lipschitzovské koeficienty - čím větší , tím víc diferencovatelná funkce - v nespojitosti  = 0 - nutná podmínka pro f aby byla někde L. s  je existence C > 0 - podle vývoje velikosti w.koef. - odhad hladkosti obr.f. Funkce f uniformně Lipschitzovská s  (0 <  < 1 ) na intervalu [a,b] právě tehdy, když existuje konstanta K taková že pro libovolné (x 0, x 1 ) z [a,b] platí Detekce hran - analýza

19 - pro detekci hran – odhady přes úrovně co šum a co hrana - není L. – pokles koeficientů - je L. – nárůst koeficientů - není L. – pravděpodobně šum a detaily - použít hlubší úroveň když rychlý pokles - použít vyšší úroveň když pomalý pokles - - přesnost umístění hran Detekce hran - analýza

20 Watermarking - neviditelný podpis v obraze, důkaz původu - - = - vypadat náhodně, neviditelně - detekovatelná korelací - stabilní vůči změnám (šum, komprese, výřez)

21 Watermarking - robustní – vodoznak na významných místech versus viditelnost METODA: DWT – detailní koeficienty > práh na ně přidat vodoznak IDWT KONTROLA: DWT test, detailní koeficienty > práh2 > práh korelace, porovnat s mírou podobnosti

22 Watermarking - jen významné koeficienty změněny - množství změn adaptováno na obrázek - druhý práh větší z důvodů robustnosti (šum, komprese)