Ειδικά Κεφάλαια Ψηφιακής

Επεξεργασίας Εικόνων

Ατσαλάκης Αντώνης
Αντικείμενα της παρουσίασης :

 Χρωματικοί Χώροι.
 Διάφορες τεχνικές Color Quanti-
zation και εφαρμογή αυτών στην
επεξεργασία εικόνας.
Χρωματικοί Χώροι

 Το μοντέλο RGB Κάθε χρώμα

αντιπροσωπεύεται από
B ένα διάνυσμα [R,B,G]

B lu e 255 C ya n

W h it e
M a g e n ta

255
B la c k
0 G re e n G

Re d
Y e llo w
255
G r a y S c a le

R Black = minimum(Cyan, Magenta, Y ellow)

(Cyan - Black)
Cyan =
(1 - Black)
 C  255  R 
 M   255  G  (Magenta - Black)
Magenta =
      (1 - Black)
 Y  255  B  (Y ellow - Black)
Y ellow =
(1 - Black)
Χρωματικοί Χώροι

 Το μοντέλο RGB

Red Green Blue

Χρωματικοί Χώροι

 Το μοντέλο YIQ
 Y  0.299 0.587 0.114   R 
 I   0.596  0.275  0.321  G 
     
Q  0.212  0.523 0.311   B 

•Τo Y εκφράζει την φωτεινότητα της εικόνας,

ενώ τα I, Q την χρωματική πληροφορία.
•Τα Υ και I, Q είναι ανεξάρτητα μεταξύ τους
•Μπορούμε εύκολα να κάνουμε equalize.
Χρωματικοί Χώροι

 Το μοντέλο HSI
•Τo H εκφράζει την συνιστώσα του καθαρού χρώματος
(καθαρό κόκκινο, πορτοκαλί κτλ)
•Το S εκφράζει το πόσο άσπρο χρώμα έχει το καθαρό
χρώμα H.
•To I εκφράζει την Gray scale μορφή της εικόνας
Χρωματικοί Χώροι

 Το μοντέλο HSI W h ite

G re y
G re e n Y e llo w

S a tu
C yan r a tio Red
n

B lu e M a n g e n ta

B la c k
Χρωματικοί Χώροι
 Εύρεση του συστήματος συντεταγμένων στην
οποία τα χρώματα μιας εικόνας έχουν την
μέγιστη διακριτικότητα.
 Μετά την εκπαίδευση ενός νευρωνικού δικτύου PCA με
μία εικόνα, τα διανύσματα που αντιστοιχούν στις συνά-
ψεις των νευρώνων μας δίνουν ένα νέο σύστημα συντε-
ταγμένων όπου τα χρώματα της εικόνας έχουν την
μέγιστη διακριτικότητα.
y

u
1

u0

x
 Χρωματικοί Χώροι

(b)
 A  0,18874 0,35501 0,91562   B 
 B    0,77141 0,52551 - 0,35881  G 
     
C  - 0,60931 0,77426 - 0,17288  R 

(a) (c)
Color Quantization
 Ο χρωματικός κβαντισμός του τρισδιάστατου χώρου RGB δεν
πετυχαίνεται με τον κβαντισμό των χρωμάτων σε κάθε μία
συνιστώσα ξεχωριστά.
Color Quantization

 Μέθοδος Median Cut.

 Αφού προσδιορίσουμε πρώτα το ορθογώνιο τμήμα
του χώρου RGB που περιέχει όλη την εικόνα το
διασπάμε διαδοχικά σε τμήματα τέτοια ώστε να
περιέχουν ίσο αριθμό από pixels.

*Μια παραλλαγή της μεθόδου είναι η μέθοδος Variance Bisection

Color Quantization
 Μέθοδος μείωσης των χρωμάτων με την χρήση
ενός νευρωνικού δικτύου ανάλυσης κυρίων συνι-
στωσών PCA, και ενός νευρωνικού ταξινομητή
SOFM
X1
X0 X2
X3

Y0
Σ
Y1
X1 Σ

Σ
Y2

Σ
X2

PCA SOFM
 Color Quantization
X1
X2
X3

Blue Green Red

Σ

Νευρώνας νικητής
Σ
0 5 10

1 6 11 Σ
Βάζουμε τις συνιστώ-
2 7 12 Το κάθε
σες RGB των χρωμά- κουτάκι Σ
0 5 10
αντιστοιχεί
των, από τα pixel της 3 8 13
σε ένα
1 6 11

αρχικής εικόνας, με τη 4 9 14 pixel 2 7 12

σειρά στο νευρωνικό Εστω ότι έχουμε μια εικόνα 3 8 13
δίκτυο Kohonen και διαστάσεων 5x3. Ο τρόπος σάρωσης
αυτής φαίνεται παραπάνω 4 9 14
τις αντικαθιστούμε με
τις συνιστώσες των
βαρών του νευρώνα Αρχική εικόνα Τελική εικόνα
νικητή.
Color Quantization
 Αυτόπροσαρμοζόμενη μέθοδος μείωσης των
χρωμάτων με την χρήση νευρωνικών δικτύων.

0 FS 0 L ayer 0

1 ,1 F S 1 ,1 1 ,2 F S 1 ,2 L ayer 1

2 ,1 F S 2 ,1 2 ,2 F S 2 ,2 2 ,3 F S 2 ,3 2 ,4 F S 2 ,4 L ayer 2

F S = F e a tu re S e t
Color Quantization
 Αυτόπροσαρμοζόμενη μέθοδος μείωσης των
χρωμάτων με την χρήση νευρωνικών δικτύων.
L ayer 0

C o lo r1 C o lo r2

L ayer 1

C o lo r3 C o lo r4 C o lo r5 C o lo r6

L ayer 2

C o lo r8 C o lo r9 C o lo r1 0 C o lo r1 1 C o lo r1 2
C o lo r7
L ayer 3
C o lo r 1 = [ 1 3 7 ,4 3 ,2 8 ] C o lo r 2 = [ 1 4 8 ,1 7 6 ,9 7 ] ]
C o lo r 3 = [ 1 2 7 ,1 6 0 ,7 9 ] C o lo r 4 = [ 1 7 7 ,1 9 7 ,1 2 0 ]
C o lo r5 = [ 1 6 9 ,5 3 ,3 6 ] C o lo r 6 = [ 7 2 ,2 3 ,1 2 ] C o lo r1 3 C o lo r1 4
C o lo r 7 = [ 1 7 6 ,1 9 2 ,9 7 ] C o lo r 8 = [ 1 8 2 ,2 0 7 ,1 7 0 ]
C o lo r9 = [ 1 8 0 ,4 4 ,3 4 ] C o lo r 1 0 = [ 1 1 9 ,9 3 ,4 7 ]
C o lo r 1 1 = [ 5 3 ,7 ,5 ] C o lo r 1 2 = [ 9 9 ,4 7 ,2 3 ]
C o lo r 1 3 = [ 1 0 6 ,2 6 ,1 5 ] C o lo r 1 4 = [ 8 9 ,7 8 ,3 5 ]
Color Quantization

 Vector Quantization

8 B it γ ια G r a y s c a le

Από κάθε μπλόκ σχηματίζουμε

και ένα διάνυσμα που ονομάζεται
Training Vector
y i   yi ,1 yi , 2  yi , k 

Training Set
Color Quantization

 Vector Quantization
 Πρώτος τρόπος υλοποίησης
Αν θέλουμε να κβαντίσουμε Μ διανύσματα σε Ν (Μ>Ν) τότε
αρχικά δημιουργούμε Ν τυχαία διανύσματα που τα ονομάζουμε
Code Vectors και στο τέλος του αλγόριθμου θα μας δίνουν και
τα τελικά χρώματα που θα έχει η εικόνα.
 Αντιστοίχηση όλων των διανυσμάτων του συνόλου
Training Set στα διανύσματα Code Vectors με την
χρήση κάποιου κριτηρίου, όπως την ελάχιστη ευκλείδεια
απόσταση.

 Σε κάθε ένα από τα Ν νέα σύνολά που σχηματίστηκαν

υπολογίζουμε το αντίστοιχο Code Vector σύμφωνα με
την σχέση y  E (x)

 Ο αλγόριθμος σταματάει όταν τα Code Vectοrs

σταματήσουν να μεταβάλλονται σημαντικά.
Color Quantization

 Vector Quantization
 Δεύτερος τρόπος υλοποίησης
Color Quantization

 Octree Color Quantization

Κόμβοι του δέντρου

Φύλλα του δέντρου

Color Quantization

 Octree Color Quantization.

 Σκοπός του αλγόριθμου είναι η ομαδοποίηση
των όμοιων χρωμάτων. Αυτό πετυχαίνεται με
το κόψιμο κλαδιών του δέντρου και τη μετα-
τροπή των κόμβων σε φύλλα.
 Οι ενδιάμεσοι κόμβοι με δύο ή περισσότερες
διακλαδώσεις είναι οι υποψήφιοι για την
παραπάνω διαδικασία.
 Εξαιτίας του ότι θέλουμε να πετύχουμε ομαδο-
ποίηση των όμοιων χρωμάτων ξεκινάμε την
διαδικασία κοψίματος από το κάτω μέρος του
δέντρου.
Color Quantization

 Octree Color Quantization

 Αν σε κάποιο επίπεδο υπάρχουν πολλοί υποψήφιοι
κόμβοι για κόψιμο τότε υπάρχουν δύο τρόποι
επιλογής ανάλογα με το επιθυμητό αποτέλεσμα.
 Επιλογή των κόμβων που αντιστοιχούν σε μικρότερο
αριθμό pixels, οπότε περιορίζουμε το σφάλμα της
εικόνας που προκύπτει ως προς την αρχική εικόνα.
 Επιλογή των κόμβων που αντιστοιχούν σε
μεγαλύτερο αριθμό pixels, οπότε προκύπτουν
μεγάλες ενιαίες χρωματικά περιοχές
Παρατηρήσεις
 Αναγκαία είναι η εύρεση ενός αποτελεσμα-
τικού τρόπου σύγκρισης εικόνων, που θα
λαμβάνει υπόψη του τις οπτικές ικανότητες
του ανθρώπου.
 Ο Ευκλείδειος χώρος RGB δεν είναι ο ιδανι-
κότερος, αφού οι πράξεις σε αυτόν είναι
δύσκολες.
fruits
Median cut 256 colors
Median cut 64 colors
Median cut 16 colors
Median cut 4 colors
Octree 256 colors
ACR 256 colors
ACR 64 colors
ACR 16 colors
ACR 4 colors
 peps
Median
cut

ACR

ACR L=1
Octree
Τελος