Professional Documents
Culture Documents
Παρουσιαση ΕΚΨΕΕ
Παρουσιαση ΕΚΨΕΕ
Επεξεργασίας Εικόνων
Ατσαλάκης Αντώνης
Αντικείμενα της παρουσίασης :
Χρωματικοί Χώροι.
Διάφορες τεχνικές Color Quanti-
zation και εφαρμογή αυτών στην
επεξεργασία εικόνας.
Χρωματικοί Χώροι
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
Το μοντέλο RGB
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
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
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
Y0
Σ
Y1
X1 Σ
Σ
Y2
Σ
X2
PCA SOFM
Color Quantization
X1
X2
X3
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
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
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.
Vector Quantization
Δεύτερος τρόπος υλοποίησης
Color Quantization
ACR
ACR L=1
Octree
Τελος