МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ (национальный исследовательский университет) (национальный исследовательский университет) Факультет прикладной математики.

Презентация:



Advertisements
Похожие презентации
Лекторы: Боресков А.В. (ВМиК МГУ) Харламов А.А. (NVidia) Иерархия памяти CUDA. Текстуры в CUDA. Цифровая обработка сигналов.
Advertisements

Лекторы: Боресков А.В. (ВМиК МГУ) Харламов А.А. (NVidia) Иерархия памяти CUDA. Текстуры в CUDA. Цифровая обработка сигналов.
Шумоподавление для изображений Лектор:Лукин Алексей Сергеевич.
Применение свертки при увеличении изображений (линейные методы ресамплинга)
Применение свертки при увеличении изображений (линейные методы ресамплинга)
Лекция 4 Цвет, квантование, фильтрация, шумоподавление Алексей Лукин
20 феврвля 2003Компьютерная графика Лекция 3 Астана 1 Цифровая обработка сигналов Лекция 3 Астана, 20 февраля 2003 Исползуются материалы из лекции А. Ван.
Факультет прикладной математики и физики Кафедра вычислительной математики и программирования МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ (национальный исследовательский.
Пакетная обработка пикселей растровых изображений.
МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ (национальный исследовательский университет) (национальный исследовательский университет) Факультет прикладной математики.
26 феврвля 2002Компьютерная графика Лекция 31 Цифровая обработка сигналов Лекция 3 26 февраля 2002 Исползуются материалы из лекции А. Ван Дама.
Банки фильтров, шумоподавление «Введение в компьютерную графику» лекция Алексей Лукин
Многомасштабная ранговая статистическая дифференциация: улучшение слабоконтрастных зашумленных изображений Сторожилова Мария Вадимовна Юрин Дмитрий Владимирович.
Обработка растровых изображений В лекции использованы различные материалы лаборатории Компьютерной Графики МГУ.
Модифицированный критерий оценки качества восстановленных изображений Министерство образования и науки Российской Федерации Ярославский государственный.
ОПЫТ РЕШЕНИЯ ЗАДАЧИ ДАКТИЛОСКОПИЧЕСКОЙ ИДЕНТИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ GPGPU Станислав Юрьевич Сартасов, аспирант кафедры системного программирования Математико-
12 марта 2002 г. (с) 2001Graphics & Media Lab Лекция 5 Обработка и анализ изображений В.Вежневец.
ASSIGNMENT 2. Assignment 2.1 Масштабирование звука – Синусоида – противный «пищащий» звук – Частота дискретизации – Khz – 44Khz == 44 тысячи раз сигнал.
Липецкий государственный технический университет Кафедра прикладной математики Кузьмин Алексей Сергеевич Распознавание образов сверточными искусственными.
МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ (национальный исследовательский университет) (национальный исследовательский университет) Факультет прикладной математики.
Транксрипт:

МОСКОВСКИЙ АВИАЦИОННЫЙ ИНСТИТУТ (национальный исследовательский университет) (национальный исследовательский университет) Факультет прикладной математики и физики Кафедра вычислительной математики и программирования Выполнил: Семенов С.А. Руководитель: Ревизников Д.Л. Лекция 16 «Обработка изображений»

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 2 Содержание Шумы в изображениях Ранговые фильтры Гаусово размытие Фильтр Bilateral Артефакты при масштабировании Фильтр Ланцоша Фильтр NEDI

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 3 Image Denoising Шумы в изображении –Импульсный Salt & pepper –Аддитивный Uniform Gaussian

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 4 Ранговые фильтры Алгоритм Р.Ф. ранга N: –Для каждого отсчета сигнала i –Выбор окрестности вокруг отсчета i Сортируем по значению Выбираем N-ое значение как результат

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 5 Медиана Ранговый фильтр N=0.5 Сортировка не обязательна для 8bit значений –Строим гистограмму for(int i<-R; i<R; i++) h[ signal[i] ]++; –Сканируем Гистограмму: int sum = 0; int targetSum = N*rank; for(int i<0; i<256; i++) { sum += h[i]; if (sum > targetSum) return i; }

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 6 Медиана Построение гистограммы сигнал Сигнал + фартук в Smem

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 7 Фильтрация (Аддитивный шум) Размытие – это low-pass фильтр Каким должен быть фильтр? –Подавлять шум –Сохранять детальность noise E(noise) = 0

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 8 Gaussian Blur Blur (размытие) изображение Свертка с ядром:

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 9 Адаптивное размытие Свертка с ядром: ClrSpaceDist – это фотометрическая близость

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 10 Bilateral

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 11 Bilateral

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 12 Bilateral Оптимизации Bilateral не сепарабельный фильтр –Но можно его разделить Смешивать исходное изображение с фильтрованным –Если в блоке много ненулевых коэффф., то с большой вероятностью в этом блоке шум был подавлен успешно –Если в блоке много нулевых коэффф., то с большой вероятностью в блоке много деталей (границы, текстура и т.д.)

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 13 Non Local Means ClrSpaceDist – оценивать по блокам пикселей

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 14 Non Local Means На вычисление одного веса: – N b xN b вычислений, N размер блока На фильтрацию одного пиксела: –N b xN b x RxR, R размер окна

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 15 Сравнение изображение шум

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 16 Сравнение изображение Bilateral

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 17 Сравнение изображение NLM

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 18 Масштабирование Артефакты Алиасинг –При увеличении – ступенчатость –При уменьшении - муар Ringing Потеря четкости Субпиксельный сдвиг –Влияет на формальные метрики

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 19 Простые методы Билинейная интерполяция –Сепарабельная –Очень быстрая –Поддерживается в HW Точность фильтрации

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 20 Простые методы Билинейная интерполяция P1 P7 P3 P9 P4?P4? P2? P5?P6? P8?

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 21 Простые методы Бикубическая интерполяция –Сепарабельная –Лучше качество t=0 t=1 t=0.5

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 22 Билинейная Сравнение Бикубическая Ближним цветом

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 23 Lanczos

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 24 Gradient interpolation P1 P7 P3 P9 P7? P2? P5?P6? P8? Dxd = abs(P3 – P5) Dyd = abs(P1 – P9) If (Dxd > Dyd) //граница P1P5P9 P5 = (P1 + P9) * 0.5f; If (Dyd > Dxd) //граница P3P5P7 P5 = (P1 + P9) * 0.5f; If (Dyd ~= Dxd) //граница не определена P5 = (P1 + P3 + P7 + P9) * 0.25f;

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 25 NEDI (New Edge-Directed Interpolation)

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 26 NEDI α1α1 α2α2 α3α3 α4α4 χ 2i 2j X = F(2i+1,2j+1) = α 1 *F(2i,2j)+ α 2 *F(2i+2,2j)+ α 3 *F(2i,2j+2)+ α 4 *F(2i+2,2j+2); α = {α 1, α 2, α 3, α 4 } ?

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 27 NEDI α1α1 P 2,2 α4α4 α2α2 P 4,2 α3α3 P 2,4 P 6,2 P 8,2 P 6,4 P 8,4 P 2,6 P 4,8 P 4,6 P 2,8 P 6,6 P 8,6 P 6,8 P 8,8 X i,j = α 1 *F(i-2,j-2) + α 2 *F(i+2,j-2) + α 3 *F(i-2,j+2) + α 4 *F(i+2,j+2); For i = 2,4,6,8 | For j = 2,4,6,8 E i,j = P j,j – X i,j – Approximation Error SSE = ΣΣ sqr( E i,j ); α = Arg min(SSE); α P = {P ij } Cα = P (SSE) / α = 0.0 α = (C T C) -1 C T P …

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 28 NEDI (improvement) …

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 29 NEDI (improvement) …

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 30 NEDI (improvement) …

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 31 NEDI: Pros and Cons Pros: NEDI –Четкие тонкие края Cons: Очень медленно на CPU –Умножение матриц 4 х 16 –Обращение матрицы –Рингинг CUDA: –Большой объем данных на тред –Много регистров –Сложно использовать Smem –Много ветвлений

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 32 Сравнение ближайший соседний билинейная бикубическая nedi масштабировали

Московский авиационный институт (национальный исследовательский университет ) Факультет прикладной математики и физики Кафедра Вычислительной математики и программирования 33