مانیفولد Weibull در پردازش تصویر سطح پایین کاربری برای تمرکز اتوماتیک تصویر

چکیده

کلمات کلیدی

1.مقدمه

2.چارچوب پایه 

1-2 فیلترینگ تصویر با فیلترهای دوسطحی 

شکل 1 : طرح عناصر اصلی چارچوب پردازش تصویر ما، نمایش مسئله تمرکز خودکار. نقطه شروع در مرحله کسب تصویر. 

2-2 توزیع Weibull

3-2 ویژگیهای پایه و تنظیم 

شکل 2 : توزیع Weibull  می تواند شکل دیگر توزیع های مشترک را ببیند، برای مثال، مدلهای   و نمایی الف- چولگی توزیع Weibull   تابعی از پارامتر شکل k ان است. 

4-2 مانیفولد آماری Weibull

5-2 تابع هزینه 

6-2 شیوه بهینه سازی 

1-6-2 فضای اقلیدسی 

شکل 3- نمایش دو تابع هزینه پیشنهادی تعریف شده در  .می بینیم که هر دو حداکثر را در منطقه مشابه کسب می کنند، اما شکل آنها متفاوت است. 

2-6-2 اصلاح 

شکل 5- بردارهای عنصر در هر نقطه در راستای محور، تعامل هر یک تعیین کننده جهت و شتاب در طول مرحله  بهینه سازی است.  

شکل 6- نمایش هسته میرا از 17 برای مقادیر متفاوت عامل شتاب  

3- کاربرد برای تمرکز خودکار 

شکل 8- نمایش سربار عمومی در کاهش تابع هزینه  . توجه کنید که به دلیل تخمین عددی بردار هدف در   طول مرحله دارای مقدار مثبت است. 

1-3 بررسی تمرکز خودکار منفعل تصویر 

شکل 9- نمایش رفتار عمومی یک توالی تمرکز 

2-3 Weibull برای تمرکز خودکار 

شکل 10- فریم های درون کانون از 8 توالی استفاده شده در آزمایشات آفلاین در کنار SF های واریانس نرمال شده   آنها 

شکل 11 – فریم های درون کانون از 4 توالی استفاده شده در آزمایشات آنلاین ما همراه با آرکتانژانت های SF نرمال شده   آنها. توجه کنید که در مرکز هر تصویر، که نشان دهنده منطقه ای است که درون آن SF محاسبه شده ست. 

شکل 12 : نتایج مجموعه اول آزمایشات آنلاین روی شیوه های بهینه سازی با SF مشابه. 

4- آزمایشات 

1-4 نصب، پایگاه داده و آزمایشات پیشنهادی 

شکل 13- نتایج مجموعه دوم آزمایشات آفلاین روی شیوه های کامل  

شکل 14 – نتایج آزمایشهای آنلاین روی شیوه های بهینه سازی با SF مشابه. هر جعبه در هر رسم حاوی اطلاعات میانگین است، از آزمونهای متفاوت. 

2-4 شیوه های تمرکز خودکار :SF ها و طرحهای بهینه سازی 

شکل 15- نمونه هایی از (30)، از RBG به ترسیم سیاه و سفید با استفاده از چارچوب  

3-4 نتایج

شکل 16-نمنه های رسم روی تصاویر HDR. در اولین ستون، اندازه گیری 8 بیتی ثابت پایه تصویر را می بینیم.

5-دیگر کاربری ها 

6-نتیجه گیری 

ضمیمه A : گرادیانهای تابع هزینه 

در این مقاله، ما یک چارچوب جدید را برای پردازش و تحلیل تصویر سطح پایین معرفی می کنیم. ابتدا، ما تصاویری را با توابع فیلتر مبتنی بر تفاوت بسیار ساده پردازش می کنیم. دوم، ما توزیع Weibull دو پارامتری را برای خروجی فیلتر شده تنظیم می کنیم. این کار هر تصویر را در مانیفلود Weibull دو بعدی ترسیم می کند. سوم، از شکل هندسی اطلاعاتی این مانیفولد استفاده کرده و کارهای پردازش تصویر سطح پایین را به عنوان مسائل کمینه سازی روی مجموعه نقاط حل می کنیم. برای اثبات نمونه مفهومی، ما کار تمرکز خودکار تصویر را بررسی می کنیم. ما توابع هزینه مناسب را همراه با الگوریتم بهینه سازی مانیفولد محدود شده شفاف ساده پیشنهاد می کنیم و نشان می دهیم که چارچوب ما به صورت بسیار مطلوب با تمرکزخودکار مشترک از پیشینه مقایسه می شود. به طور خاص، شیوه ما بهترین عملکرد کلی را از لحاظ دقت و سرعت ترکیبی نشان می دهد.

پردازش تصویر سطح پایین عموما شامل کاربرد برخی انواع تابع فیلتر در داده های تصویر است، که منجر به استخراج برخی توصیف گرهای ویژگی مطلوب می شود. این توصیف گرها در مراحل هدف مسیر تحلیل تصویر، شناسایی، جداسازی و در نتیجه ارزیابی شده اند. مرحله تحلیل اغلب در برخی نمایشهای فضای ویژگی نهایی اجرا می شوند، تلاشی که می تواند سخت و به دلیل ماهیت گسسته و دارای ابعاد دلخواه و شکل ناراحت کننده فضا ناکافی باشد. بنابراین برای مثال، فاصله ها، زوایا، و جهات بین اجزای فضای ویژگی ممکن است همیشه تعریف نشده باشد، و به سادگی و با دقت تخمین زده نشود. بعلاوه، مفاهیمی مانند میانگین و پراکندگی، ممکن است در فضاهای ویژگی خاص قابل اجرا نباشد. بنابراین، اطلاعات صریح درباره شکل هندسی فضای ویژگی، اغلب، اگر الزامی نباشد، برای پردازش معتبر و تحلیل تصویر مطلوب است. پاسخهای توابع فیلتر مبتنی بر تفاوت روی داده های تصویر، به Weibull توزیع شده مشهور است. بدین صورت، هر تصویر فیلتر شده ممکن است به عنوان نقطه انحصاری ساده روی مانیفولد آماری نشان داده شود. ما از این واقعیت استفاده کرده، و تحلیلی را در مانیفولد Weibull دو بعدی اجرا می کنیم، که بسیار ساده تر از فضای ویژگی اصلی است. مانیفولد Weibull روان دو بعدی، دارای ویژگیهای شناخته شده ای است که در پیشینه آماری بررسی شده است، اما این اولین باری است که شکل هندسی آنها در زمینه پردازش و تحلیل تصویر استفاده شده است. در این نمایش جدید با ابعاد کمتر، ممکن است فرد به سادگی از مفاهیم ایجاد شده فاصله، طول کمان، میانگین و همیدگی استفاده م یکنیم، تا کارهای تحلیل تصویر پایه را به شیوه ای بهینه و اصولی تر اجرا کنیم. ما یک چارچوب ماژولی را پیشنهاد می کنیم (شکل 1) که کارهای پردازش و تحلیل تصویر را به عنوان مسئله بهینه سازی محدود شده شفاف مشخص می کند، که در آن ما از شکل هندسی مانیفولد شناخته شده برای ایجاد الگوریتم بهینه سازی در راه حل خوب استفاده می کنیم. به منظور استخراج ویژگی، ما از فیلترهای لبه و خط ساده در شکل فیلترهای دوسطحی استفاده خواهیم کرد که در اصل به وسیله (27 ) پیشنهاد شده است. این فیلترها، که با هدف نظریه نمایش گروههای گسسته ساخته شده است، هم سریع و هم ساده بوده و اجازه پیاده سازی بسیار بهینه برای اجرای موازی را می دهد. کاربری آنها در وظایفی مانند بازیابی تصویر مبتنی بر محتوا و طبقه بندی مفاهیم صحنه سطح بالا در کاربریهای قبلی تشریح شده اند. ما بازدهی چارچوب خود را اثبات کرده و به طور خاص مزیت راه حل مانیفولد Weibull روی شیوه های استاندارد، در مسئله شناخته شده تمرکز تصویر خودکار. این مقاله به صورت زیر سازماندهی شده است. در بخش 2، ما به صورت مشروح تر اجزای انحصاری چارچوب خود را تشریح می کنیم. آنگاه ما در بخش 3 مقدمه خلاصه ای بر تمرکز تصویر خودکار را مطرح کرده و شامل برخی شیوه های مشترک از پیشینه است. در همین بخش، ما تشریح می کنیم چگونه چارچوب پیشنهادی ما ممکن است برای حل مسئله تمرکز خودکار استفاده کنیم. بخش 4 با توصیف تجربیات مقایسه ای دنبال شده و استفاده از مجموعه های داده و همچنین تحلیل نتایج را توصیف می کنیم. ما در بخش 6 نتیجه گیری را مطرح می کنیم.