影象處理的變分法研究(1)——11月第一階段進展報告
按:10.30——11.8(共10天)階段性報告(開題答辯後一個星期)這部分的筆記看紙質的比較好,總結的較好些。
一、總變分的物理數學背景
參考資料:(1)Gilboa的課程Variational Methods in Image Processing. Course Website 主要是notes1—notes5, exercise1 & exercise2(TVBD部分)
(2)馮象初《影象處理的變分和偏微分方程》chap1 & chap2
(3)Gilboa推薦的數學書籍《Mathematical Problems in Image Processing:Partial Differential Equations and the Calculus of Variations》影象處理中的數學問題chap2 & chap3
(4)PPT 《數學物理方程》學生群裡下載的國科大的,關於變分法那一章。另外配套的教材裡也有變分法一章,有一些基本推導,可以加強理解。
泛函的概念、泛函極值
變分——就是泛函J對函式u的微分。泛函——自變數是函式,因變數是一個值,達到一一對應。泛函極值——求一個最佳的函式使得因變數取最大值。因此,對J(u)泛函求極值,要對J(u)求微分(二元時求偏導),就是變分了。
——可以推導,無論一元還是二元,minJ(u)當滿足E-L公式時,取得極值。得到E-L公式後,就是求解這個公式,方法是用時間演化,即ut = E-L = 0. 其中dt的取值有限制,要滿足CFL條件。
物理學上的泛函
三類典型的數學物理方程都是偏微分方程。邊界條件+初始條件才能確定解。
其中,我們的擴散方程與我們影象處理息息相關。
在馮象初《書》中,我們可以總結:div(c gradu)=0是線性擴散,係數為常數。c = 1時的擴散方程,ut = gradu。這個方程的解 == 用高斯函式與U卷積表示。其中高斯函式:
ut=Δu=uxx+uyy u_t = \Delta{u} = u_{xx}+u_{yy}線性擴散:div(c×u(x)) div(c\times u(x)),其中c=1 c =1,un+1=un+dt×(Δu) u^{n+1} = u^n+dt\times(\Delta u).
其中,根據迭代過程的收斂性看,100次已經達到了穩定。
由於線性擴散與高斯卷積等價,可以看出經歷相同時間t後,線性擴散收斂後的結果與高斯平滑的結果一致,它們的差如第四張圖。
這個是線性擴散迭代後的估計影象的直方圖分佈,可以看出隨著迭代的進行,直方圖越來越平坦,意味著影象被平滑掉了。
一維訊號用線性擴散和PMC去噪的結果,兩者類似(其中高斯噪聲標準差為10)。注意:這裡dt時間步長的選擇對迭代次數有關,PMC中K值的選擇跟噪聲標準差有關。目前只能手動選擇看效果,如何設計演算法自動選擇最佳的引數值有待研究。
這裡是PMC用在二維影象上的效果。
那麼,下面我們要做的是:根據方法的不同,我們設計了不同的泛函(能量泛函),求出相應的E-L公式。最後我們需要求解E-L方程。人們還設計了不同的求解方法去求解E-L。也有不同的方法去離散E-L方程,如:有限元法、有限差分、?(忘了)等。
下一步工作計劃:找出有哪些不同的泛函(對應的物理解釋)、相應的E-L方程、如何求解E-L?最後Matlab實現這些方法、採用一定的評價指標評價這些方法、總結優缺點、找到自己的突破點!
這些計劃的資訊來源:歷年博碩士論文(優秀的)——為了得到關於其基本理論的闡述:如變分法的發展(哪些人做了哪些修改、效果、基本原理、他們的英文文章來源等)。
自我總結與評價
這段時間的工作非常基礎,但是似乎與主要工作方向偏離了。看了很多資料(英文),看了很多理論,寫了很多筆記,寫了一點點程式碼(這部分基礎程式碼還是對理解有幫助的!)。還沒有得到我最想要的東西,最想看的最想總結的,接下來的半個月要加油!
程式碼1 比較線性擴散和高斯卷積
%%
%要求1:作為時間的函式,計算和繪製下列度量的圖
% (1)標準偏差
% (2)時間t在0.1,1,10時, 影象的梯度幅度值的三個直方圖。
% 解釋其趨勢及發生原因
%要求2:將擴散與等效sigma的高斯卷積相比較。如有差異解釋原因
%%結論: 擴散與高斯卷積的結果大致相同,略微差別。
%%
f_parrot = imread('parrot.png');
f_parrot = double(rgb2gray(f_parrot));
% imshow(f_girl,[0,255]), title('Original girl image');
%加噪聲
N_std = 10; % noise standard deviation
noise = randn(size(f_parrot))*N_std;
f = f_parrot + noise;
% figure(2); imshow(f,[0,255]), title('Sun-girl with noise');
C = 1;
%%
%畫t=0.1,1,10處的梯度值的直方圖
dt = 0.1;
Iter1 =1;
u1 = diffusion_lin(f,C, Iter1, dt);
grad1 = gradF(u1);
u2 = diffusion_lin(f,C, Iter1*10, dt);
grad2 = gradF(u2);
[u3, J3] = diffusion_lin(f,C, Iter1*100, dt);
grad3 = gradF(u3);
%畫圖顯示
figure(1);
t = 0:0.01:10;
plot(t, sqrt(2*C*t),'r');legend('sqrt(2*C*t)');xlabel('t'), ylabel('\sigma(t)');
figure(2);
subplot(221);imshow(f,[]),title('noisy');
subplot(222);imshow(u1,[]),title('迭代1次');
subplot(223);imshow(u2,[]),title('迭代10次');
subplot(224);imshow(u3,[]),title('迭代100次');
figure(3);
subplot(311); histogram(grad1);title('迭代1次');
subplot(312);histogram(grad2);title('迭代10次');
subplot(313); histogram(grad3);title('迭代100次');
%%
figure(4);
plot(1:100, J3, 'b');
%%
%%高斯核卷積對比
n = 100;
t = n * dt;
gauss = fspecial('gaussian',size(f),sqrt(2*t));
u_gaussian = imfilter(f, gauss, 'symmetric');
figure(5);
imshow(u_gaussian,[]), title('高斯平滑後的結果');
u_difference = u3 - u_gaussian;
figure(6); imshow(u_difference,[]),
title('迭代與高斯平滑的差');
%%
function grad_f = gradF(f)
[nx ny] = size(f);
f_x = (f(:,[2:nx nx])-f(:,[1 1:nx-1]))/2;
f_y = (f([2:ny ny],:)-f([1 1:ny-1],:))/2;
grad_f = (sqrt(f_x.^2+f_y.^2));
end
%%
function [u, J]=diffusion_lin(f,C,Iter,dt)
% u=diffusion_lin(f,C,Iter,dt) 線性擴散 Sun-girl 影象
% parameters:
% f = input image (2D gray-level)
% C = constant diffusion coefficient
% Iter = number of iterations
% dt = time step
I = f;%讀入影象
[nx ny] = size(f);
for i = 1: Iter
Iold = I;
I_xx = I(:,[2:nx nx])+I(:,[1 1:nx-1])-2*I;%二階微分
I_yy = I([2:ny ny],:)+I([1 1:ny-1],:)-2*I;
I_t = C * (I_xx + I_yy);
I = I + dt* I_t;
Inew = I;
J(i) = norm(Iold - Inew);
end
u = I;
end
%%part1:一維降噪,線性和PMC
t = 0:0.1:40;
y_true = sin(t);
%加噪聲
N_std = 0.1; % noise standard deviation
noise = randn(size(y_true))*N_std;
y = y_true + noise;
subplot(311);plot(t,y,'r');title('含噪訊號')
%%線性擴散
dt = 0.5;%[0,1]之間
Iter = 100;
[u1, J1] = diffusion_lin1D(y, 1, Iter, dt);
subplot(312);plot(t,u1,'b');title('線性擴散');
K = 2;
[u2, J2] = diffusion_PMC(y, K, Iter, dt);
subplot(313);plot(t,u2,'g');title('PMC');
figure;plot(1:Iter, J1,'b');hold on;plot(1:Iter, J2,'r');legend('Linear','PMC')
function [u, J] = diffusion_PMC(f,K,Iter,dt)
%公式推導見Exercise1
[nx ny] = size(f);
for i = 1: Iter
fold = f;
f_xx = f([2:ny ny])+f([1:ny-1 ny-1]) -2*f;
f_x = (f([2:ny ny]) - f([1:ny-1 ny-1])) / 2;
temp = ((f_x ./ K).^2 + 1 ) .^1.5;
f_t = f_xx ./ temp;
fnew = fold + dt.* f_t;
f = fnew;
J(i) =norm(fold - fnew);
end
u = f;
end
function [u, J]=diffusion_lin1D(f,C,Iter,dt)
% u=diffusion_lin(f,C,Iter,dt) 線性擴散 Sun-girl 影象
% parameters:
% f = input image (2D gray-level)
% C = constant diffusion coefficient
% Iter = number of iterations
% dt = time step
I = f;%讀入影象
[nx ny] = size(f);
for i = 1: Iter
Iold = I;
I_xx = I([2:ny ny])+I([1:ny-1 ny-1]) -2*I;%二階微分
I_t = C * (I_xx);
I = I + dt* I_t;
Inew = I;
J(i) = norm(Iold - Inew);
end
u = I;
end
close all, clc;
f_parrot = imread('parrot.png');
f_parrot = double(rgb2gray(f_parrot));
% imshow(f_girl,[0,255]), title('Original girl image');
%加噪聲
N_std = 10; % noise standard deviation
noise = randn(size(f_parrot))*N_std;
f = f_parrot + noise;
% figure(2); imshow(f,[0,255]), title('parrot with noise');
K =10;
Iter = 100;
dt = 0.01;
[u1, J1] = diffusion_PMC(f, K, Iter, dt);
subplot(121),imshow(f,[]),title('parrot with noise');
subplot(122),imshow(u1,[]),title('denoisy PMC');
figure;plot(1:Iter, J1);
%PMC降噪
function [u, J] = diffusion_PMC(f,K,Iter,dt)
%公式推導見Exercise1
[nx ny] = size(f);
for i = 1: Iter
fold = f;
f_x = (f(:,[2:nx nx])-f(:,[1 1:nx-1]))/2;
f_y = (f([2:ny ny],:)-f([1 1:ny-1],:))/2;
f_xx = f(:,[2:nx nx])+f(:,[1 1:nx-1])-2*f;
f_yy = f([2:ny ny],:)+f([1 1:ny-1],:)-2*f;
A = (1 + (f_x.^2 + f_y.^2)./ K.^2) .^1.5;
temp = (1 + f_x .^2) .* f_yy + (1 + f_y .^2) .* f_xx;
f_t = temp ./ A;
fnew = fold + dt.* f_t;
f = fnew;
J(i) =norm(fold - fnew);
end
u = f;
end
相關文章
- 影象處理1--傅立葉變換(Fourier Transform )ORM
- alpha階段的 postmortem 報告
- 數字影象處理-第一節
- 使用 canvas 對影象進行處理Canvas
- 影象處理 二維小波變換
- iOS 影象處理 - 影象拼接iOS
- 處理DML語句的幾個階段
- 自然語言處理技術是怎麼進入新階段的?自然語言處理
- 影象處理之影象增強
- UIImage 影象處理UI
- Bayer影象處理
- 柵格影象的處理
- Windows 7將在明年1月之後進入延伸支援階段Windows
- Nginx處理請求的11個階段(agentzh的Nginx 教程學習記錄)Nginx
- REITs行業發展研究報告行業
- TrustData:2015年1月至11月微博移動端使用者研究報告Rust
- Python-OpenCV 處理影象(七):影象灰度化處理PythonOpenCV
- Python-OpenCV 處理影象(八):影象二值化處理PythonOpenCV
- 前端影象處理指南前端
- c#影象處理C#
- C++17 的最新進展報告C++
- 影象中的畫素處理
- GPU 加速下的影象處理GPU
- mysql如何處理億級資料,第一個階段——優化SQL語句MySql優化
- 2024.6.10(beta階段的postmortem報告)
- c++進階(一)C語言條件編譯及編譯預處理階段C++C語言編譯
- web開發人員職業發展的11個階段Web
- 第一階段複習
- C++17 最新進展報告C++
- Android高手進階教程(二十二)之---Android中幾種影象特效處理的集錦!!Android特效
- 【王曉剛】深度學習在影象識別中的研究進展與展望深度學習
- 數字影象處理DIP
- Java進階02 異常處理Java
- 6 款 Javascript 的影象處理庫JavaScript
- 神奇的影象處理演算法演算法
- Redux 進階 — 優雅的處理 async actionRedux
- Redux 進階 -- 優雅的處理 async actionRedux
- [Python影象處理] 八.影象腐蝕與影象膨脹Python