Lineare Abbildungssysteme Inhalt
Transcription
Lineare Abbildungssysteme Inhalt
Lineare Abbildungssysteme Inhalt Einfache Abbildungssysteme Camera Obscura − Lochblende Lineares Abbildungssystem − Abbildungskern − Fourier-Darstellung Image Restoration Rauschen Inverse Filter Wiener Filter FH-Campus Hagenberg Werner Backfrieder Folie 2 1 Camera obscura Abbildungseigenschaften Licht fällt durch Lochblende auf Bildebene ideale Abbildung durch punkförmige Blende − Jedem Bildpunkt wird genau ein Objektpunkt zugeordnet. − Problem: zu geringe Lichtstärke reale Blende ist kreisförmiges Loch − Auf jeden Bildpunkt fällt Licht von mehreren Objektpunkten. − Konsequenz: „Verschmierung des Bildes“ FH-Campus Hagenberg Werner Backfrieder Folie 3 Beispiele für verschiedenen Lochblenden a b c Römisches Relief: (a) original (=Punktblende), (b) mittlere und (c) große Kameraöffnung FH-Campus Hagenberg Werner Backfrieder Folie 4 2 Grauwertbild: Modell mathematische Formulierung jedem Punkt (x,y) wird ein Grauwert zugeordnet skalare Funktion in zwei Variablen (Koordinaten) f : R 2 → R, z = f ( x, y ) z ... Grauwert (Skalar) (x,y) .... Koordinaten des Punktes − x Î [0,B], y Î [0,H], B...Breite, H...Höhe Koordinatensysteme: − Ursprung LO Bildschirmkoordinaten − Ursprung LU mathematische Koordinaten FH-Campus Hagenberg Werner Backfrieder Folie 5 Darstellung skalarer Funktionen (Bilder) Grauwert- oder Falschfarbendarstellung Reliefdarstellung Mesh-Funktion in Matlab FH-Campus Hagenberg Werner Backfrieder Folie 6 3 Bild-Koordinatensysteme Bildschirmkoordinaten (xb,yb), Ursprung links oben (LO), identisch mit Orientierung in Matrizen (Zeilenindex, Spaltenindex) xb Relationen : yb xm = xb y m = H − yb ym H ... Bildhöhe xm Mathematisches Koordinatensystem (xm,ym), Ursprung linke untere Ecke (LU) FH-Campus Hagenberg Werner Backfrieder Folie 7 Problem mathematische Formulierung f(x,y) besitzt „unendlich“ viele Bildpunkte Graustufen kontinuierlich => „unendlich“ viele Graustufen => computergestützte Verarbeitung benötigt bestimmte Digitalisierung (Quantisierung) der Bildinhalte Unterteilung der Bildebene in Bildelemente (Pixel) FH-Campus Hagenberg Werner Backfrieder Folie 8 4 Digitalisierung: kontinuierliches -> diskretes Modell Örtliche Digitalisierung Funktionswerte f werden nur an bestimmten Positionen (xi,yj) berücksichtigt („sampling“). Bild B wird durch Menge von 3-fach Tupel beschrieben B = {( f n , xn , yn ) | f n = f ( xn , yn ), xn ∈ [0, xmax ], yn ∈ [0, ymax ], n ∈ [1, N ]} Bildwerte werden üblicherweise in einem regelmäßigen Gitter G strukturiert X = {xi | xi = i ⋅ Δx, i ∈ [0, I − 1]} Y = {y j | y j = j ⋅ Δy, j ∈ [0, J − 1]} G = X ×Y FH-Campus Hagenberg Werner Backfrieder Folie 9 Digitalisierung II Quantisierung (Werte-Digitalisierung) Stromstärke der Photodiaode wird im AD-Wandler in einen digitalen Wert umgeformt kontinuierlicher Wert auf einen Wertebereich der Basis 2 abgebildet, K=Anzahl der Bits. [ f ( xi , y j )] → ∑k =0 ak ⋅ 2 k K −1 [z] größte ganze Zahl < z K=1 binäres Bild 2 Werte {0,1} oder SW K=8 8 Bit Grauwerte [0,255] K=16 16 Bit Grauwerte [0,65535] Farbbild Vektor mit 3 Farbkanälen (R,G,B) mit 8 Bit/Kanal FH-Campus Hagenberg Werner Backfrieder Folie 10 5 Datenstrukturen I Aufgrund der Anordnung auf einem regelmäßigen Gitter ist die Position eines Bildpunktes definiert durch: Ausdehnung des Bildelements (Δx,Δy) Anzahl der Bildelemente in horizontaler (Breite) und vertikaler Richtung (Höhe) Index bei zeilen- oder spaltenweiser Anordnung => Positionsdaten redundant Mindestanforderung für Persitierung Header-Information: Pixeldimension, Höhe, Breite, Speichertiefe Raw-Data: Pixelstream Bildelement = Picture Element = Pixel FH-Campus Hagenberg Werner Backfrieder Folie 11 Datenstrukturen II Addr x x y y image off1=y*breite+x zeilenweises Füllen c, Java, ImageJ FH-Campus Hagenberg Addr+Off1 image Addr+off2 Memory off2=x*höhe+y spaltenweises Füllen Fortran, Matlab Werner Backfrieder Folie 12 6 Speicheraufwand Seite A4 (21x 29,9 cm2) 300dpi RGB 21/2,54*300*29,9/2,54*300*3 ~ 25MB 8Bit Grauwert ~ 8,5MB Binary (Schrift) ~ 1MB FH-Campus Hagenberg Werner Backfrieder Folie 13 Abbildungseigenschaft Lochblende auf einen Bildpunkt fällt Licht von mehreren Objektpunkten f ij = j 1 1 ∑∑g k = −1l = −1 i − k , j −l i gij Objekt g FH-Campus Hagenberg fij Abbildung Bild f Werner Backfrieder Folie 14 7 Lineares Abbildungssystem Verallgemeinerung jeder Objektpunkt erhält einen Gewichtungsfaktor hkl h ist der Abbildungskern Summationsgrenzen allgemein f ij = j N /2 M /2 ∑ ∑g k =− N / 2 l =− M / 2 h i − k , j − l kl hkl i gij fij ./+ Abbildung Objekt g Bild f FH-Campus Hagenberg Werner Backfrieder Folie 15 Lineares Abbildungssystem Abbildungskern Jedes Abbildungssystem (Photoapparat, Mikroskop, Fernrohr, Computertomograph) wird durch einen Abbildungskern („imaging kernel“) charakterisiert . mathematische Formulierung f ij = N /2 M /2 ∑ ∑g k =− N / 2 l =− M / 2 h i − k , j − l kl Jeder Bildpunkt ist die gewichtete Summe aus einer Region von Objektpunkten. Kurzschreibweise mit * Symbol f = g *h Dieser Formalismus wird in der Mathematik Faltung genannt. g f h FH-Campus Hagenberg Werner Backfrieder Folie 16 8 Faltung Abschätzung des Rechenaufwandes Objektgröße MxN Kernelgröße KxK Für jeden Bildpunkt K2 Additionen und Multiplikationen gesamtes Bild: NMK2 Additionen und Multiplikationen Beispiel: M=N=1000 K=100 1010 Operationen = 10 Mrd. Flops FH-Campus Hagenberg Werner Backfrieder Folie 17 Fourier Spektralanalyse Jedes Bild besteht aus einer Überlagerung von 2D-Schwingungen Jede Schwingung besitzt drei „Kenngrößen“ − Amplitude − Frequenz in x-Richtung ωx − Frequenz in y-Richtung ωy Da es örtlich veränderliche Schwingungen sind, spricht man von Ortsfrequenzen Jedem Bild ist ein vollständiges Frequenzspektrum zugeordnet tiefe Frequenzen FT hohe Frequenzen FH-Campus Hagenberg Werner Backfrieder Folie 18 9 Fouriertransformation Basiswellen FH-Campus Hagenberg Werner Backfrieder Folie 19 Fouriertransformation Transformationspaare FH-Campus Hagenberg Werner Backfrieder Folie 20 10 Faltungstheorem Vereinfachte Darstellung der Faltung im Frequenzraum Ortsraum Frequenzraum g *h G⋅H Objekt g, Abbildungskern h G, H Fouriertransformierte von g,h f ij = N /2 M /2 ∑ ∑g k =− N / 2 l =− M / 2 Fuv = Guv ⋅ H uv h i − k , j − l kl Für jedes i,j: Doppelsumme und Multiplikationen Einfache Multiplikation jeder Frequenzkomponente u,v Üblicherweise wird die Fouriertransformierte einer Funktion mit Großbuchstaben gekennzeichnet G=F(g). Die inverse Transformation ist g=F-1(G) FH-Campus Hagenberg Werner Backfrieder Folie 21 Faltungstheorem Anwendungen große Matrizen − Kern h, gleich groß wie Bild g: (NxN) − N4 Rechenoperationen − FFT benötigt N2log2(N) Operationen − Rechenvorteil im Frequenzraum Lineares Abbildungssystem − Abbildungskern wird im Frequenzraum multipliziert − Kern h beschreibt Abbildungssystem, d.h.: Kameraeigenschaften, Abbildungsfehler, .... − Kern h bekannt, einfache Möglichkeit der Bildwiederherstellung Image Restoration FH-Campus Hagenberg Werner Backfrieder Folie 22 11 Image Restoration Einfacher Abbildungsfehler: Verwackeln Durch horizontales Verwackeln werden in einem Bildpunkt, mehrere horizontal benachbarte Objektpunkte addiert. image kernel ist eine einzeilige Rechtecksfunktion FH-Campus Hagenberg Werner Backfrieder Folie 23 Image Restoration Inverse Filtering Im Frequenzraum gilt die Relation F = G ⋅ H ⇒ F'= F H Durch Division mit dem Faltungskern H und inverse FT erhält man restauriertes Bild f‘ Problem: H besitzt Nullstellen, an denen Division nicht möglich ist! i.A. ist exakte Wiederherstellung von g nicht möglich, daher Bezeichnung f‘ FH-Campus Hagenberg Werner Backfrieder Folie 24 12 Image Restoration Inverse Filtering Singuläre Stellen in F‘ => Nullstellen von H durch kleine Werte substituieren Problem: Wahl des Wertes, keine a-priori Methode Rauschen, z.B. Schneefall beim Fernsehen, ist mit jeder Abbildungsmethode verbunden. Rauschen ist statistische Abweichung eines Bildwertes von seinem Erwartungswert f = g *h + n F = G ⋅ H + N n=noise=Rauschen N=Fourierspektrum des Rauschens FH-Campus Hagenberg Werner Backfrieder Folie 25 Rauschen Verteilungsfunktionen p(z) von Zufallsvariablen gleichverteiltes Rauschen „salt and pepper“ Rauschen Gaußsches Rauschen ⎧ 1 ⎪ a< z <b p( z ) = ⎨ b − a ⎪⎩ 0 sonst ⎧ Pa ⎪ p ( z ) = ⎨ Pb ⎪0 ⎩ z=a z =b sonst p( z ) = 1 Exponentielles Rauschen FH-Campus Hagenberg − 2πσ ⎧ae − az p( z ) = ⎨ ⎩ 0 e ( z −μ )2 2σ 2 z≥0 z<0 Werner Backfrieder Folie 26 13 Inverse Filtering Degradation mit Noise F (u , v) = G (u , v) ⋅ H (u , v ) + N (u , v) N (u , v) H (u , v ) Kleine Werte von H(u,v) können das restaurierte Bild F‘ dominieren. F ' (u , v ) = G (u , v) + Radiale Eingrenzung, da maximale Werte von F(u,v) rund um den Ursprung liegen müssen. F(0,0) ist definitionsgemäß Mittelwert der Pixelwerte. Lösungsansatz: Radiale Gewichtung des Quotienten F(u,v)/G(u,v) mit einem Butterworth Tiefpass-Fenster (rc=cut off, n=order, 2 2 1/2 r=(u +v ) ) v w(r ) = 1 1 + ⎛⎜ r ⎞⎟ ⎝ rc ⎠ rc 2n FH-Campus Hagenberg u Werner Backfrieder Folie 27 Inverse Filtering Butterworth-Window w(r ) = 1 1 + ⎛⎜ r ⎞⎟ ⎝ rc ⎠ FH-Campus Hagenberg r w(r) 0 1 rc 1/2 infty 0 2n Werner Backfrieder Folie 28 14 Image Restoration Wiener Filter Lösung zum quadratischen Ausgleichsproblem (nach Wiener 1942) f = g *h + n e 2 = ∑ ( g (i, j ) − f ' (i, j )) 2 i, j Minimierung des Fehlers e 2 Lösung: F ' (u , v) = H * (u , v ) G (u , v ) 2 G (u , v) H (u , v) + N (u, v) 2 2 2 F (u , v ) i.A. keine Nullstellen im Nenner FH-Campus Hagenberg Werner Backfrieder Folie 29 Wiener Filter Diskussion F ' (u , v) = H * (u , v ) G (u , v ) 2 G (u , v) H (u , v) + N (u, v) 2 2 2 F (u , v ) Symbole H * komplex Konjugierte (a + ib)* = (a-ib) 2 N noise power spektrum 2 G power spektrum undegraded image G und N sind a-priori nicht bekannt! Modellierung mit empirischer Konstante K 2 F ' (u , v) = H (u , v) 1 F (u, v) H (u , v) H (u, v) 2 + K FH-Campus Hagenberg K = N (u , v) 2 G (u , v) 2 Werner Backfrieder Folie 30 15 Richardson-Lucy Deconvolution Endfaltung im Ortsraum f i = ∑ hij ⋅ g j j Objekt gi und beobachtetes Bild fi werden als Vektoren dargestellt Abbildungskern hij gewichtet die Pixel von g, die zum Pixel fi beitragen Iterativer Algorithmus zur Berechnung von g* Initialbild g(0) Zwischenbild g* ist eine Approximation an das wahre Objekt g. g(n) Korrektur g(n)->g(n+1) nein Abbruch |g(n)-g(n+1)|<ε g*=g(n+1) FH-Campus Hagenberg Werner Backfrieder Folie 31 Schritte der RLD Initialbild ci = ∑ hij ⋅ g j g(0) j Zwischenbild c(g(n)) gj Korrektur g(n)->g(n+1) (n) nein ( n +1) = gj ( n) ∑h ij i ⋅ fi ci Abbruch |g(n)-g(n+1)|<ε g*=g(n+1) FH-Campus Hagenberg Alle Bildpunkte i die in die Berechnung des Objektpunktes gj einbezogen werden. Werner Backfrieder Folie 32 16 Beispiel Astronomie Adler-Nebel: Die linke Aufnahme zeigt leichte Unschärfen durch Defokusierung und Fehler in der Kameranachführung, recht ist die Restauration durch den Richardson-Lucy Algorithmus dargestellt. FH-Campus Hagenberg Werner Backfrieder Folie 33 17