Korištenje distribucije osvjetljenja za ostvaranje brzih i točnih metode za postojanost boja Nikola Banić 26. rujna 2014. Sadržaj • Postojanost boja • Ubrzavanje lokalnog podešavanja boja • Distribucija najčešćih osvjetljenja • Korištenje distribucije najčešćih osvjetljenja • Zaključak 2 Osvjetljenje 3 Model formiranja slike • fc(x) – vrijednost na poziciji x za kanal c ∈ {R, G, B} 4 Model formiranja slike • fc(x) – vrijednost na poziciji x za kanal c ∈ {R, G, B} • ω – vidljivi spektar • R(x, λ) – odsjaj površine na poziciji x za valnu duljinu λ 5 Model formiranja slike • fc(x) – vrijednost na poziciji x za kanal c ∈ {R, G, B} • ω – vidljivi spektar • R(x, λ) – odsjaj površine na poziciji x za valnu duljinu λ • ρc(λ) – osjetljivost senzora kamere na valnu duljinu λ za kanal c 6 Model formiranja slike • fc(x) – vrijednost na poziciji x za kanal c ∈ {R, G, B} • ω – vidljivi spektar • R(x, λ) – odsjaj površine na poziciji x za valnu duljinu λ • ρc(λ) – osjetljivost senzora kamere na valnu duljinu λ za kanal c • I(λ) – spektralna razdioba izvora svjetlosti – pretpostavlja se uniformno osvjetljenje 7 Model formiranja slike • • • • e – promatrani izvor svjetlosti – to nas zanima idealni slučaj – bijelo svjetlo: eR= eG= eB matematički loše postavljen problem potrebne su dodatne pretpostavke 8 Model formiranja slike • Za uspješnu kromatsku adaptaciju dovoljan je samo smjer od e • Redukcija jedne dimenzije • Može se koristiti kromatičnost •𝑟 = 𝑅 , 𝑅+𝐺+𝐵 𝑔= 𝐺 , 𝑅+𝐺+𝐵 𝑏= 𝑅 𝑅+𝐺+𝐵 • Budući da je 𝑟 + 𝑔 + 𝑏 = 1, dovoljne su samo dvije komponente 9 Računalna postojanost boja • Postojanost boja (engl. color constancy, njem. Farbkonstanz) postiže se uravnotežavanjem bijele boje (engl. white balancing, njem. Weißabgleich) • Koraci u ostvarivanju su: 1. Procjena osvjetljenja • procjenjuje se vektor e – važan je samo smjer, ne i iznos • svaki algoritam za procjenu osvjetljenja uvodi svoje dodatne pretpostavke • najvažniji i najteži korak 2. Kromatska adaptacija • korištenje procijenjenog osvjetljenja za popravljanje izgleda slike • ako je procjena e=[eR, eG, eB]T i ako su kanali slike R, G i B, onda se kanali popravljene slike dobivaju kao αR, βG i γB pri čemu vrijedi αeR= βeG= γeB • npr. α = eG / eR, β = 1, γ = eG / eB 10 Automatska procjena osvjetljenja 1. Statističke metode • brže i jednostavnije za implementaciju • koriste statistiku u pikselima 2. Metode zasnovane na učenju • koriste se različiti algoritmi za učenje različitih svojstava na temelju različitih značajki slike • Otvoreno područje istraživanja 11 Retinex • Provodi se za zadani kanal I • Računa se svjetlina svakog piksela • Kroz svaki piksel se provuku staze 12 Random Sprays Retinex Random Sprays Retinex I( ) Random Sprays Retinex I( ) Random Sprays Retinex I( ) I( )= max I( ) Random Sprays Retinex 1 I( )= Σ N N i=1 I( ) max I( i) Random Sprays Retinex originalna slika RSR s parametrima N=1, n=4 18 Random Sprays Retinex RSR s parametrima N=5, n=20 RSR s parametrima N=20, n=400 19 Light Random Sprays Retinex ____________________________ = 20 Light Random Sprays Retinex ____________________________ = 21 Light Random Sprays Retinex 22 Light Random Sprays Retinex 23 Light Random Sprays Retinex 24 27 28 Light Random Sprays Retinex • Složenost: •O(nM) • n – veličina spreja • M – broj piksela u slici (veličina slike) • Nije prikladno za izvedbu u stvarnom vremenu • Korištenjem interpolacije postiže se ubrzanje, ali pada i kvaliteta rezultata 29 Ubrzanje • Kritični dio: računanje maksimuma u spreju: O(n) • Pokušati kombinirati operacije • Što je zajedničko obradi pojedinih piksela? • Na koji način se to može iskoristiti? 30 Zajedničko 31 Zajedničko 32 Zajedničko 33 Zajedničko 34 Zajedničko 35 Zajedničko 36 Zajedničko 37 Zajedničko 38 Zajedničko 39 Zajedničko 40 Zajedničko 41 Zajedničko 42 Zajedničko 43 Zajedničko 44 Zajedničko 45 Zajedničko 46 Računanje maksimuma • Za svaki sprej je potrebno izračunati maksimum • Kod promjene spreja treba odrediti novi maksimum • Dodavanje piksela nije problem – jedna usporedba • Uklanjanje piksela je problem – n usporedbi 47 Računanje maksimuma • Cilj je izbjeći preračunavanje maksimuma kod kojeg se pregledava cijeli sprej • Ovaj problem moguće je riješiti pametnom organizacijom intenziteta piksela spreja • Postoji nekoliko rješenja 48 Računanje maksimuma • Kartezijevo stablo • • • • Struktura koja glumi red i omogućuje upit maksimuma Umetanje nove vrijednosti: amortizirano O(1) Uklanjanje najstarije vrijednosti: O(1) Određivanje maksimuma: O(1) • Dva stoga • • • • Simulacija reda uz upit maksimuma Umetanje nove vrijednosti: O(1) Uklanjanje najstarije vrijednosti: amortizirano O(1) Određivanje maksimuma: O(1) 49 Ubrzanje • Stara složenost: •O(nM) • Nova složenost: •O(n+M) • Novi algoritam: • Light Random Memory Sprays Retinex 50 Utjecaj na rezultat 51 52 53 54 55 Osvjetljenje • Većina osvjeteljenja se može modelirati zračenjem idealnog crnog tijela 56 57 58 Osvjetljenje 59 Osvjetljenje 60 Osvjetljenje 61 Greyball 62 ColorChecker 63 NUS baze 64 Osvjetljenje 65 GreyBall – kromatičnosti svjetla GreyBall – kromatičnost svjetla Distribucija boja • Prostorne informacije ne donose ništa što ne bi donijela i raspodjela boja • Sliku predstaviti histogramom boja • Histogram se može dodatno sažeti (PCA) • Hiperparametar: razlučivost histograma n • Hiperparametar: broj glavnih komponenti k Povezivanje • Kako povezati distribuciju s vrijednosti x? • Više je mogućnosti • Odabrana mogućnost: linearna regresija • Ostale testirane mogućnosti su se pokazale lošijima Color Cat • Rezolucija histograma: n • Broj glavnih komponenti: k • Histogram: h = (h1, ..., hn )T • PCA matrica: M • Koeficijenti linearne regresije: c • Parametri linije: a1, a0 • Granice crvene komponente: r0, r1 3 70 Color Cat Rezultati 72 Rezultati 73 Rezultati Drugi pristup 75 Drugi pristup 76 Drugi pristup • Svaki centar predstavlja jedno osvjetljenje • Odrediti najprikladniji centar za danu sliku • Problem procjene osvjetljenja se svodi na klasifikaciju • Što je više centara, to je veća maksimalna moguća točnost, ali je i problem klasifikacije teži 77 Idealna klasifikacija 78 Postojeći pristup • Ideja je već patentirana • US 20140241620 A1 • Illumination Estimation Using Natural Scene Statistics • Nema eksperimentalne analize 79 Postojeći pristup • U patentu se kao značajke koriste histogrami kromatičnosti • Ulogu klasifikatora ima multivarijatni Gaussov klasifikator 80 Promjena pristupa • Korištenje histograma boja • Ulogu klasifikatora preuzima AdaBoost (CE) • Dodatan pokušaj: k-NN (CA) • Mnogo manja potreba za sažimanjem histograma 81 Alternativni pristup • Korištenje izračunatih centara za navođenje postojećih metoda • Nema više potrebe za histogramima • Jednostavna nadogradnja na gotovo bilo koju metodu • Color Dog (CD) 82 Alternativni pristup 83 Rezultati 84 Rezultati 85 Rezultati 86 Zaključak • Postojanost boja je zahtjevan i loše postavljem problem • Korištenje distribucije može uvelike povećati točnost procjene osvjetljenja • Vrijedi proučiti na koje se još načine distribucija osvjetljenja može iskoristiti za bolju procjenu osvjetljenja 87 88
© Copyright 2024 Paperzz