Documente Academic
Documente Profesional
Documente Cultură
Color Restoration
Color Restoration
Abstract: În acest articol am propus un punct nou de vedere asupra restaurarii de culoare folosind o funcţie de
corecţie a culorii: aceasta se poate defini ca o transformare a spaţiului culorilor "deformat" într-un spaţiu "corectat",
ideal. Funcţia poate fi definită scalar, în fiecare componentă, sau vectorial, dacă cele 3 componente de culoare sunt
corelate. Dintre spaţiile de culoare utilizate în literatură pentru corecţia culorilor, menţionăm: HSV, YCbCr. Functia de
restauare este generata folosind metodele bazate pe învăţarea supervizată a transformarii/corecţiei culorii . Maşinile cu
vectori suport sunt recunoscute pentru capacitatea lor de a învăţa cu capacitate de generalizare mare dintr-un numar
relativ mic de exemple, motiv pentru care utilizarea lor atât în probleme de clasificare, cât şi de regresie a luat avânt în
ultima decadă. Aplicaţiile lor în restaurarea culorii sunt relativ restrânse, însă cercetările arată că pot fi o alternativă
promiţătoare la alte metode de modelare, motiv pentru care am considerat interesantă aplicarea lor.
Regresia liniară implică o funcţie pierdere, având obiectivul 2.1. Regresia neliniara
de a o minimiza, ca să putem estima un hiperplan f(x,w):
SVM în cazul neliniar lucrează într-un spaţiu al
l caracteristicilor n-dimensional folosind un kernel specific.
1 1
2
2
R= ‖w‖ +C (∑ |
i=1
)
y i−f ( x , w )|ε ,C
λ
(1) Similar cu regresia liniară, funcţia pierdere este optimizată în
spatiul dual; de exemplu maximizarea variabilelor Lagrange
duale tinând cont de multiplicatorii Lagrange. Soluţia pentru
Pentru a minimiza ecuaţia sunt introduse variabilele
¿ hiperplanul de regresie f(x) care este liniar în spaţiul
pozitive, intregiξ si ξ , acestea sunt la o distanţă mai mare
caracteristicilor F va crea un hiperplan de regresie neliniar în
decat ε faţă de funcţie, de o parte şi alta a acesteia. spaţiul variabilelor de intrare.
¿
Multiplicatorii Lagrange (α i , α i ) sunt utilizaţi pentru Functia de regresie neliniară este dată de ecuaţia:
minimizarea funcţiei pierdere. Valoarea lor este zero dacă
¿ ¿
variabilele ξ si ξ <ε , şi diferită de zero daca ξ si ξ >ε , în
f ( x )=∑ ( ά i−ά ¿i ) K (xi , x)+ b́ (7)
acest caz multiplicatorii Lagrange sunt vectorii suport. SVs
Funcţia pierdere este in consecinţă modificată:
În cazul regresiei neliniare, matricea hessiană se schimbă
l l
1
R= ‖w‖ +C
2
2
(∑ i=1 i=1
)
ξ+ ∑ ξ ¿ ,(2)
H= G −G , G ( x k , x i ) (8)
−G G [ ]
ξ , ξ¿ ≥ 0 , i=1 , … ,l
y i−wT x i ≤ ε + ξ Dupa calculul multiplicatorilor Lagrange, mărimea optimă a
vectorilor şi a erorii sunt calculate folosind ecuaţiile:
w T xi − y i ≤ ε + ξ¿
w 0=α ¿ −α ( 9)
Constanta C este parametrul de regularizare care
controlează echilibrul dintre aproximarea erorii şi norma
vectorului ‖w‖. Condiţiile din ecuaţia de mai sus impun
l culorilor). O variantă preferată de interpolare o oferă regresia
1
b 0=
l ( ∑ ( y i−G w0 ) (10)
i=1
) cu vectori suport, însă cu dezavantajul că valorile funcţiei
rezultate nu pot să fie decât scalare. Astfel problema nu se
poate formula direct în spatiul 3D ci trebuie găsite spaţii de
Deci cea mai bună alegere a hiperplanului de regresie este culoare cu componente decorelate pentru a deduce individual
dată de ecuaţia: cele trei funcţii de regresie.
Fiecare funcţie este dată de un SVM, iar setul de antrenare a
z=f ( x , w ) =G w0 +b 0 (11) SVM pentru regresie este format de perechile ¿. Corecţia va fi
independentă conform schemei bloc din Fig.4. :
yi [3x1] – cele trei componente [y i1, yi2, yi3], unde [yi1, yi2, Fig. 4. Schema bloc de restaurare folosind SVR
yi3]=[R,G,B] sau [yi1, yi2, yi3]=[H,S,V] sau [yi1, yi2,
yi3]=[Y,Cb,Cr], i=1,2, ..., N Particularizări pentru reprezentarea colorilor în spatiul
Fie subspaţiul culorilor imaginii degradate: YCbCr este reprezentata in Fig.5.
Sdegradat = {x1, x2, ..., xM}, (13) RGB
-> Imagine
în general M ≠ N, dar presupunem pentru simplitate M = N. degradata
YCbCr
Pentru restaurare este necesară deducerea unei
mapari Sdegradat ❑ S nedegradat care poate fi exprimată analitic
→ Y { y C ,i } f C −SMV C Y {x C ,i }
printr-o funcţie: 1 1 1 1
Cr { y C ,i } f C −SMV C Cr { xC , i }
Problema principlă este deducerea exprimării funcţiei f, dat 3 3 3 3
{ y C , i },{ y C ,i }, { y C ,i }
1 2 3
şi respectiv Fig. 5. Schema bloc de restaurare in spatiul YCbCr
{x C ,i }, {x C ,i }, {x C , i }, trebuie găsite funcţiile f C , f C , f C ,
1 2 3 1 2 3
pentru spaţiul HSV nu se poate folosi SVM pe componenta H
deoarece aceasta are distanţa unghiulară in Fig. 6..
f C : { xC , i }❑ { y C ,i } , k =1,2,3(15)
k k k
→
RGB
Funcţia se poate rezolva cu formule explicite de interpolare, Imagine
->
dar este mai dificil dacă forma funcţiei este înalt neliniară şi degradata
HSV
neregulată (ca şi în cazul frecvent al degradării naturale a
H
S { y C ,i }
2
f C −SMV C
2 2
S {x C ,i }
2
c)
V { y C ,i }3
f C −SMV C
3 3
V {x C ,i }3
c) Rezultatul restaurarii culorii folosind funcţiile de regresie
aplicate simultan pe Y, Cb şi Cr generate de SVM-urile cu
kernel liniar.
HSV
Imagine
-> 3.2. Testarea restaurarii imaginilor
corectata
RGB
Paşii sunt similari etapei de antrenare, însă avem la dispoziţie
numai imaginea deradată (de corectat) şi în plus funcţiile de
Fig. 6 Schema bloc de restaurare in spatiul HSV
estimare a valorilor corectate, f Y , f Cb , f Cr date de antrenarea
3.1. Vectori de antrenare celor trei SVM-uri:
1. Se converteşte imaginea de test în spatiul YCbCr şi
Fie perechea de imagini D[HxWx3] – imaginea degradată şi rezultă D test ,Y , D test ,Cb , D test ,Cr
C[HxWx3] – imaginea corectă. 2. Se scanează fiecare componentă linie cu linie şi se
Se aliniază spaţial pixel cu pixel cele două imagini de formează vectorul d test , Y [ H test W test x 1],
antrenare d test , Cb [ H test W test x 1], d test , Cr [ H test W test x 1]
Se convertesc în spaţiul de culoare ales. 3. Se calculează:
Se scanează în aceiaşi ordine şi se reprezintă vectorial din c test ,Y [ i ]=f Y ( d test ,Y [ i ] )c test ,Cb [ i ] =f Cb ( d test , Cb [ i ] )
liniile puse una sub alta, astfel reprezentarea imaginii va avea
c test ,Cr [ i ] =f Cr ( d test ,Cr [ i ] ) ,unde i=1,2, … , HW
forma d Y [ HWx 1 ] , d Cb [ HWx 1 ] , d Cr [ HWx 1 ]
4. Se reface imaginea vectorială şi rezultă o matrice în
Se construieşte setul de antrenare al SVM-ului sub forma spaţiul YCbCr.
perechilor Se coverteşte aceasta în spaţiul RGB.
9.2 a) b) c) d)
a) b) c) d) Fig 9.2 Imagini de antrenare: a)intrare, b)ieşire şi rezultatul
restaurării culorii folosind funcţiile de regresie aplicate
Fig 8.2 Imagini de antrenare: a) intrare (degradată), b) ieşire simultan pe imaginea a) pe canalele Y, Cb şi Cr generate de
(dorită) şi c) rezultatul restaurării culorii aplicata pe imaginea SVR-urile rezultate folosind c)kernel polinomial şi respectiv
a) folosind funcţiile de regresie aplicate simultan pe Y, Cb si d)gausian RBF.
Cr generate de SVM-urile cu c) kernel polinomial şi respectiv
d) exponenţial RBF.
9.3 a) b)
d) e)
Fig. 9.5 Imagini de antrenare: a)intrare (degradată), b)ieşire
c) (dorită) şi c)rezultatul restaurării culorii folosind funcţiile de
regresie aplicate simultan pe imaginea degradata pe canalele S
Fig 9.3 a) Imagine degradata. Aplicarea SVR cu kernel b) şi V generate de SVM-urile cu kernel liniar pe imaginea a).
polinomial de grad 2, respectiv cu c) gausian RBF. d)Imaginea degradată e)Imaginea rezultată în urma restaurării
culorii folosind funcţiile de regresie aplicate simultan pe
imaginea degradata pe canalele S şi V generate de SVM-urile
cu kernel liniar antrenat pe setul a) - b).
a) b) c)
d) e)
Fig 9.4 Imagini de antrenare: a)intrare (degradată), b)ieşire
(dorită) şi c)rezultatul restaurării culorii folosind funcţiile de
regresie aplicate simultan pe imaginea degradata pe canalele
Y, Cb şi Cr generate de SVM-urile cu kernel liniar pe Fig. 9.6 Restaurarea in laborator a picturii [Knut’99].
imaginea a). d)Imaginea degradată e)Imaginea rezultată în
Utilizarea spatiului de culoare HSV, aplicând masini cu vector
urma restaurării culorii folosind funcţiile de regresie aplicate
suport pentru regresie pe canalele S si V conduc la rezultate
simultan pe imaginea degradata pe canalele S şi V generate de
mai slabe decat in cazul spaţiului YCbCr.
SVM-urile cu kernel liniar antrenat pe setul a) - b).