A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Quantização de Cores por GNG Aurélio Moraes Figueiredo.

Apresentações semelhantes


Apresentação em tema: "Quantização de Cores por GNG Aurélio Moraes Figueiredo."— Transcrição da apresentação:

1 Quantização de Cores por GNG Aurélio Moraes Figueiredo

2 Quantização Processo de representar imagens do tipo true color utilizando um número reduzido de cores se comparado ao número de cores original. Imagens do tipo true color são representadas a taxa de 24bit/pixel, componentes vermelho, verde e azul (modo RGB). O número máximo de cores distintas de uma determinada imagem seria 2 24 ~ 16.8 milhões de cores.

3 Quantização - Vantagens O processo reduz a quantidade requerida de memória e o tempo de transferência de uma determinada imagem. Extremamente importante em aplicações multimídia de maneira geral (uso na Internet, etc.). Pode ser perfeitamente utilizado como uma etapa de pré-processamento para um determinado algoritmo de compactação a ser utilizado.

4 Objetivo Estudo de técnicas conhecidas de Machine Learning aplicadas ao problema de quantização (GNG). As técnicas são aplicadas a um benchmark de imagens já utilizado em artigos, e seus resultados são comparados a resultados já obtidos por outras técnicas. Cada uma das imagens foi quantizada a 256, 128, 64, 32, e 16 cores. O critério de comparação adotado foi o erro médio quadrático.

5 Luz e Cor Onda eletro-magnética (m) VISÍVEL f (Hertz) rádioAM FM,TV Micro-Ondas Infra-Vermelho Ultra-Violeta RaiosX vermelho ( Hz), laranja, amarelo,..., verde, azul, violeta ( Hz)

6 Luz branca luz branca prisma vermelho alaranjado amarelo verde azul violeta luz branca (acromática) tem todos os comprimentos de onda luz branca (acromática) tem todos os comprimentos de onda Newton Cor Violeta nm Azul nm Verde nm Amarelo nm Laranja nm Vermelho nm Cor Violeta nm Azul nm Verde nm Amarelo nm Laranja nm Vermelho nm 1 nm = m

7 Representação perceptual da cor CIE RGB r( ) R g( ) G b( ) B Cor Monocromática C( ) R = 700 nm G = 546 nm B = nm C ) = r R + g G + b B

8 nm546 nm (nm) Valores dos tri-esimulos Combinação de três cores (RGB) para reproduzir as cores espectrais r ) g ) b ) C ) = r ) R + g G + b B Componentes das cores monocromáticas - RGB -

9 Processo aditivo para formação de cor normalmente temos 1 byte para cada componente mapeando [0, 255] em [0,1] normalmente temos 1 byte para cada componente mapeando [0, 255] em [0,1] processo aditivo R G B 1.0 Y M C W K vermelho azul preto verde amarelo ciano magenta branco

10 Formação de imagens pixel

11 Imagem RGB

12

13 Canal R

14 Canal G

15 Canal B

16 Canais RGB

17 Quantizaçao 16 Cores4.000 Cores

18 Quantizaçao 64 Cores4.000 Cores

19 Quantizaçao 256 Cores4.000 Cores

20 GNG (Growing Neural Gas): Em métodos de aprendizado não supervisionado somente os dados de entrada estão disponíveis, e não existe nenhuma informação a respeito das saídas desejadas. Um objetivo possível é o de obter redução de dimensionalidade dos dados de entrada, encontrar um sub-espaço de menor dimensão que represente a maior parte ou todo o conjunto de dados. Diminuir o número de amostras de um determinado conjunto de dados. Dependendo da relação existente entre a dimensionalidade dos dados de entrada e dos dados da saída, alguma informação pode ser perdida durante o processo.

21 GNG (Growing Neural Gas Algorithm): O algoritmo é descrito abaixo: Passo 0: –Iniciar com duas unidades a e b com vetores posição aleatórios W a e W b em R n ; Passo 1: –Escolher uma amostra da ser treinada segundo a distribuição de probabilidades do conjunto de amostras; Passo 2: –Encontrar, dentre as unidades disponíveis, as duas unidades mais próximas da amostra de entrada, S 1 e S 2 ;

22 GNG (Growing Neural Gas Algorithm): Passo 3: –Incrementar o peso de todas as arestas que tenham S 1 como um de seus vértices; Passo 4: –Adicionar a distância quadrada existente entre a amostra sendo treinada e a unidade mais próxima dessa amostra ao acumulador de erros do neurônio:

23 GNG (Growing Neural Gas Algorithm): Passo 5: –Mover a unidade S 1 e seus vizinhos topológicos na direção da amostra sendo treinada, por frações iguais a e b e e n respectivamente: Passo 6: –Caso as unidades S 1 e S 2 estejam conectadas por arestas, essa aresta deve receber 0 (zero) como peso; Passo 7: –Remover todas as arestas que possuam peso maior que A max. Caso após a remoção das arestas alguma das unidades fique sem arestas, remover essa unidade da rede;

24 GNG (Growing Neural Gas Algorithm): Passo 8: –Caso o número de amostras já treinadas seja igual a λ, inserir uma nova unidade na rede da seguinte maneira: –Determinar a unidade q que possui o maior erro acumulado; –Inserir uma unidade r entre a unidade q e o seu vizinho topológico de maior erro acumulado f; –Os pesos iniciais de r terão, portanto, a seguinte configuração: –Inserir arestas conectando a nova unidade criada r às duas unidades através das quais r foi gerada; –Decrementar o erro das unidades q e f multiplicando esses error pela constante a. Inicializar o erro acumulado da nova unidade r como sendo o novo valor de erro da unidade q;

25 GNG (Growing Neural Gas Algorithm): Passo 9: –Decrementar os erros de todas as unidades existentes multiplicando seus erros acumulados por uma constante d; Passo 10: –Caso o critério de parada seja atingido (ex: caso o número de unidades existentes na rede seja alcançado), o treinamento está completo. Caso contrário, voltar ao passo 1. Um exemplo de execução do algoritmo pode ser visto aqui. Os parâmetros de entrada para esse caso foram: λ=100, eb=0.2, en=0.006, a=0.5, Amax=50, d=0.995:

26 λ=100, eb=0.2, en=0.006, a=0.5, Amax=50, d=0.995:

27 Resultados obtidos com o GNG

28 Peppers Cores256 CoresErro * 500

29 Mandrill Cores256 CoresErro * 500

30 Airplane Cores256 CoresErro * 500

31 Cores256 CoresErro * 500 Lena

32 Cores256 CoresErro * 500 Sailboat

33 Resultados do GNG: –Método iterativo, os parâmetros são ajustados caso a caso para o melhor resultado. –Para o caso geral verificou-se que uma boa configuração seria: λ=200, eb=0.2, en=0.006, a=0.5, Amax=50, d=0.995 –A variação de λ foi a que produziu as diferenças mais significativas.

34 Resultados Comparativos

35 Trabalhos Anteriores


Carregar ppt "Quantização de Cores por GNG Aurélio Moraes Figueiredo."

Apresentações semelhantes


Anúncios Google