Self-Similarity Based Texture Editing Self-similarity Based Texture Editing Stephen Brooks Neil Dogdson University of Cambridge Projeto Final de Processamento.

Slides:



Advertisements
Apresentações semelhantes
João Luiz Fernandes e Aura Conci Universidade Federal Fluminense
Advertisements

Melhoramento de Imagens
Computer Vision Melhoramento de Imagens Paulo Sérgio Rodrigues PEL205.
BITS ++ E A CORREÇÃO GAMA
Reconhecimento de Padrões Métodos, Técnicas e Ferramentas para Aprendizado e Classificação de Dados Módulo II Introdução ao Processamento de Imagens.
Algumas estruturas de dados em SIGs
Chapter 2 Fundamentals (a) (b) Convenções de coordenadas:
Rasterização, Anti-aliasing e Preenchimento
Projeções e OpenGL Alex F. V. Machado.
Filtros de Convolução (Processamento de Imagens)
Fluxo Óptico Allan Carlos Avelino Rocha
Ray Tracer Distribuído
Segmentação de imagens
O COEFICIENTE DE HURST E O COEFICIENTE DE VARIAÇÃO ESPACIAL NA SEGMENTAÇÃO DE TEXTURAS MULTIESPECTRAIS Dra Aura Conci Éldman Oliveira Nunes.
Introdução à Computação Gráfica Colorização
Reconhecimento de Padrões Segmentação
Iana Alexandra Alves Rufino
Quantização de cores em Imagens: o caso do K-means
Ismael Andrade Pimentel
Captura de Texto em um Quadro Branco
Fundamentos da Computação Gráfica (Trabalho 2)
Mapeamento de texturas com redução de aliasing Lorenzo Ridolfi
Segmentação de Imagens
Métodos de ajuste de temperatura de cor
A terceira dimensão.
Computação Gráfica: Rendering e Rasterização
Introdução ao Processamento Digital de Imagens
Técnicas para algoritmos de superfície visível eficientes (Techniques for efficient visible-surface algorithms) Fabio Utzig Rodrigo Senger.
3.º Ciclo 8.º ano de escolaridade
Filtros I: o domínio espacial. FILTROS I: o domínio espacial.
2 Elementos da Percepção Visual
Edição Vetorial de Ponto, Linha e Polígono
Seminário Introdução à Visão Computacional
Simulador de Algoritmos de Ordenação
Aprendizado Baseado em Instâncias – Algoritmo k-NN
II Workshop de Dissertação Pós-Graduação em Ciência da Computação Faculdade de Computação – FACOM Universidade Federal de Uberlândia – UFU Dezembro/2008.
Interpolação de imagem
Estimação da direção de múltiplas fontes de luz Baseado no artigo Estimation of Illuminant Direction and Intensity of Multiple Light Sources, de W. Zhou.
Segmentação de Imagens
Sistema Visual Humano Anatomia e Processamento de Sinais
Área de Pesquisa: Redes de Computadores
(Turma M.E.D – Integrado Jaó)
Introdução ao Processamento Digital de Imagens Clayton de Medeiros Vasconcelos Centro Brasileiro de Pesquisas Físicas CAT- Out
Reconstrução Tridimensional usando IPP Trabalho final do curso de Visão Computacional DCC / UFMG Apresentação: Antônio Wilson Vieira.
Visão Computacional
RADIOLOGIA DIGITAL.
Reconhecimento e Verificação de Assinaturas
Funções de várias variáveis
Revisão Geral Técnicas de Realce Histogramas
Image Based Cartoon Style Rendering Jeronimo Silvério Venetillo Fabio Issao Nakamura.
Filtragem Colaborativa
Aula 8. Classificação Não Supervisonada por Regiões
Introdução ao Processamento Digital de Imagens
Classificação de Imagens de Sensoriamento Remoto
INE Fundamentos de Matemática Discreta para a Computação
Segmentação de Fundo Marcelo Gonella
Algemiro Augusto Professor: Marcelo Gattass
Transformada de Hough Processamento global para a detecção de linhas retas numa imagem Nenhum conhecimento é necessário a respeito da posição das linhas.
Parte 2. Operações Topológicas
Digital Image Processing, 2nd ed. © 2002 R. C. Gonzalez & R. E. Woods 3 Representação da Imagem Digital O espectro eletromagnético.
Biometria Reconhecimento de Assinaturas
Algumas estruturas de dados em SIGs Tabela Vectorial Matricial.
Georefenciação de imagens
Estruturas de dados Tabela Vectorial Matricial Rede triangular irregular.
Física Experimental III – aula 7
Curso de Ventos Estelares Marcelo Borges Fernandes.
Manutenção e Suporte em Hardware - II
Processamento de Imagens e Computação Gráfica
Marcos Corrêa Neves Gilberto Câmara Renato M. Assunção
Computação Gráfica - Amostragem Profa. Mercedes Gonzales Márquez.
Transcrição da apresentação:

Self-Similarity Based Texture Editing Self-similarity Based Texture Editing Stephen Brooks Neil Dogdson University of Cambridge Projeto Final de Processamento de Imagens 2 o sem/2002 José Luiz Soares Luz

Self-Similarity Based Texture Editing Apresentação Objetivo Similarity-Based Editing Vizinhança, Métrica de distância, Similaridade Similarity-Based Painting Similarity-Based Cloning Similarity-Based Warping Interface

Self-Similarity Based Texture Editing Objetivo -Apresentar sistema de edição para texturas, que propaga os efeitos das operações de Painting, Cloning, Warping.

Self-Similarity Based Texture Editing Similarity-Based Editing - A edição da textura baseia-se na idéia de similaridade, a qual é determinada utilizando-se uma vizinhança de um dado pixel, e uma métrica de distância, para a verificação de pixels similares dentro da textura.

Self-Similarity Based Texture Editing Similarity-Based Editing - Vizinhanças similares são localizadas para que ocorra a propagação das operações de edição sobre a textura; mudanças feitas para um pixel particular, afetam todos os pixels que exibem vizinhança local similar.

Self-Similarity Based Texture Editing Vizinhança, Métrica de distância, Similaridade - Vizinhança: Dado um pixel definimos como sua vizinhança o conjunto de pixels limitados pelo círculo de raio r pixels. Ponto Selecionado Vizinhança

Self-Similarity Based Texture Editing Vizinhança, Métrica de distância, Similaridade - Métrica de distância: é a norma L 2, ou seja, a soma dos quadrados das diferenças entre as componentes RGB, dos pixels correspondentes de duas vizinhanças.

Self-Similarity Based Texture Editing Vizinhança, Métrica de distância, Similaridade N 1, N 2 – duas vizinhanças distintas R i (p), G i (p), B i (p) – Valores de R, G, e B na posição p na vizinhança i

Self-Similarity Based Texture Editing Vizinhança, Métrica de distância, Similaridade - Similaridade: os pixels similares são aqueles cuja diferença entre suas respectivas vizinhanças locais e a pixel selecionado está dentro de um certo limite.

Self-Similarity Based Texture Editing Similarity-Based Painting -Altera cor e brilho de pixels similares àquele selecionado pelo usuário. 1)Usuário seleciona ponto sobre Pixel 2)A vizinhança circular local do ponto selecionado é comparada com cada vizinhança dos pixels da imagem

Self-Similarity Based Texture Editing Similarity-Based Painting 3) Opacidade é aplicada ao pixel selecionado e ao subconjunto dos pixels com vizinhança similar.

Self-Similarity Based Texture Editing Similarity-Based Painting original

Self-Similarity Based Texture Editing Similarity-Based Painting original

Self-Similarity Based Texture Editing Similarity-Based Painting original

Self-Similarity Based Texture Editing Similarity-Based Painting original

Self-Similarity Based Texture Editing Similarity-Based Cloning -Posiciona os valores das cores dos pixels similares da textura clonada para a textura alvo. 1)A vizinhança circular local do ponto selecionado é comparada com cada vizinhança dos pixels da imagem

Self-Similarity Based Texture Editing Similarity-Based Cloning 2) Os valores das cores dos pixels similares são incorporados a textura alvo, podendo-se definir o quanto os valores serão mais ou menos incorporados

Self-Similarity Based Texture Editing Similarity-Based Cloning clonada Textura alvo

Self-Similarity Based Texture Editing Similarity-Based Cloning clonadas Textura alvo

Self-Similarity Based Texture Editing Similarity-Based Cloning clonada Textura alvo

Self-Similarity Based Texture Editing Similarity-Based Warping -Usa similaridade como uma medida de expansão de área local. -Questão: Como converter similaridade em valores escalares para expansão de área? -Referência: KEAHEY, A., AND ROBERTSON, E Nonlinear Magnification Fields. IEEE symposium on Information Visualization, 51-58

Self-Similarity Based Texture Editing Similarity-Based Warping 1)Grade de valores similares define uma função de aumento M 2)De M deriva-se uma função T, de deslocamento na grade 2D 3)Inicialmente T e tomada como a identidade, deduz-se então M c, e a partir de M (grade de valores similares), calcula-se M e = M – M c, obtem-se então T c, novamente uma nova função M c é determinada, e assim prossegue- se determinando-se T c e M e em cada interação

Self-Similarity Based Texture Editing Similarity-Based Warping -Se M e < 0, T c faz com que os vértices da grade 2D se desloquem mais para o interior. -Se M e > 0, T c faz com que os vértices da grade 2D se desloquem mais para o exterior. 4) Uma transformação 2D é produzida que é simétrica e centrada na magnitude máxima

Self-Similarity Based Texture Editing Similarity-Based Warping original

Self-Similarity Based Texture Editing Similarity-Based Warping original sem super-resolução com super-resolução

Self-Similarity Based Texture Editing Similarity-Based Warping original

Self-Similarity Based Texture Editing Similarity-Based Warping original

Self-Similarity Based Texture Editing Similarity-Based Warping original

Self-Similarity Based Texture Editing Similarity-Based Warping original com super-resolução

Self-Similarity Based Texture Editing Interface -Bibliotecas: IUP, CD, IM -Linguagem: C -Ambiente: Linux

Self-Similarity Based Texture Editing Interface

Self-Similarity Based Texture Editing Interface

Self-Similarity Based Texture Editing Interface

Self-Similarity Based Texture Editing Observações -Dependendo da textura e da quantidade expandida na operação de warping, pode haver perda de detalhes, para correção, aplica-se super-resolução. -Melhores resultados para texturas iluminadas uniformemente. -Para clonagem as duas texturas devem ser aproximadamente coplanares.

Self-Similarity Based Texture Editing Bibliografia -BROOKS, Stephen; DODGSON, Neil. Self-Similarity Based Texture Editing. -ASHIKHMIN, M.. Synthesizing Natural Textures. -BAR-JOSEPH, Z.; EL-YANIV, R.; LISCHINSKI, D.; WERMAN, M.. Texture Mixing and Texture Movie Synthesis Using Statistical Learning. -EFROS, A.; FREEMAN, W.. Image Quilting for Texture Synthesis and Transfer. -KEAHEY, A.; ROBERTSON, E.. Nonlinear Magnification Fields.

Self-Similarity Based Texture Editing Bibliografia -KEAHEY, A.; ROBERTSON, E.. Techniques for Nonlinear Magnification Transformation. -GOMES, J; VELHO, L.. Computação Gráfica: Imagem. IMPA. -PITAS, I.. Digital Image Processing Algorithms and Applications. -Manuais: IUP, CD, IM. Tecgraf.

Self-Similarity Based Texture Editing Agradecimentos -Ao Professor Luiz Velho pela sugestão do paper. -Aos companheiros do Visgraf : Ari, Lourena, Adelailson, Sergio, e todos que me ajudaram. OBRIGADO!!!