Fundamentos da Computação Gráfica

Apresentação em tema: "Fundamentos da Computação Gráfica"— Transcrição da apresentação:

1 Fundamentos da Computação Gráfica
Trabalho 1 – Cor Eduardo Telles Carlos Paulo Ivson Netto Santos

2 Conteúdo Metodologia Utilizada Conversão Adobe RGB ↔ Lab
Obtenção das Amostras Funcionamento do Programa Resultados

3 Metodologia Utilizada
Transformações de espaços de cor Adobe RGB 1998 CIE Lab Aproximação de uma função de correção Rede Neural

4 Redes Neurais for dummies Interpolador de funções Treinamento
Lineares Não-lineares Treinamento Entrada: amostras incorretas Saída: valores esperados para cada amostra Rede utilizada só trabalha com valores [0,1] Todas as entradas e saídas foram escaladas Mínimo: 0.1 Máximo: 0.9

5 Rede Neural - Funcionamento

6 Conversão Adobe RGB → Lab
XYZ LAB Adobe RGB (D65) white point , , Referências: Adobe RGB (1998) Color Image Encoding

7 Conversão Lab → Adobe RGB
XYZ Adobe RGB Adobe RGB (D65) white point , , Referências: Adobe RGB (1998) Color Image Encoding

8 Obtenção de Amostras Entradas incorretas para treinamento
Cores e cinzas da imagem de referência Isolar amostras de cada cor Em Adobe RGB 1998 Convertidas para Lab durante carregamento Saídas corretas para treinamento Cores e cinzas dos espectros medidos Converter para Lab e Adobe RGB 1998 Adaptação Cromática

9 Obtenção de Amostras Separação das cores de referência Cores
Photoshop Recorte manual de cada cor / cinza Salvos em imagens separadas Adobe RGB 1998 Formato TIFF Cores Tons de Cinza

10 Obtenção de Amostras Observações Referência em JPEG
Quantidades diferentes de amostras de cada cor Color-bleeding entre uma amostra e outra Pouca variação nos tons de cinza mais escuros

11 Obtenção de Amostras Conversão dos espectros de referência Cores
Lab Adobe RGB Tons de cinza

12 Obtenção de Amostras Criação de 4 arquivos em formato texto
Exemplo Gray_AdobeRGB Exemplo Color_Lab

13 Obtenção de Amostras Observações Conversão através de planilha
Espectro limitado a 380nm – 730nm Lab D65 (6500K) Cores não totalmente “puras” Tons de cinza com RGB diferentes e a*b* diferentes de zero

14 Funcionamento do Programa
Treinamento Abre imagens de amostras de cores / cinzas Converte pixels para Lab se necessário Abre arquivos .txt com valores de referência Em RGB ou Lab Treina redes neurais com estes dados Entrada: amostras de cores / cinzas Avaliação de erro (média da distância euclidiana entre entrada e saída) Saída: valores de referência Várias amostras correspondem a uma mesma saída!

15 Funcionamento do Programa
Conversão da imagem Abre imagem a ser convertida Para cada pixel Converte para Lab se necessário Insere entradas na rede neural já treinada Obtém saída da rede Converte de volta para Adobe RGB se necessário Atualiza valores do pixel

16 Redes Utilizadas 8 métodos de conversão diferentes
Combinações de entradas e saídas Espaço de cor utilizado 2 técnicas de treinamento Todas as redes possuem Três camadas Entrada Hidden → sempre 9 neurônios Saída

17 REDE REDE REDE L a b L a b L* L a b L* - tons de cinza Erro L: 4,999% Erro a: 2,679% Erro b: 3,114%

18 REDE REDE REDE a b a b L* L a b L* - tons de cinza Erro L: 4.988% Erro a: 2.679% Erro b: 3.114%

19 REDE REDE REDE L* L a a b b L* - tons de cinza Erro L: 4.909% Erro a: 2.748% Erro b: 2.291%

20 REDE L a b L a b Erro Lab: 3.274%

21 REDE REDE REDE R G B R G B R G B R G B Erro R: 1.617% Erro G: 3.904% Erro B: 3.341%

22 REDE REDE REDE R R G G B B Erro R: 1.978% Erro G: 4.153% Erro B: 3.331%

23 REDE R G B R G B Erro RGB: 4.505%

24 REDE L a b R G B Erro RGB: 4.013%

25 Conclusão Muitas variáveis a serem testadas Função de ativação
Topologia da rede Número de neurônios Estimativa de erro Número de treinamentos Número de amostras de entrada Amostras em TIFF Cores de referência Conversão de Adobe RGB para Lab introduz erro

26 Bibliografia www.brucelindbloom.com
Introduction to Backpropagation Neural Networks Usui S., Arai Y., Nakauchi S. Neural networks for device-independent digital color imaging(2000) Information sciences, 123 (1), pp.  Vrhel, M. J. and Trussell, H. J. Color Scanner Calibration via a Neural Network. IEEE ICASSP’99, Vol.6, pp , 1999.