Análisis de paper. a similarity metric for edge images

FABIAN SILVA PAVEZ

A similarity Metric for Edge

Images

Introducción

Importancia de las Métricas para imágenes de bordes y contornos.

Evaluación de Segmentación Métodos empíricos Métodos analíticos

Tipos de Métricas Métodos de Discrepancia Métricas de distorsión

Figura Of Merit (FOM)

Donde , representa el número de pixeles de borde ideal y detectados. A es una constante=1/9, y ,es la distancia de separación entre un pixel de borde actual y su correcta posición en la Imagen Terreno de la Verdad (ITV).

La métrica entrega un valor entre 0 y 100, de similitud entre la imagen y la ITV.

Este trabajo

Implementación de las siguientes métricas Figure Of Merit (FOM) Peek Signal Noise Ratio (PSNR) Closest Distance Metric (CDM) Pixel Correspondence Metric (PCM)

Comparación entre ellas Imagen de bordes, obtenida con Canny, y luego

comparada con la imagen terreno de la verdad.

PSNR

Permite establecer el error entre 2 imágenes f y g, de dimensiones X x Y.

Closest Distance Metric (CDM)

Relaciona el número de pixeles de borde correctamente identificados y el número de falsas deteciones. La idea es que para cada pixel de borde se inspeccione la ITV para encontrar el pixel en la misma ubicación, sino es posible encontrarlo se marca como no encontrado, y si existen muchos pixeles encontrados se elege el que tenga la menor distancia.

Pixel Correspondence Metric

La idea es tomar cada pixel de la imagen y encontrar su emparejamiento al interior de una vecindad de radio , del pixel correspondiente en la otra imagen.

Si no se encuentra un emparejamiento, se mide como error, en cambio si se encuentran varios emparejamientos se escoge aquel cuya similitud estimada, en general, sea maximizado.

Pixel Correspondence Metric (2)

Consideraciones para el algoritmo: Sea y , 2 imágenes de dimensiones , con valores (de

pixeles) entre y . Se define S como la separación entre 2 pixeles en las

posiciones y como:

Donde y es una función de normalización que representa la distancia dependiente en una tablero de 8x8

Pixel Correspondence Metric (3)

La similitud entre las 2 imágenes puede ser estimada a través del costo del emparejamiento óptimo , entre sus pixeles. Donde un emparejamiento óptimo es aquel cuyo costo es mínimo entre el resto los emparejamientos. El costo del emparejamiento es definido como:

Además , es obtenido a través del algoritmo de Emparejamiento con pesos en grafos bipartitos.

Pixel Correspondence Metric (4)

Algoritmo:Out=function PCM(GT, IM, radio, profundidad, maxPixel)

Para cada Pixel p(i,j)>0 en GTGrafo=HacerGrafoBipartito(p(i,j), radio, profundidad)Matching optimo = DeterminarMatchingOptimo(Grafo)costo=Costo(Matching)CostoTotal=costo+CostoTotal

Fin_Para Para cada Pixel p(i,j)>0 en IM

Grafo=HacerGrafoBipartito(p(i,j), radio, profundidad)Matching optimo = DeterminarMatchingOptimo(Grafo)costo=Costo(Matching)CostoTotal=costo+CostoTotal

Fin_Para

Out=100(1-CostoTotal/(Numero de pixeles <> 0 en f y g)

Pruebas

Experimento 1 (sin ruido): Tomar una imagen, aplicar método Canny Aplicar las distintas métricas, entre la imagen

resultante y la imagen terreno de la verdad Comparar los resultados obtenidos

Experimento 2 (con ruido): Tomar una imagen, aplicar método Canny Aplicar las distintas métricas, entre la imagen

resultante y la imagen terreno de la verdad Comparar los resultados obtenidos

Resultados y Conclusiones

Los resultados obtenidos se asemejan a los resultados del paper, en términos de que su comportamiendo es más cercano a 1, que las otras métricas.

Cuando la imagen está relativamnte «corrida», respecto de la original, la métrica se comporta bastante bien.

La difucultad de implementación y alto costo de cómputo (tiempo de ejecución) es muy alto

Mejoras?