Processamento Digital de Imagens Quantização de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações [email protected]Sergio L. Netto Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações [email protected]Abril de 2017 (SMT – COPPE/UFRJ) UFRJ Abril de 2017 1 / 39
39
Embed
Processamento Digital de Imagens - eduardo/imgproc2018/slides/PDI_Parte04_Quantizacao... · Processamento Digital de Imagens Quantização de Imagens EduardoA.B.daSilva...
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Processamento Digital de Imagens
Quantização de ImagensEduardo A. B. da Silva
Programa de Engenharia Elétrica - COPPE/UFRJLaboratório de Sinais, Multimídia e Telecomunicações
1) a. Inicializar r (1)k , k = 1, · · · , L tal que r (1)
1 < r (1)2 < · · · r (1)
L , r (1)L+1 dependendo do problema.
b. Para cada i , i = 1, · · · ,Nmax:
� Para cada k, k = 1, · · · , L + 1 :
t(i)k =
r (i)k−1 + r (i)
k
2
r (i+1)k =
∫ t(i)k+1
t(i)k
upu(u)du
∫ t(i)k+1
t(i)k
pu(u)du
• A seguir são apresentadas tabelas para os quantizadores ótimos de números de níveis entre 2e 36, 64 e 128, para uma densidade gaussiana de média zero e variância unitária.
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 7 / 39
Quantização de Imagens Quantização
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 8 / 39
Quantização de Imagens Quantização
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 9 / 39
Quantização de Imagens Quantização
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 10 / 39
Quantização de Imagens Quantização
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 11 / 39
Quantização de Imagens Quantização
2) Número de níveis de quantização é grande:
� ⇒ pu(u) “constante” por partes (constante dentro do intervalo)
2 E [(u − u·)u·] = 0⇒ erro é ortogonal à saída do quantizador.
3 σ2u· = [1− f (B)]σ2
u
4 Basta projetar quantizadores para distribuições com média zero e variância unitária.
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 15 / 39
Quantização de Imagens Quantização
Provas
1. Se pk =∫ tk+1
tk
pu(u)du = P[r = rk ]
E [u·] = E [E [u|u ∈ Ik ]] =L∑
k=1
∫ tk+1
tk
upu(u)du∫ tk+1
tk
pu(u)du
pk
=L∑
k=1
∫ tk+1
tk
upu(u)du =∫ tL+1
t1
pu(u)du = E [u]
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 16 / 39
Quantização de Imagens Quantização
2. E [uu·] =∫ tL+1
t1
uu·pu(u)du =L∑
k=1
∫ tk+1
tk
uu·pu(u)du =L∑
k=1
∫ tk+1
tk
urkpu(u)du
=L∑
k=1rk
∫ tk+1
tk
upu(u)du =L∑
k=1rk rkpk =
L∑k=1
pk r2k = E [u·
2]
⇒ E [uu·−u·2] = 0⇒ E [(u−u·)u·] = 0
⇒ se η = u − u· ⇒ u = u· + η, η e u· são descorrelatados.
σ2η = E [(u − u·)2] = E [u2]− 2E [uu·] + E [u·2
] = E [u2]− E [u·2]
⇒ σ2η = σ2
u − σ2u·
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 17 / 39
Quantização de Imagens Quantização
3. Como σ2η ≤ σ2
u ⇒ σ2η = σ2
uf (B), f (B) ≤ 1 ⇒ σ2u· = σ2
u(1− f (B)).
também: E [uη] = E [u(u − u·)] = E [u2]− E [uu·] = E [u2]− E [u·2] = σ2
η
⇒ Isto implica que a quantização equivale a “subtrair” um ruído (potência diminui).� Notar a diferença do caso usual, quando somamos um ruído (potência aumenta).
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 18 / 39
Quantização de Imagens Compandors
Compandors
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 19 / 39
Quantização de Imagens Compandors
Compressor:
pu(x)
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 20 / 39
Quantização de Imagens Compandors
f (x) =2a∫ x
t1
[pu(u)] 13 du∫ tL+1
t1
[pu(u)] 13 du
− a, g(x) = f −1(x)
⇒ [−a, a] é a faixa dinâmica do quantizador.
pu(u) par:
f (x) =a∫ x
0[pu(u)] 1
3 du∫ tL+1
0[pu(u)] 1
3 du, x ≥ 0
f (x) = −f (−x), x < 0
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 21 / 39
Quantização de Imagens Compandors
Observações:1 A variável w(f (x)) não fica uniformemente distribuída.
2 ε = 112L2
(∫ tL+1
t1
[pu(u)] 13 du)3
3 t1 e tL+1 não precisam ser finitos.
4 Implementação usa dispositivos analógicos não-lineares e conversores A/D.
5 Equivalente a um quantizador uniforme com níveis:{tk = g(kq), t−k = −tk , k = 0, · · · , L
2rk = g((k − 1
2 )q), r−k = −rk , k = 1, · · · , L2
pu(u) par.
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 22 / 39
Quantização de Imagens Compandors
Quantizador Uniforme Ótimo para Densidades Não UniformesL níveis, passo q.
� Limite superior na distorção obtido com o Shannon Quantizer.
• Quantizadores com memória zero (1D): Em geral, não conseguem distorção abaixo doShannon Upper Bound.
• Quantizador uniforme ótimo para densidades uniformes: Possui distorção igual à do ShannonUpper Bound.
• A taxa do Shannon quantizer é, na prática, a menor taxa obtenível com um quantizador dememória zero para qualquer densidade de probabilidade• A seguir é apresentada uma tabela com os quantizadores uniformes ótimos de números de
níveis entre 2 e 36, 64, 128, 256 e 512, para densidades gaussiana e laplaciana de médiazero e variância unitária.
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 24 / 39
Quantização de Imagens Compandors
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 25 / 39
Quantização de Imagens Compandors
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 26 / 39
Quantização de Imagens Entropia da Saída Vs. Distorção
Entropia da Saída Vs. Distorção
• Quantizador Otimo do ponto de vista de taxa × distorção: Quantizador que minimizaa distorção dada uma entropia.
• Quantizador Uniforme Ótimo com entropy coding: melhor que quantizador nãouniforme ótimo sem entropy coding.
• Quantizador Uniforme: Bem próximo do ótimo segundo o critério Entropia X MSE (desdeque o “stepsize” seja otimizado de acordo com este critério).
⇒ Na prática: Projeto de quantizadores uniformes consiste em achar L (número de níveis) e A(faixa dinâmica).
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 27 / 39
Quantização de Imagens Entropia da Saída Vs. Distorção
Modelos Analíticos para Quantizadores Práticos
D = σ2f (B), f (B) = a2−bB
Exemplo: Shannon D1 = 2−2B1
Mean Square,Gaussian,B grande,Zero Memory
⇒ D2 = 2.26(2−1.963B2)
⇒ D1 = D2 ⇒ B2 = B1 + 0.5
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 28 / 39
Quantização de Imagens Entropia da Saída Vs. Distorção
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 29 / 39
Quantização de Imagens Entropia da Saída Vs. Distorção
Quantização de Variáveis Aleatórias Gaussianas Complexas
z = x + jy , x , y iid v.a. Gaussianas
⇒ não é ótimo quantizar x e y independentemente.
z = Aejθ A =√
x2 + y2 θ = arctg(y
x
),
A : Rayleigh pA(A) =
Aσ2 e−
A22σ2 , A > 0
0, A < 0
θ : uniforme
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 30 / 39
Quantização de Imagens Entropia da Saída Vs. Distorção
Quantizando A independente de θ:A: vk níveis de decisão θ : L1 níveis
wk níveis de reconstrução A : L2 níveisQuantizando A e θ conjuntamente:A: tk = vk para L2 grande, são iguais
rk = wksinc(1L
)(sinc
(1L
)→ 1)
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 31 / 39
Quantização de Imagens Quantização Visual
Quantização Visual
• Abaixo de 5 a 6 bits/pixel, nota-se falsos contornos, bastante incomodativos à visão.
• 8 bits: indistinguível pelo olho humano (256 níveis são suficientes)
• Necessidade de um sistema de quantização visual que mantenha os contornos abaixo dolimite de visibilidade.
1. Quantizar o Contraste
c = α ln(1 + βu) 0 ≤ u ≤ 1c = αuβ
⇒ Mudança de 2% no contrante é “just noticeable” ⇒ 50 níveis de contraste (6 bits)
⇒ Com quantizador ótimo, 4 a 5 bits seriam suficientes.
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 32 / 39
Quantização de Imagens Quantização Visual
2. Quantização com Ruído Pseudo-Aleatório (Dithering)
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 33 / 39
Quantização de Imagens Quantização Visual
⇒ O ruído “quebra” os contornos.
⇒ Sem contornos com ≈ 3 bits/pixel.
⇒ Posso não remover o ruído.
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 34 / 39
Quantização de Imagens Quantização Visual
“Halftoning”
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 35 / 39
Quantização de Imagens Quantização Visual
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 36 / 39
Quantização de Imagens Quantização Visual
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 37 / 39
Quantização de Imagens Quantização Visual
(SMT – COPPE/UFRJ) UFRJ Abril de 2017 38 / 39
Quantização de Imagens Quantização Visual
• O olho humano vê tons de cinza porque faz filtragem passa baixa.
• Ruído Aleatório × Padrões Periódicos (na prática)
• Padrões de Moiré ocorrem se a imagem e o padrão possuem periodicidades próximas.
Quantização de Cores
• Ideal: Quantização vetorial no espaço de cores.
• Na prática: transformação para espaço de cores mais uniforme perceptualmente.