1 / 16

Outras Transforações de Imagens

Outras Transforações de Imagens. Paulo Sérgio Rodrigues PEL205. Similarmente, a Transformada Inversa DCT é definida como:. para x = 0,1,2,...,N-1. Transformada Discreta de Cosseno. u = 0,1,2,...,N-1. se u=0. se u=1,2,...N-1. Transformada Discreta de Cosseno.

dyre
Download Presentation

Outras Transforações de Imagens

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Outras Transforações de Imagens Paulo Sérgio Rodrigues PEL205

  2. Similarmente, a Transformada Inversa DCT é definida como: para x = 0,1,2,...,N-1 Transformada Discreta de Cosseno u = 0,1,2,...,N-1

  3. se u=0 se u=1,2,...N-1 Transformada Discreta de Cosseno

  4. O par correspondente bidimensional da DCT é: Transformada Discreta de Cosseno para u=v=0,1,2,...,N-1 para x=y=0,1,2,...,N-1

  5. Transformação de Hotelling A Transformação de Hotteling, também conhecida como Autovetor, Análise dos Componentes Principais (PCA) ou Transformação Discreta de Karhumen-Loève, possui várias Propriedades estatísticas de uma representação vetorial que a tornam importante não somente para Processamento de Imagens mas para diversas outras áreas da ciência.

  6. Considere um conjunto de vetores da forma: Transformação de Hotelling onde E{arg} é o valor esperado do argumento arg

  7. Assim, a matriz de covariância de uma população de vetores é obtida tomando-se o valor esperado de cada elemento: Transformação de Hotelling onde T indica transposição

  8. Transformação de Hotelling Uma vez que x é n-dimensionalCxé uma matriz n x n, onde cada elemento ciié a variância de xi e cada elemento cij, para i ≠ j é a co-variância entre os elementos xie xj A matriz Cxé também uma matriz real e simétrica Se os elementos xie xjnão são correlacionados cij = cji = 0

  9. Se o número de vetores de uma população for M, o vetor médio e a matriz de co-variância podem ser aproximados por: Transformação de Hotelling

  10. Sendo Cx real e simétrica, sempre é possível encontrar um conjunto n autovetores ortonormais. Transformação de Hotelling Então, sejam ei e λi, para i = 1,2,...,n, os respectivos autovetores e correspondentes autovalores de Cx Seja A a matriz cujas linhas correspondem aos autovetores de Cx Por conveniência, a primeira linha de A corresponde ao maior autovalor, e as demais em ordem decrescente de autovalores correspondentes.

  11. Suponha que A é uma matriz de transformação que mapeia cada elemento de x em um outro espaço denotado aqui por y: Transformação de Hotelling Essa transformação de mapeada por A é chamada Transformação de Hotteling, cuja matriz de co-variância pode ser obtida em termos de A e Cx como:

  12. Uma observação importante é que Cyé uma matriz diagonal cujos elementos dessa diagonal são justamente os autovalores de Cx, isto é: Transformação de Hotelling

  13. x2 y2 x2 x1 y1 x1 O principal efeito da Transformação de Hotteling é o alinhamento do eixo principal dos dados com o maior autovalor encontrado em um novo sistema de coordenadas cuja origem é o centróide da população. Transformação de Hotelling e1 e2 Essa observação mostra que a Transformação de Hotteling alinha os dados com os autovetores.

  14. Um propriedade importante da Transformada de Hotelling é que o vetor original pode ser reconstruído a partir de A, uma vez que A = AT por ser formado de colunas de vetores ortonormais. Assim: Transformação de Hotelling

  15. No entanto, suponha que ao invés de usar todos os autovetores, usemos somente os k correspondentes aos k maiores autovalores. Chamemos essa matriz de Ak Transformação de Hotelling Isso gera uma tranformação k x n. Y pode então ser k dimensional, e a reconstrução não será mais exata. Os valores originais reconstruídos usando Aksão representados equacionalmente como:

  16. Pode-se mostrar, no entanto, que o erro médio quadrático que se comete ao substituir A por Ak na transformação inversa será: Transformação de Hotelling

More Related