teoria dell’informazione e codici parte iii · facoltà di ingegneria appunti dalle lezioni del...
TRANSCRIPT
Facoltà di Ingegneria
Appunti dalle lezioni del corso di
Teoria dell’informazione e codici Parte III
Prof. Alessandro NERI
Anno accademico 2008-2009
CONTENUTI Motivazioni
Analisi a multirisoluzione e trasformata Wavelet
Scalogramma complesso
Funzioni armoniche circolari (CHF)
Wavelet Armoniche Circolari (CHW)
Wavelet di Laguerre-Gauss
Espansioni in funzioni Laguerre-Gauss ed Hermite-Gauss
Piramide ipercompleta di Wavelet Armoniche Circolari
Applicazioni
restauro di immagini
ricerca di oggetti in una scena
stima del movimento
semplificazione di immagini
Conclusioni
MOTIVAZIONI Definizione di immagine:
♦ B/N 2,: RR ⊆→ DDf
♦ estensione 2,: RC ⊆→ DDf
♦ Colori 23 ,: RR ⊆→ DDf
un'immagine f è un elemento di uno spazio di Hilbert
Applicazioni restauro
codificazione (archiviazione e trasmissione) di • immagini fisse • sequenze video Rivelazione e riconoscimento di oggetti per • visione artificiale • ricerche su basi di dati multimediali
MOTIVAZIONI ♦ Necessità di
una rappresentazione efficiente e parsimoniosa delle varie componenti di una scena naturale quali bordi e tessiture ( non ottenibile per mezzo di un unico sistema non ridondante)
♦ Tecniche correnti Matching pursuit strategy: adatta la base di sviluppo ai contenuti locali dell'immagine, selezionando gli elementi della base a partire da un insieme altamente ridondante (dizionario di forme d'onda) − elementi critici
− costruzione del dizionario
− costruzione della migliore rappresentazione locale (Minimum Description Length).
♦ Obiettivo
espansione locale
− efficacemente approssimabile con pochi elementi dello sviluppo
− basata su pattern specifici rilevanti per il sistema visivo umano (bordi, linee, incroci) la cui scala ed il cui orientamento possano essere variati in modo parametrico
ANALISI DI SEGNALI A MULTIRISOLUZIONE ♦ teoria matematica che permette di rappresentare uno stesso segnale a livelli di accuratezza
differenti, caratterizzati da una risoluzione crescente
♦ nasce dal limite intrinseco dell’analisi di Fourier: l’impossibilità di ottenere una localizzazione congiunta sia nel tempo che in frequenza, che risulta invece altamente desiderabile in molti contesti applicativi:
Analisi di segnali acustici
musica voce umana
Percezione di un'immagine
TRASFORMATA WAVELET MONODIMENSIONALE ♦ REQUISITI
esprimere una funzione come combinazione lineare di una famiglia di forme d'onda elementari
− con forte localizzazione sia in spazio che in frequenza
− mediante un algoritmo veloce
− con sviluppo rapidamente convergente
♦ FONDAMENTI
Base costituita da una famiglia di funzioni ricavate da una sola mother wavelet )( tψ per
cambiamenti di scala e traslazioni
,1( )b a
t btaa−⎛ ⎞ψ = ψ⎜ ⎟
⎝ ⎠
TRASFORMATA WAVELET UNIDIMENSIONALE
Data una funzione g ),(2 dtL R∈ ed una funzione ψ che soddisfi la condizione di
ammissibilità
2
0
ˆ ( )0 C d
∞ψ
ψ ω< = ω < ∞
ω∫ ,
la funzione g può essere rappresentata come combinazione lineare di repliche
traslate e scalate di ψ
,20
1 1( ) ( , ) ( )b ag t g b a t db daC a
∞ ∞ψ−∞
ψ
⎡ ⎤= ψ⎢ ⎥
⎢ ⎥⎣ ⎦∫ ∫ W
essendo ( , )g b aψW la trasformata Wavelet (WT) di g rispetto a ψ, definita da
,1( , ) ( ), ( ) ( )b a
t bg b a g t t g t dtaaψ−⎛ ⎞= ψ = ψ⎜ ⎟
⎝ ⎠∫WR
La validità della formula di inversione può essere verificata facilmente nel dominio
della frequenza. A questo scopo riscriviamo la formula di inversione come segue
0,20
1 1( ) ( , ) ( )ag t g b a t b db daC a
∞ ∞ψ−∞
ψ
⎡ ⎤⎢ ⎥= ψ − =⎢ ⎥⎣ ⎦
∫ ∫ W
poichè ψ soddisfa la condizione di stabilità e ( )afΨ2 è una funzione pari, si ha la seguente
eguaglianza
( ) ( ) ( ) ( )0 0 0
1 1 11a af af
da d af daC a C af C a
∞ ∞ ∞
ψ ψ ψ
Ψ Ψ Ψ= = =∫ ∫ ∫
2 2 2
Pertanto
( )0
1( ) ( )af
G f G f daC a
∞
ψ
Ψ= =∫
2
20
1 1 ( ) ( ) ( )a af G f a af daC a
∞ ∗
ψ= Ψ Ψ =∫
{ }0,20
1 1 ( , ) ( ) .ag t a t daC a
∞
ψ= ∗ψ∫ F W
ovvero
,20
1 1( ) ( , ) ( )b ag t g b a t dbdaC a
∞ +∞ψ−∞
ψ= ψ∫ ∫ W .
c.d.d.
In alternativa, poichè
{ } 1( , ) ( ) * ( ) *( )tg b a g t G f a afaaψ
⎧ ⎫⎛ ⎞= ∗ ψ − = Ψ⎨ ⎬⎜ ⎟⎝ ⎠⎩ ⎭
F W F
si ha
,20
1 1 ( , ) ( )b ag b a t db daC a
∞ ∞ψ−∞
ψ
⎧ ⎫⎪ ⎪ψ =⎨ ⎬⎪ ⎪⎩ ⎭∫ ∫F W
0,20
1 1 ( , ) ( )ag t a t daC a
∞ψ
ψ
⎧ ⎫⎪ ⎪⎡ ⎤∗ψ =⎨ ⎬⎣ ⎦⎪ ⎪⎩ ⎭∫=F W
{ }0,20
1 1 ( , ) ( )ag t a t daC a
∞ψ
ψ∗ψ =∫= F W
( )20
1 1 ( )G f a af daC a
∞
ψΨ =∫
2=
( )0
1( )af
G f daC a
∞
ψ
Ψ=∫
2
=
( )0
1( ) ( )G f d G fC
∞
ψ
Ψ ωω=
ω∫2
=
WAVELET DIADICHE Teorema: Se una funzione ψ soddisfa la condizione di stabilità
20 (2 ) . .k
kA f B a e
∞
=−∞< ≤ Ψ ≤ < ∞∑
la funzione g può essere ricostruita a partire dai soli coefficienti ( ,2 )mg b −ψW della WT
tramite la formula di inversione
,21( ) ( ,2 ) ( )
2m
mbm
mg t g b t db
+∞ ∞ψ−∞
=−∞
′= ψ∑ ∫ W
essendo ′ψ definita a partire dalla sua trasformata di Fourier pari a
2
( )( )(2 )m
m
fff
∞
=−∞
Ψ′Ψ =Ψ∑
poichè ψ soddisfa la condizione di stabilità, si ha la seguente eguaglianza
2
2
(2 )1
(2 )
m
km
k
f
f
∞
∞=−∞
=−∞
Ψ=
Ψ∑
∑
Pertanto per la trasformata di Fourier di g(t) si ha
2
2
(2 ) ( )( )
(2 )
m
km
k
f G fG f
f
∞
∞=−∞
=−∞
Ψ= =
Ψ∑
∑
2
1 2 (2 )2 (2 ) ( )2 (2 )
m mm m
mkm
k
ff G ff
∞∗
∞=−∞
=−∞
Ψ= Ψ =
Ψ∑
∑
{ }2
1 2 (2 )( ,2 )2 (2 )
m mm
mkm
k
fg bf
∞
ψ ∞=−∞
=−∞
Ψ=
Ψ∑
∑F W
Poiché
2 2(2 ) (2 )k k m
k kf f
∞ ∞+
=−∞ =−∞
Ψ = Ψ∑ ∑
Si ha
{ }2
1 2 (2 )( ) ( ,2 )2 (2 )
m mm
mk mm
k
fG f g bf
∞
ψ ∞+=−∞
=−∞
Ψ= =
Ψ∑
∑F W
{ } 1( ,2 ) 2 (2 )2
m m mm
mg b f
∞
ψ=−∞
′= Ψ =∑ F W
{ }0,21 ( ,2 ) ( )
2m
mm
mW g t t
∞
ψ=−∞
′= ∗ψ∑ F .
ANALISI A MULTIRISOLUZIONE • Sia Φ una funzione tale che ( ){ }/ 22 2i i t k− −φ − Δτ formi una base ortonormale per il
sottospazio 2( )∈iV L .
• Sia Ψ una wavelet ammissibile tale che
o l'insieme discreto ( ){ }/ 22 2i i t k− −ψ − Δτ formi una base ortogonale per il sottospazio
2 ( )∈iW L
o i due sottospazi Vi e Wi siano mutuamente ortogonali Wi ⊥ Vi
o il sottospazio Vi-1 può essere espresso come somma diretta di Vi e Wi
Vi−1 = Vi ⊕ Wi
Un segnale s(t) ∈V0 può essere rappresentato tramite un'approssimazione a risoluzione i=M
ottenuta combinando linearmente repliche traslate della funzione ( )tφ scalata per un fattore 2M e
M dettagli alle scale diadiche 2l ottenute combinando linearmente repliche traslate e dilatate della
mother wavelet ( )tψ
[ ] ( ) [ ] ( )/ 2 / 2 / 2 / 2
1( ) 2 2 2 2
MM M
Mk k
s t c k t k d k t k− − − −
== φ − Δτ + ψ − Δτ∑ ∑∑
• è possibile dimostrare che la wavelet e la basic scaling function soddisfano le equazioni
[ ] ( )( ) 2 2k
t h k t kφ = φ − Δτ∑
[ ] ( )( ) 2 2k
t g k t kψ = φ − Δτ∑
in cui g k⎡⎣ ⎤⎦ e h k⎡⎣ ⎤⎦ sono i coefficienti di due Quadrature Mirror Filter (QMF)
H(ω ) =12
h[k]e− jωkΔτ
k∑
G(ω ) =12
g[k]e− jωkΔτ
k∑
e Δτ è l’intervallo di campionamento.
• La trasformata wavelet discreta (DWT) può essere calcolata per mezzo dell'algoritmo
piramidale di Mallat.
• Siano [ ]0c k i coefficienti della rappresentazione del segnale s(t) ∈V0 rispetto alla base
ortogonale φ(t − Δτ ) :
c0 k⎡⎣ ⎤⎦ = ⟨s(t),φ(t − Δτ )⟩ = s∫ (t)φ*(t − Δτ )dt
• I coefficienti c0[k] possono essere espressi come combinazione lineare dei coefficienti
c1 n⎡⎣ ⎤⎦ relativi all'approssimazione del segnale a livello di risoluzione 1 e dei coefficienti
d1 n⎡⎣ ⎤⎦ relativi ai dettagli relativi al livello di risoluzione 1 per mezzo della convoluzione
discreta tra la serie dei coefficienti c1 n⎡⎣ ⎤⎦ ed il filtro passa basso h[n] e della convoluzione
discreta tra la serie dei coefficienti d1 n⎡⎣ ⎤⎦ ed il filtro il filtro passa alto g[n] seguito da un
ricampionamento per un fattore 2:
c0 n⎡⎣ ⎤⎦ = c1k∑ k⎡⎣ ⎤⎦ h 2k − n⎡⎣ ⎤⎦ + d1 k⎡⎣ ⎤⎦ g 2k − n⎡⎣ ⎤⎦
• I coefficienti c1 n⎡⎣ ⎤⎦ e d1 n⎡⎣ ⎤⎦ possono essere ottenuti dai coefficienti [ ]0c k tramite filtraggio
con il filtro passa basso h[n] eil filtro il filtro passa alto g[n] seguito da un
sottocampionamento per un fattore 2:
c1 n⎡⎣ ⎤⎦ = c0 k⎡⎣ ⎤⎦ h 2n − k⎡⎣ ⎤⎦k∑
d1 n⎡⎣ ⎤⎦ = c0 k⎡⎣ ⎤⎦ g 2n − k⎡⎣ ⎤⎦k∑
• La scomposizione DWT dimezza la risoluzione temporale e raddoppia la rislouzione in
frequenza perché la larghezza della banda del segnale d'uscita e solo la metà di quella
d'ingresso, quindi metà dei campioni possono essere scartati senza perdita d'informazione.
• La procedura di scomposizione può essere reiterata e ad ogni livello di decomposizione l il
filtro ed il sottocampionamento dimezzano il numero dei campioni e la larghezza di banda
[ ] [ ] [ ]1 2k
c n c k h n k−= −∑
[ ] [ ] [ ]1 2k
d n c k g n k−= −∑
Essendo [ ]c n e [ ]d n i coefficienti dell’approssimazione grossolana e dei dettagli alla
risoluzione l-esima.
• Questo approccio riduce il carico computazionale rispetto alla Fast Fourier Transform (FFT),
perche ad ogni livello di scomposizione solo elaborati solo la metà degli elementi.
[ ] [ ] [ ]1 2k
d n c k g n k−= −∑
WAVELET DI DAUBACHIE ♦ Le wavelet di Daubachie sono caratterizzate dalla proprietà che i primi A momenti sono
nulli.
scaling and
wavelet
functions
amplitudes of
the frequency
spectrum
SCALOGRAMMA COMPLESSO ♦ La rivelazione di patterns indipendentemente dalla loro scala, dal loro orientamento e dalla
loro posizione, nonché la stima di tali parametri si semplificano se si considera come
dominio di una immagine il piano complesso C costituito dai punti z=x1+jx2, invece del
piano reale R2 costituito dai punti x=(x1, x2)
♦ Infatti, in questo caso variazioni di scala e rotazioni possono essere tenute in conto tramite
una sola operazione: il cambiamento di scala complessa
nel piano complesso il fattore complesso di scala α = a e jϕ corresponde a
• una dilatazione/contrazione isotropica per un fattore pari al modulo a,
• una rotazione ϕ attorno all'origine z= 0.
♦ Quindi una qualsiasi combinazione di traslazioni, dilatazioni, rotazioni di un pattern attorno
ad un qualsiasi punto del piano complesso può essere sempre posto nella forma
⎟⎟⎠
⎞⎜⎜⎝
⎛α
β−zf
TRASFORMATA WAVELET 2-D La trasformata Wavelet (WT) di una funzione
f ),(2 zddzL C∈ rispetto a ψ è definita da
∫ ⎟⎟⎠
⎞⎜⎜⎝
⎛α
β−ψ
α=ψ=αβ αβψ
Czddz
zzfzzff )(
21
)(),(),( ,W
⎟⎟⎠
⎞⎜⎜⎝
⎛α
β−ψ
α∗β=β−ψ∗β= α
1)(
21
)()(21
,0 ff
in cui ψβ,α è ottenuta da ψ applicando gli operatori di traslazione e di cambiamento di scala
complessa che lascia invariata la norma L2(C, zddz )
⎟⎠⎞
⎜⎝⎛
αβ−
ψα
=ψ αβzz 1)(,
Quando ψ soddisfa la condizione di ammissibilità
∞<ωωω
ωψ=< ∫ψ ddC
C 2
2)(ˆ0 ,
la WT costituisce una rappresentazione dell'immagine f, nel senso che la trasformata inversa
esiste
∫ ∫ ααββψαβα
= αβψψ C C
ddddzfC
zf )(),(1
21
)( ,4W
poichè ψ soddisfa la condizione di stabilità e ( )afΨ2 è una funzione pari, si ha la seguente
eguaglianza
( ) ( ) ( ) ( )0 0 0
1 1 11a af af
da d af daC a C af C a
∞ ∞ ∞
ψ ψ ψ
Ψ Ψ Ψ= = =∫ ∫ ∫
2 2 2
Pertanto
( )0
1( ) ( )af
G f G f daC a
∞
ψ
Ψ= =∫
2
20
1 1 ( ) ( ) ( )a af G f a af daC a
∞ ∗
ψ= Ψ Ψ =∫
{ }0,20
1 1 ( , ) ( ) .ag t a t daC a
∞
ψ= ∗ψ∫ F W
ovvero
,20
1 1( ) ( , ) ( )b ag t g b a t dbdaC a
∞ +∞ψ−∞
ψ= ψ∫ ∫ W .