Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

MICA képeken. MICA 1. kísérlet Vettünk 6 db 50x50 pixeles képet. Ezeket 1-1 kétdimenziós sűrűségfügvénynek (2D-hisztogram) fogjuk fel, és importance sampling-gel.

Hasonló előadás


Az előadások a következő témára: "MICA képeken. MICA 1. kísérlet Vettünk 6 db 50x50 pixeles képet. Ezeket 1-1 kétdimenziós sűrűségfügvénynek (2D-hisztogram) fogjuk fel, és importance sampling-gel."— Előadás másolata:

1 MICA képeken

2 MICA 1. kísérlet Vettünk 6 db 50x50 pixeles képet. Ezeket 1-1 kétdimenziós sűrűségfügvénynek (2D-hisztogram) fogjuk fel, és importance sampling-gel mintavtételezünk a 2D koordintátákból 100.000 mintát egymástól függetlenül. Gyakorlatban ez úgy történt, hogy a képek pixel intenzitás összegét 100.000 re skáláztuk, majd minden pixel koordinátából vettünk annyi darabot, amennyi a pixelintenzitás, és utána a véletlenszerűen összekevertük őket. Így keletkezett 6 db 2x100.000 mátrix.

3 Eredeti jelek

4 Kevert jelek A 6 db 2 dim koordintátát Összekvertük egy 12x12 mátrixsszal. Itt látható az ebből késszült 6 db 2d hisztogram.

5 A FastICA algoritmus alkalmazása az előbbi 12x100.000 kevert jeleken. Az ábrák az így keletkezett 6 db 2d hisztogramot mutatják. Látható, hogy a FastICA nem volt képes vissza állítani az eredeti jeleket FastICA becslés a kevert jelekből

6 MICA becslés a kevert jelekből Ha azonban a MICA algoritmust alkalmazzuk a kevert jelekre: Látható a MICA képes volt a 2D alterek visszaállítására, bár az alterek irányát nem tudtuk megmondani.

7 MICA becslés median filtered Az előző képek kissé zajosak voltak, ezek részben a hisztogram készítésekor keletkező kvantálási hibának köszönhetők. Ezen median filterrel segíthetünk.

8 A MICA performancia mátrix

9 2. Kisérlet AR-MICA Ugyanaz, mint az előbb, de most a 6 db forráson nem egymástól függetlenül mintavételezünk, hanem sorfolytonosan haladunk a 2d koordinátákkal, azaz egy koordináta itt is annyiszor szerepel amennyi a pixel intenzitás a képen (importance sampling), és haladunk sorba az (1,1) (1,2),…(1,50), (2,1),…(50,50) koordinátákkal, és így készítünk képenként 100.000 mintát. Ezek az eredeti minták azonban most „időben” nem függetlenek egymástól, hisz pl minden kép (1,1)-ből indul, és (50,50)-be érkezik.

10 Eredeti jelek sorfolytonos reprezentáció. median filtered

11 Kevert jelek median filtered A 6 db 2 dim koordintátát Összekvertük egy 12x12 mátrixsszal. Itt látható az ebből késszült 6 db 2d hisztogram.

12 Fast ICA becslés az AR innováción median filtered A kevert jelekre AR becaslést alkamazunk, majd a keletkezett innováción (rekonstrukciós hiba) alkamazzuk a FastICA algoritmust. Az ábrák az így keletkezett 6 db 2d hisztogramot mutatják. Látható, hogy a FastICA nem volt képes vissza állítani az eredeti jeleket.

13 MICA becslés az AR innováción median filtered Ha azonban MICA algoritmust alkalmazunk az AR becslés utáni innováción, akkor ez az AR-MICA algoritmus képes a 2D alterek visszaállítására

14 MICA Performancia AR innováción

15 MICA Performancia AR becslés nélkül Látható AR becslés nélkül nem tudja a MICA az altereket visszaállítani.


Letölteni ppt "MICA képeken. MICA 1. kísérlet Vettünk 6 db 50x50 pixeles képet. Ezeket 1-1 kétdimenziós sűrűségfügvénynek (2D-hisztogram) fogjuk fel, és importance sampling-gel."

Hasonló előadás


Google Hirdetések