Computer Vision Outras Transforações de Imagens Paulo Sérgio Rodrigues PEL205 Computer Vision Transformada Discreta de Cosseno A T ransforma da Diretade Cosseno1D (DCT )é definda como: 2 x 1u C (u ) a(u ) f ( x) cos 2N x 0 N 1 u = 0,1,2,...,N-1 Similarmente, a Transformada Inversa DCT é definida como: 2 x 1u f ( x) u C u cos 2 N u 0 N 1 para x = 0,1,2,...,N-1 Computer Vision Transformada Discreta de Cosseno 2 x 1u C (u ) a(u) f ( x) cos 2N x 0 N 1 2 x 1u f ( x) u C u cos 2N u 0 N 1 u 1 N 2 N se u=0 se u=1,2,...N-1 Computer Vision Transformada Discreta de Cosseno O par correspondente bidimensional da DCT é: 2 x 1u 2 y 1v C (u, v) (u) v f ( x, y) cos cos 2 N 2 N x 0 y 0 N 1 N 1 para u=v=0,1,2,...,N-1 2 x 1u 2 y 1v f ( x, y) u v C u, v cos cos 2N 2N u 0 v 0 N 1 N 1 para x=y=0,1,2,...,N-1 Computer Vision 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. Computer Vision Transformação de Hotelling Considere um conjunto de vetores da forma: x1 x 2 x xn cujo valor m édiodo conjuntoé : mx Ex onde E{arg} é o valor esperado do argumento arg Computer Vision Transformação de Hotelling Assim, a matriz de covariância de uma população de vetores é obtida tomando-se o valor esperado de cada elemento: Cx E x mx x mx onde T indica transposição T Computer Vision Transformação de Hotelling Cx E x mx x mx T Uma vez que x é n-dimensional Cx é uma matriz n x n, onde cada elemento cii é a variância de xi e cada elemento cij, para i ≠ j é a co-variância entre os elementos xi e xj A matriz Cx é também uma matriz real e simétrica Se os elementos xi e xj não são correlacionados cij = cji = 0 Computer Vision Transformação de Hotelling Se o número de vetores de uma população for M, o vetor médio e a matriz de co-variância podem ser aproximados por: 1 mx M e 1 Cx M M x k 1 k M x x k 1 k T k mx m T x Computer Vision Transformação de Hotelling Sendo Cx real e simétrica, sempre é possível encontrar um conjunto n autovetores ortonormais. 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. Computer Vision Transformação de Hotelling Suponha que A é uma matriz de transformação que mapeia cada elemento de x em um outro espaço denotado aqui por y: y Ax mx 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: C y ACx A T Computer Vision Transformação de Hotelling Uma observação importante é que Cy é uma matriz diagonal cujos elementos dessa diagonal são justamente os autovalores de Cx, isto é: 1 2 Cy 0 0 n Computer Vision x2 Transformação de Hotelling 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. y2 x2 e1 e2 y1 x1 x1 Essa observação mostra que a Transformação de Hotteling alinha os dados com os autovetores. Computer Vision Transformação de Hotelling 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: y Ax mx x A * y mx T Computer Vision Transformação de Hotelling 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 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 Ak são representados equacionalmente como: xˆ A * y mx T k Computer Vision Transformação de Hotelling Pode-se mostrar, no entanto, que o erro médio quadrático que se comete ao substituir A por Ak na transformação inversa será: n k ems j j j 1 j 1 n j k 1 j