TUGAS PENGOLAHAN CITRA

RINGKASAN JURNAL IMAGE PARTIAL BLUR DETECTION AND CLASSIFICATION

Oleh :

PUTERI DINDA MONITA RAKA INFANTRI WINARTO WILLYAM

09111402035 09111402047 09111402016

PROGRAM STUDI TEKNIK INFORMATIKA BILINGUAL FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2013

Image Partial Blur Detection and Classification

Dalam tulisan jurnal ini, membahas tentang mendeteksi dan menganalisis gambar yang mengalami kondisi dimana sebagian kabur (blur) dan solusinya adalah mengusulkan sebuah metode baru untuk mendeteksi otomatis gambar buram, mengekstrak daerah kabur, dan selanjutnya menggolongkan mereka ke dalam dua kategori, yaitu, dekat-isotropik kabur dan blur terarah. Tujuan adanya metode ini untuk mengatasi masalah penglihatan computer (computer vision), salah satunya adalah mendeteksi blur dengan ekstraksi simultan dari daerah kabur. Ketika tahap ini berhasil kegunaannya dapat memberikan informasi pada tingkat tinggi regional, memfasilitasi berbagai wilayah dengan aplikasi berbasis gambar, seperti konten-berbasis pengambilan gambar, object-based kompresi gambar, ekstraksi video yang objek, peningkatan citra, dan segmentasi citra. Hal ini juga dapat berfungsi sebagai salah satu kriteria untuk mengukur kualitas foto yang diambil. Tujuan kedua dari metode ini adalah untuk secara otomatis mengklasifikasikan daerah blur terdeteksi menjadi dua jenis: Motion blur dan out-of-focus blur

(a)

(b)

Perbandingan Gambar antara Motion Blur (a) & Out of Focus Blur (b) Dalam tulisan ini, kami menyajikan deteksi blur baru dan metode analisis untuk secara otomatis mengekstrak daerah kabur dengan menggabungkan fitur blur dirancang khusus diwakili oleh spektral, gradien, dan informasi warna, masing-masing. Kemudian kita menggunakan informasi arah fungsi autokorelasi lokal, yang mengevaluasi seberapa baik sebuah jendela lokal di daerah blur cocok versi spasial-bergeser dengan sendirinya, untuk lebih membedakan jenis blur. Dalam klasifikasi blur kami, tidak ada dekonvolusi buta, yang mungkin melibatkan estimasi kernel yang kompleks, dilakukan. Fitur kami yang diambil di daerah setempat dengan menggunakan informasi warna-struktur relatif terhadap yang dikumpulkan secara global dalam setiap gambar dengan demikian, mempertimbangkan informasi yang relatif antara patch dan gambar, yang membuat analisis fitur kami dapat diandalkan adalah dalam hal keragaman warna-struktur dalam gambar alam. Percobaan ekstensif menunjukkan bahwa metode kami bekerja dengan hasil yang memuaskan. Pekerjaan terkait dan Tinjauan Sistem kami Langkah pertama, kami meninjau pekerjaan terkait deteksi blur, deblurring gambar, dan Depth of Field rendah (DoF) autosegmentation gambar, dan kemudian memberikan gambaran sistem kami.

Analisis Blur Sebelumnya Untuk deteksi blur dan estimasi, pendekatan sebelumnya bertujuan untuk mengukur sejauh mana kabur dari tepi dan didasarkan pada analisis ketajaman tepi. Kemudian standar deviasi dari distribusi ini, bersama-sama dengan besarnya gradien, dianggap sebagai ukuran blur. Meskipun metode baru telah diusulkan dalam deblurring citra, kebanyakan dari mereka hanya mengatasi blur spasial-invarian, yaitu, semua piksel dalam citra masukan yang kabur oleh PSF yang sama. Beberapa metode yang diusulkan untuk mengatasi masalah blur parsial dengan bantuan interaksi pengguna atau asumsi blur kernel. Untuk semua metode ini, jika PSF dapat direkonstruksi dengan benar, jenis blur juga dikenal menggunakan struktur PSF. Namun, dalam praktiknya, dekonvolusi buta biasanya tidak memuaskan. Faktor-faktor ini membuat dekonvolusi buta bukan pilihan yang baik untuk deteksi blur umum dalam hal efisiensi dan akurasi, terutama untuk menangani gambar dalam database yang besar. Tipe lain dari analisis blur adalah Depth of Field Rendah (DoF). DoF rendah adalah teknik fotografi yang abstrak. Seorang fotografer mengambil gambar dengan memberikan fokus yang jelas hanya pada Object of Interest (Ooi). Dalam Low DoF gambar terdeteksi dengan menghitung indikator DoF yang rendah, ditentukan oleh rasio koefisien wavelet dalam frekuensi tinggi dari daerah sentral dari seluruh gambar. Metode ini hanya mengasumsikan bahwa gambar DoF rendah mengandung objek terfokus dekat pusat dan piksel sekitarnya berada di luar fokus. Metode ini juga tidak sesuai dengan tujuan umum deteksi blur kami. Karena keragaman gambar alam, dalam makalah ini, kami mengusulkan kerangka kerja pembelajaran dengan proses pelatihan untuk mendeteksi gambar sebagian kabur. Gambar-gambar ini diklasifikasikan lebih lanjut menjadi dua jenis blur. Dalam sistem kami, blur deteksi dan klasifikasi jenis blur yang dicapai dalam dua langkah. Pertama, deteksi gambar buram dilakukan. Dalam langkah ini, kami mengusulkan untuk menggunakan kombinasi dari tiga fitur, yaitu, Local Power Spectrum Scope, Gradient Histogram Span, dan Saturation Maksimum, untuk model karakteristik blur dengan cara yang berbeda. Kedua, daerah gerak arah kabur dibedakan dari out-of-fokus daerah kabur dengan menggunakan fitur lain, yaitu, Kesesuaian Autokorelasi lokal. Local Power Spectrum Slope Pertama-tama kita menghitung spektrum daya dari gambar I dengan ukuran N N dengan mengambil besarnya kuadrat setelah Transformasi Fourier Diskrit (DFT) , (1) di mana I(u, v) menunjukkan citra Fourier berubah. kemudian mewakili frekuensi dua dimensi dalam koordinat kutub, yaitu, u = f cos dan v = f sin, dan membangun S (f, ), dengan menjumlahkan S spektrum kekuasaan atas segala arah , S (f), menggunakan koordinat polar, dapat didekati dengan , (2)

dimana A adalah faktor skala amplitudo untuk orientasi masing-masing dan adalah eksponen frekuensi, yang disebut kemiringan spektrum kekuasaan.

Berdasarkan pengamatan di atas, kami memperkenalkan estimasi blur lokal dan relatif menggunakan kemiringan spektrum daya. Kami pertama menghitung o, ukuran global kemiringan spektrum daya untuk seluruh gambar. Kemudian kita bandingkan p dihitung di setiap p blok lokal dengan o. Jika p jauh lebih besar daripada o, sangat mungkin bahwa blok ini kabur. Q1 metrik kam i, sesuai, diberikan oleh . (3) Kami menunjukkan pada Gambar. 2 yang p lokal dihitung dengan ukuran patch 17 17. Piksel dengan warna hangat mengindikasikan kemungkinan blur lebih tinggi. Distribusi nilai bertepatan dengan persepsi visual manusia.

A Gradient Histogram Span

Penelitian terbaru dalam pemodelan gambar alami telah menunjukkan bahwa gambar alami memiliki magnitudo gradien terutama kecil atau nol. Namun, dalam gambar kabur, karena daerah kabur biasanya tidak mengandung tepi tajam yang terlalu banyak, distribusi besarnya gradien harus memiliki banyak massa dengan nilai kecil atau nol. Untuk dua gambar masukan pada Gambar. 3 (a) dan (b), distribusi besarnya gradien untuk dua patch kabur ditunjukkan pada Gambar. 3 (c) dan (d) menunjukkan tidak jelas ekor sedangkan untuk dua wilayah unblurred mengandung ekor berat seperti ditunjukkan pada Gambar. Kami memilih agar sesuai dengan distribusi gradien besarnya lokal dengan campuran dua komponen Model Gaussian menggunakan Harapan-Maksimalisasi

Maximum Saturation Kami juga mengambil informasi warna dalam deteksi blur. Hal ini mengamati bahwa piksel kabur cenderung memiliki warna yang kurang jelas dari piksel unblurred karena efek smoothing proses kabur. Jadi pertama-tama kita menghitung saturasi pixel dengan . Kemudian, dalam setiap p patch, kita menghitung saturasi Sp untuk setiap pixel dan menemukan nilai maksimum max (Sp). Ini akan dibandingkan dengan max (Jadi), nilai saturasi maksimum seluruh gambar. Q3 metrik kami didefinisikan sebagai . (8)

(a) Gambar yang memiliki fokus dengan dua patch yang mengandung piksel kabur dan tidak kabur. (b) gambar motion blur dengan dua patch dipilih sama. (c) dan (e) menunjukkan distribusi masing-masing besaran gradien dari dua patch (a). Distribusi aslinya diperlihatkan dengan warna biru sedangkan dua Gaussian komponen diilustrasikan menggunakan kurva merah. (d) dan (f) menunjukkan distribusi masing-masing besaran gradien dari dua daerah di (b).

Experimen dan Hasil

Kami menggambarkan eksperimen kami di bagian ini. Pada bagian pertama, kita membangun dataset pelatihan dan pengujian dengan patch secara manual berlabel, dan menggunakannya untuk menguji keakuratan algoritma klasifikasi kita patch. Kami juga menerapkan algoritma untuk peringkat kepercayaan untuk gambar blur. Pada bagian kedua, kita bereksperimen dengan segmentasi citra sebagian kabur. Blur Patch Detection Kami mengumpulkan total 100 gambar sebagian kabur dan 100 gambar unblurred dari situs berbagi foto, seperti Flickr.com dan PBase.com, untuk membentuk dataset kami. Dalam setiap kategori, setengah dari gambar yang digunakan untuk pelatihan dan setengah lainnya adalah untuk pengujian. Semua gambar secara manual tersegmentasi menjadi patch persegi. Ukuran masing-masing berkisar patch dari 50 50 sampai 500 500 piksel, yang menempati 5% ~ 20% dari ukuran gambar asli. Kemudian kita label setiap patch sebagai salah satu dari tiga jenis berikut: "tajam", "motion blur", atau "blur fokus". Secara keseluruhan, kami menghasilkan 290 patch blur fokus, patch gerak 217 blur, dan 516 patch unblurred dari training set, dan 223 139, dan 271 patch, masing-masing, dari pengujian set. Untuk mengevaluasi fitur dalam deteksi blur, kita plot presisi-recall kurva untuk menunjukkan kekuatan diskriminatif. Serupa dengan definisi a, kami menetapkan i = P (qi | Blur) / P (qi | Sharp), di mana i = {1,2,3} dan menunjukkan pada Gambar. 5 (a) presisi-recall kurva untuk setiap metrik blur i dan a metrik gabungan dalam mengklasifikasikan blur / nonblur daerah.

Classification Tasks Blur / Nonblur Motion / Focal blur

Table 1. Akurasi Tingkat pada dataset pengujian.

Overall Accuracy Rate 63.78% 65.45%

Maximum Accuracy Rate 76.98% 78.84%

Pada langkah kedua, kita menguji gerak / blur klasifikasi fokus menggunakan b. Gambar. 5 (b) menunjukkan kurva presisi-recall. Seperti tercantum dalam Tabel 1, tingkat akurasi maksimum adalah 78.84% ketika b = 1,3. Ambang ini juga digunakan nanti untuk segmentasi blur. Karena kesamaan daerah kabur dan rendah-kontras dalam gambar alam, hasil klasifikasi kita pasti mengandung kesalahan. Kami memeriksa patch salah diklasifikasikan dan menemukan bahwa tekstur laten ambigu atau struktur di patch adalah penyebab utama kesalahan. Sebagai contoh, Gambar. 7 (a) dan (b) patch menunjukkan salah diklasifikasikan sebagai daerah kabur karena bayangan atau piksel kontras rendah. Patch pada (a) (b) (c) Gambar. 7 (c) adalah keliru diklasifikasikan sebagai blur karena struktur directional yang kuat. Patch berbasis blur deteksi dan klasifikasi dapat berfungsi sebagai landasan untuk peringkat tingkat gambar blur. Dalam percobaan, kami mengumpulkan satu set gambar bunga dicari dari Google dan Flickr. Setiap gambar tersegmentasi menjadi patch dengan ukuran 20 20. Kami mengurutkan setiap gambar dengan nilai blur didefinisikan sebanding dengan jumlah daerah kabur di masing-masing gambar. Gambar. 9 menunjukkan hasil blur pengakuan oleh metode kami di mana kepercayaan kabur dari setiap gambar meningkat dari kiri ke kanan, bertepatan dengan persepsi visual manusia. Pembagian Daerah Blur Metode kami juga dapat digunakan dalam segmentasi daerah blur. Karena klasifikasi blur dilakukan pada patch, kami mendeteksi informasi blur dari satu piksel dengan menggunakan patch lokal berpusat di itu. Menggabungkan deteksi blur dan pasangan-bijaksana kesamaan jenis blur, kami membangun Lapangan Markov acak untuk setiap gambar. Energi Gibbs terkait diminimalkan dengan menerapkan metode Grafik Cuts

(a)

(b)

(c)

(d)

Kami menunjukkan dua contoh segmentasi blur pada Gambar. 8, di mana (a) dan (b) memberikan perbandingan hasil segmentasi yang dihasilkan oleh metode yang dijelaskan dalam [18] dan pendekatan kami. Dengan hasil segmentasi sebanding, metode kami tidak perlu menyimpulkan kernel blur dan membuat asumsi gerak terarah. Fitur kami dihitung dalam patch ukuran 50 50 berpusat pada setiap pixel. Dalam (c) dan (d) pada Gambar. 8, kami menunjukkan bahwa metode kami mampu partisi gambar menjadi beberapa segmen sehubungan dengan jenis blur yang berbeda. Dalam contoh ini, kami menerapkan blur kami / classifier nonblur untuk segmen pertama keluar daerah unblurred

Kesimpulan dan Masa Depan Kerja

Dalam makalah ini, kami telah mengusulkan deteksi parsial-gambar kabur dan kerangka analisis untuk secara otomatis mengklasifikasikan apakah satu gambar mengandung daerah kabur dan apa jenis blur tanpa perlu melakukan deblurring gambar. Fitur blur yaitu dengan mengukur citra warna, gradien, dan informasi spektrum,. Percobaan ekstensif menunjukkan bahwa metode kami bekerja memuaskan dengan data citra menantang dan dapat diterapkan untuk parsial-blur deteksi gambar dan segmentasi blur. Metode kami, pada dasarnya, memberikan dasar untuk memecahkan banyak masalah visi komputer blur-oriented dan wilayah-based, seperti konten-berbasis pengambilan gambar, peningkatan citra, tingkat tinggi segmentasi citra, ekstraksi dan objek.