ibis2012.tvimagerestoration

14
2012/11/08 IBIS 2012@Tokyo D45: 局所変分法を用いたTotal Variationの 画像修復への応用 庄野 逸 電気通信大学 大学院情報理工学研究科 [email protected] 岡田 真人 東京大学 大学院新領域創成科学研究科

Upload: shouno-hayaru

Post on 06-May-2015

297 views

Category:

Documents


2 download

TRANSCRIPT

Page 1: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

D45: 局所変分法を用いたTotal Variationの画像修復への応用庄野 逸電気通信大学 大学院情報理工学研究科[email protected]

岡田 真人東京大学 大学院新領域創成科学研究科

Page 2: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

Total Variation とは?Total Variation (Rudin  1992)

観測信号に y 含まれるノイズを除去するための制約条件

原信号の隣接ユニット間の差分の L1 ノルム

L1拘束条件付き最適化

原信号

観測信号

xi xj

yi yj

HTV(x) =X

(i, j)

|xi � x j|

Page 3: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

確率モデルとしての解釈Boltzmann 分布を考えてみる

事前分布

観測過程

事後分布

この定式化で MAP 法と TV 法が等価になる(はず)

Laplace  prior

Gauss  observa<on

原信号

観測信号

xi xj

yi yj

HTV(x) =X

(i, j)

|xi � x j|

Page 4: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

局所変分法による近似(1)局所変分法とは (Palmer  2005)  

Super Gaussian を Gauss 関数で近似

Legendre 変換から導かれる

フォーマルにはこんな感じ…

Legendre 変換対p(x) = exp(�g(x

2

))

= sup

⇠>0

r(⇠)N(x | 0, ⇠�1

)

r(⇠) =

s2⇡

⇠exp

✓g⇤✓ ⇠2

◆◆g(u) = inf

⇠>0⌘u � g⇤(⇠)

g⇤(⇠) = infu>0⇠u � g(u)

Page 5: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

局所変分法(2): Laplace 分布の近似

Laplace 分布の密度関数を x2 の関数として考える

-6 -4 -2 0 2 4 6

0.0

0.1

0.2

0.3

0.4

0.5

Comparison of Likelihoods

TrueSamplingGaussLatent

最適化パラメータ ξ を導入する代わりにGauss 関数ライクな記述が可能

p(x) =↵

2

exp

(�↵|x|)

=↵

2

exp

⇣�↵p

x

2

=↵

2

sup

⇠>0

exp

� ⇠

2

x

2 � ↵2

2⇠

!

Page 6: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

局所変分法による TV モデルの近似

事前分布→ Gauss 関数として記述

ただし {α, β, η} が不確定→ EM アルゴリズムで推定

事後分布→ Gauss 分布として記述

p(x) /Y

(i, j)

sup

⇠i j

>0

exp

�⇠i j

2

(x

i

� x

j

)

2 � ↵2

2⇠i j

!

= sup

⇠r(⇠) N(x | 0,⇤�1

)

HTV(x) =X

(i, j)

|xi � x j|原信号

観測信号

xi xj

yi yj

Page 7: IBIS2012.TVimageRestoration

Haar 基底による画像表現

IBIS  2012@Tokyo 2012/11/08

画像の定式化: Wavelet 基底による表現

φ0 φ1 φ2 φ3x=s0 +s1 +s2 +s3 +...

x =

MX

m

si'i = �s

p(s) = p(x)|�| / exp

�1

2

s

T�T⇤�s

!

y = �s原信号 観測信号

事前分布

事後分布 p(s | s) ⇠ N(s | µ, (�T⇤� + �I)�1)

µ = (�T⇤� + �I)�1�s

Page 8: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

EMアルゴリズムによるハイパーパラメータ推定(Dempster 1977, Neal & Hinton 1999)

x を隠れ変数だと思ってパラメータ θ = {α, β, η} を推定する→ Q 関数の最大化

事後分布は Gauss 分布で近似するので期待値が計算可能

HTV(x) =X

(i, j)

|xi � x j|原信号

観測信号

xi xj

yi yj

Q(✓ | ✓(t)) = hln p(x, y | ✓)ix|✓(t)

=M ln �

2� �

2

Dks � sk2

Es|✓(t) + M ln↵ � ↵

2

2

X

(i, j)

1⇠i j� 1

2

Ds

T�T⇤�s

Es|✓(t)

Page 9: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

計算機実験: 入力画像真の画像 x と観測画像 y

原信号: xcameraman.png の一部

観測過程: Gauss 観測過程

標準偏差 β*(-1/2) →制御パラメータ

原信号

観測信号

xi xj

yi yj

y

i

= x

i

+ n

i

n

i

⇠ N(ni

| 0, �⇤�1)

x y

Dimensions: 64 x 64Column

Row

10

20

30

40

50

60

10 20 30 40 50 60

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Dimensions: 64 x 64Column

Row

10

20

30

40

50

60

10 20 30 40 50 60

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Page 10: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

計算機実験: TV vs. GMRF比較する事前分布

TV近似(L1拘束)

GMRF(L2拘束)

HTV(x) vs.

HGMRF(x)原信号

観測信号

xi xj

yi yj

xi xj

HTV(x) =X

(i, j)

|xi � x j|

HGMRF(x) =X

(i, j)

(xi � x j)2

Page 11: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

TV(L1拘束)解と GMRF(L2拘束)解との比較(1)

TV解 GMRF解

視覚的にはあまり良くわからない

Dimensions: 64 x 64Column

Row

10

20

30

40

50

60

10 20 30 40 50 60

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Dimensions: 64 x 64Column

Row

10

20

30

40

50

60

10 20 30 40 50 60

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

β*-1/2=0.1 ×画像のパワーの場合

Page 12: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

TV(L1拘束)解と GMRF(L2拘束)解との比較(2)

TV 解 GMRF 解TV解の方が,画像のエッジ部分の保存状態が

やや良い(ような気がする)

Dimensions: 64 x 64Column

Row

10

20

30

40

50

60

10 20 30 40 50 60

-1.0

-0.5

0.0

0.5

1.0

Dimensions: 64 x 64Column

Row

10

20

30

40

50

60

10 20 30 40 50 60

-1.0

-0.5

0.0

0.5

1.0

差分画像( 修復画像(Φµ) - 原画像 (x) ) による比較

Page 13: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

TV(L1拘束)解と GMRF(L2拘束)解との比較(3)

Peak Signal to Noise Ratio (PSNR) 値による定量評価

解 Φµ が原信号 x に近いほど高い値

TV近似の方が若干良い(気がする)

PSNR(x,µ) = 10 log

10

0BBBBB@

(max x �min x)

2

1

M

PM

i=1

(µi

� x

i

)

2

1CCCCCA

0.05 0.10 0.15 0.20

1520

25

Noise Level

PSNR

PSNR evaluation

TVGMRFNoised

β*-1/2High NoiseLow Noise

Goo

dPo

or

Page 14: IBIS2012.TVimageRestoration

2012/11/08IBIS  2012@Tokyo

まとめと課題まとめ

TV に局所変分法を適用し定式化→画像修復へ適用

低ノイズ領域においては近似 TV の方が,GMRF を使うより良さげな感じ(特にエッジを保存したいような場合)

課題

TV近似の分配関数の計算はかなり怪しい

EM法におけるハイパーパラメータの収束性の悪さ

画像サイズと行列計算の問題

(TV + 疎な基底) vs. (GMRF + 疎な基底) などのバリエーションとの性能比較