タグ付けされた質問 「gradient」


4
畳み込みはどのように行列乗算(行列形式)として表現できますか?
この質問はプログラミングにはあまり関係がないかもしれませんが、画像処理の背後にある理論を理解しなければ、実際に何かを実装することはできません。 ガウスフィルターは、ピクセルの近傍の加重平均を計算し、エッジ検出に非常に役立ちます。これは、ぼかしを適用して画像を同時に導出できるためです。単にガウス関数の導関数とたたみ込みます。 しかし、誰かが私を説明したり、それらがどのように計算されたかについていくつかの参照を私に与えたりできますか? たとえば、Cannyのエッジ検出器は5x5ガウスフィルターについて話しますが、それらはどのようにしてこれらの特定の数値を取得しましたか?そして、それらはどのようにして、継続的な畳み込みから行列の乗算に移行しましたか?

3
形態勾配の構造化要素の形状
形態学的勾配の計算に使用される構造化要素の推奨形状を理解しようとしています。Pierre Soilleによると:形態学的画像分析: 原点を含む対称構造化要素のみが考慮されます。そうすることで、算術差が常に非負になるようにします。 算術差引用に記載され、現在の離散勾配を計算するために使用される3つの組み合わせを参照しています。 膨張と収縮の算術的差異; 膨張と元の画像の間の算術的な違い; 元の画像とその浸食の間の算術的差異。 しかし、私が思うに、その起源を含むSEを使用することがあり、十分な(それは確実に抗extensivity拡張とのextensivity浸食のを)。この場合、次のことが成立し、3つのケースすべてで非負性が保証されます。 ( iはdのアイデンティティ変換されます)εB≤id≤δBεB≤id≤δB\varepsilon_B \leq id \leq \delta_Bididid 対称条件を強制する理由を探しています。直感的に、対称SEを使用することは、非対称SEを使用するよりも優れていることを理解しています(たとえば、対称ピクセルの近傍を調べるなど)。この制約には歴史的な理由があるかもしれないことも私に示唆されました。 ただし、対称SEの望ましいプロパティ(または非対称SEの望ましくないプロパティ)を指す特定の例、引数、または参照が必要です。

1
ノイズ除去のための複素関数の大きさの総変動の勾配
ほぼ一定の大きさであるが一定ではない位相を持つ複雑な関数(たとえば、MRI画像)があるとします。f∗f∗f^* を見つけて総変動項を含む目的関数を設定する最適化問題がある場合(ノイズ除去または圧縮センシングなど)、通常は次の形式になります。f∗f∗f^* obj1(f)=…+TV(f)obj1(f)=…+TV(f) obj_1(f) = \ldots + \text{TV}(f) ただし、は区分的に一定の大きさであると想定しているので、次のように使用する方がよいと思います。fff obj2(f)=…+TV(|f|)obj2(f)=…+TV(|f|) obj_2(f) = \ldots + \text{TV}(|f|) ただし、勾配ベースのソルバーの場合、obj2の勾配を知る必要があります。用傾斜:である。勾配は何ですか?obj1(f)obj1(f)obj_1(f)TV′(TV(f))TV′(TV(f))\text{TV}'\left(TV(f)\right)obj2(f)obj2(f)obj_2(f) 更新: 直感的には、次のようなものを想定します(フェーズはに影響を与えないため、フェーズは「そのまま」にしておきます)。obj2obj2obj_2 TV′(TV(|f|))∗eiarg(f)TV′(TV(|f|))∗eiarg⁡(f) \text{TV}'\left(TV(|f|)\right)* e^{i \arg(f)} しかし、複雑な分析に関する私の知識は非常に限られており、これが意味をなすかどうかはわかりません。
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.