自然图像
在统计学上 与视觉系统相适应的相似的统计结构
自然图像如何分布?
不是随机,不是uniform,是highly non-uniform(redundancy很高)
自然图像的大部分统计模型基于计算特征,利用图像的redundancy
图像建模
: 用线性权重加和
I
(
x
,
y
)
=
∑
i
=
1
n
A
i
(
x
,
y
)
s
i
I(x,y )= \sum_{i=1}^{n} A_{i}(x,y)s_{i}
I(x,y)=∑i=1nAi(x,y)si
fixed feature-
A
i
(
x
,
y
)
A_{i}(x,y)
Ai(x,y)
si- feature系数,每个图可以找到一个si满足该式子
输出:
s
i
=
∑
i
=
1
n
W
i
(
x
,
y
)
I
(
x
,
y
)
s_{i} = \sum_{i=1}^{n} W_{i}(x,y) I(x,y )
si=∑i=1nWi(x,y)I(x,y)
Wi-可逆,权重,feature detector
用最佳的方式表示所有的image
基础方程
normalized =
∑
x
,
y
W
(
x
,
y
)
2
=
1
\sum _{x,y} W(x,y)^{2} = 1
∑x,yW(x,y)2=1
三种feature detector:
- Dirac 只有一个像素是非零的,其他权重均为0
- sinusoidal 傅里叶->frequency,1-dim rating
- gabor edge detector, frequency tuning location
自然图像patches->小窗口随机选择随机位置
输出直方图
- Dirac 类似高斯,
- 1-dim grating 大量的0,少量peaked value->sparse
- gabor edge detector,peaked distribution
中心周围filter 白化
通过优化feature si的统计特征来学习feature
Gabor = sin X Gaussan