Ön İşleme – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Ön İşleme

Nesnelerin tekdüze olmayan bir arka planda blokların sınırları boyunca hareket edebildiği karmaşık video dizileri için, hareketli nesnelerin özelliklerini geliştirmek ve görüntüleri DXT-ME’ye beslemeden önce DXT-ME için yapılan varsayımın ihlal edilmesini önlemek için ön işleme kullanılabilir. 

Sezgisel olarak, DXT-ME algoritması, herhangi bir nesnenin özelliklerini iki ardışık çerçeve üzerinde eşleştirmeye çalışır, böylece bu iki çerçeve, nesnenin önemli enerji seviyesini içerdiği sürece, herhangi bir öteleme hareketi, nesnenin şekli ve dokusundan bağımsız olarak tahmin edilebilir. 

DXT-ME algoritmasının eşleştirme özelliği nedeniyle, ön işleme orijinal dizideki nesne özelliklerini geliştirebiliyorsa, etkin ön işleme hareket tahmininin performansını artıracaktır. Genel hareket tahmin edicisinin hesaplama karmaşıklığını düşük tutmak için, seçilen ön işleme fonksiyonu basit ama istenmeyen özelliklerin tahminin doğruluğunu etkilememesi anlamında etkili olmalıdır.

Çalışmamız, hem kenar çıkarmanın hem de çerçeve farklılaştırmanın, hareket bilgisinin çıkarılması için basit ve etkili şemalar olduğunu buldu.

Bir nesnenin hareketini kenarlarından tahmin etmenin, görüntü izdüşümünden tahmin etmeye eşdeğer olduğu bulundu. Ayrıca, DXT-ME algoritması, tamamen karanlık bir ortamda bir nesnenin blok sınırı içinde hareket ettiğini varsaydığından, kenar bilgisi, nesnenin blok sınırından geçmesinin tahmin doğruluğu üzerindeki olumsuz etkisini azaltır.

Kenar çıkarmanın diğer avantajı, aydınlatma koşulundaki herhangi bir değişikliğin kenar bilgisini değiştirmemesi ve dolayısıyla DXT-ME algoritması tarafından yanlış hareket tahminleri yapmamasıdır.

Genel karmaşıklığı düşük tutarken yalnızca hareketli nesnelerin ana özelliklerini çıkarmayı amaçladığımız için, sırasıyla yatay ve dikey gradyanlar elde etmek için 3 × 3 boyutunda yatay ve dikey Sobel operatörlerini görüntüyle birleştirerek çok basit bir kenar algılama kullanıyoruz. ve sonra her iki degradenin karelerinin toplamının karekökünü alarak her iki degradeyi birleştirin.

Kenar algılama bize hareketli nesnelerin özelliklerini sağladığı gibi istenmeyen arka planın (sabit nesneler) özelliklerini de sağlar.

Ancak, hareketli nesneleri içeren her blokta arka planın özellikleri hareketli nesnelerinkinden daha düşük enerjiye sahipse, arka plan özellikleri DXT-ME’nin performansını etkilemeyecektir. Bu ön işleme adımının hesaplama karmaşıklığı yalnızca O(N2)’dir ve dolayısıyla genel hesaplama karmaşıklığı hala O(N2)’dir.

Çerçeve farklılaşması, ardışık iki çerçevenin farkının bir görüntüsünü oluşturur. Bu çerçeve farklılaştırılmış görüntü, arka plan nesnesi içermez, ancak iki çerçeve arasında hareket eden nesnelerin farkını içerir. DXT-ME tahmincisi, orijinal dizideki hareketi tahmin etmek için doğrudan bu çerçeve farklılaştırılmış dizi üzerinde çalışır.

Hareket eden nesneler art arda üç karede sürekli olarak bir yönde hareket ediyorsa tahmin iyi olacaktır. Saniyede 30 kare, standart NTSC kare hızı için, nesneler genellikle üç ardışık karede sabit bir hızda hareket ediyormuş gibi görüntülenebilir. Açıkçası, bu adım ayrıca yalnızca O(N2) hesaplama karmaşıklığına sahiptir.

Veri ön işleme aşamaları
Veri on İşleme Python
Veri ön işleme Nedir
Makine öğrenmesi Veri ON işleme
Veri madenciliği ön işleme
Data preprocessing
Data Preprocessing Nedir
Preprocessing ne demek

Uyarlanabilir Örtüşen Yaklaşım

Blok boyutundan daha büyük bir arama alanına sahip olan BKM-ME ile adil bir karşılaştırma yapmak için, blok alanını uyarlanabilir şekilde genişletmek için uyarlamalı örtüşme yaklaşımını benimsiyoruz. Blok boyutunun büyütülmesi, blok boyutuna kıyasla yer değiştirme çok büyük olduğunda ortaya çıkan sınır etkisini azaltır.

Sonuç olarak, hareket eden nesneler bloğun kısmen veya tamamen dışına çıkarak, zamansal olarak birbirini izleyen iki bloğun içeriklerini çok farklı hale getirebilir. Ancak, bu sorun diğer hareket tahmin algoritmaları için de mevcuttur. Bu nedenle sahnedeki nesnelerin yavaş hareket ettiğini varsaymamız gerekir. Hızlı hareket için hareketi takip etmek zordur.

Bu bölümün başlarında, & = {0, . . . , N /2}2 . Ancak, BKM-ME’de kullanılan bölümleme yaklaşımını izlersek, &’yi dinamik olarak ayarlayabiliriz. İlk başta, mevcut çerçevenin tamamını gölgeli alan olarak gösterilen bs × bs örtüşmeyen referans bloklarına bölün.

Her bir referans bloğu, BKM-ME ile aynı şekilde bir önceki çerçevedeki (aynı şekildeki noktalı bölge) daha büyük bir arama alanıyla (sa boyutunda) ilişkilendirilir. Bir referans bloğunun konumundan ve ilişkili arama alanından, D = {(u, v) : -u1 ≤ u ≤ u2, -v1 ≤ v ≤ v2} arama aralığı belirlenebilir.

BKM-ME’den farklı olarak DXT-ME, referans blok boyutu ile arama alanı boyutunun eşit olmasını gerektirir. Böylece referans bloğunu kullanmak yerine, önceki çerçevenin arama alanı olarak geçerli çerçevedeki aynı boyut ve konumdaki bloğu kullanırız.

DSC ve DCS’nin tepe değerleri, bu indeks aralığında zikzak bir şekilde aranır, & = {0, . . . , maks(u2, u1 − 1)} × {0, . . . , maks(v2, v1 − 1)}. Yeni tepe değerinin mevcut tepe değerinden önceden ayarlanmış bir eşik kadar büyük olması gerekliliğine ek olarak, yeni tepe indeksi tarafından belirlenen hareket tahmininin arama bölgesi D’de bulunup bulunmadığının incelenmesi gerekir.

Arama alanları birbiriyle örtüştüğü için, bu yaklaşımı kullanan DXT-ME mimarisine örtüşen DXT-ME denir. Örtüşen DXT-ME algoritmasının gerektirdiği blok boyutu, bir DCT bloğu için blok boyutundan daha büyük olsa da, komşu DCT bloklarını doğrudan bir araya getirerek uzamsal alana geri dönmeden DCT alanındaki hareketi tamamen tahmin etmek hala mümkündür. 

Simulasyon Sonuçları

Simülasyonlarımızda, DXT-ME algoritmasının performansını tam arama blok eşleştirme yöntemiyle (kısaca BKM-ME veya BKM) karşılaştırmak için farklı özelliklere sahip bir dizi video dizisinin yanı sıra yaygın olarak kullanılan üç dizi kullanılır. logaritmik arama yöntemi (LOG), üç adımlı arama yöntemi (TSS) ve alt örneklemeli arama yaklaşımı (SUB) gibi hızlı arama blok eşleştirme yaklaşımları. Farklı performansı şemalar, MSE (pel başına ortalama hata karesi) ve BPS açısından değerlendirilir ve karşılaştırılır.

İlk sekans, gösterildiği gibi kameranın büyük bir ağaç ve bir evin önündeki çiçek bahçesinin önünde hareket ettiği Çiçek Bahçesi sekansıdır. Her kare 352 × 224 piksele sahiptir. Bu diziye basit bir ön işleme uygulanır: sırasıyla Şekil 9.10b ve c’de gösterildiği gibi kenar çıkarma veya çerçeve farklılaştırma vardır. 

Her biri 16 × 16 parlaklık bloğu ve iki 8 × 8 krominans bloğundan oluşan makro bloklar, MPEG standartlarında hareket tahmini/dengeleme için temel birim olarak kabul edildiğinden, Çiçek Bahçesi sekansındaki simülasyonlar ve tüm sonraki diziler: 32 × 32 arama alanlarında 16 × 16 blok. Ayrıca, örtüşen DXT-ME algoritması, daha geniş bir arama alanı gerektiren blok eşleştirme yaklaşımlarıyla adil karşılaştırma için kullanılır.

Makale Deniz

Biyografinin Tamamını Gör