Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Classificazione e restauro di immagini a colori: un approccio via Gamma-convergenza
1. POLITECNICO DI MILANO
Classificazione e restauro
di immagini a colori:
un approccio via Γ -convergenza
Relatore: Prof. Franco Tomarelli
Tesi di laurea di: Alfonso Fascì
Anno Accademico 2009-2010
lunedì 17 gennaio 2011
2. In questo lavoro di tesi:
• Si propone un modello di classificazione per immagini a
colori basato sulla nozione di distanza percepita.
Il modello è formalizzato come un problema con discontinuità
libera.
• Si mostra l’esistenza di una soluzione ed alcune proprietà
qualitative.
• Si costruisce un’approssimazione del problema proposto tramite
la minimizzazione di una famiglia di funzionali ellittici, che può
essere interpretata come un modello di classificazione e
restauro per immagini a colori.
Tale approssimazione è intesa nel senso della Γ -convergenza.
lunedì 17 gennaio 2011
4. Cos’è un’immagine a colori?
2
Ω ⊂ R aperto, limitato rappresenta una regione del piano
lunedì 17 gennaio 2011
5. Cos’è un’immagine a colori?
2
Ω ⊂ R aperto, limitato rappresenta una regione del piano
• Immagini a colori
u : Ω → C in cui C rappresenta l’insieme dei colori
lunedì 17 gennaio 2011
6. Cos’è un’immagine a colori?
2
Ω ⊂ R aperto, limitato rappresenta una regione del piano
• Immagini a colori
u : Ω → C in cui C rappresenta l’insieme dei colori
C =???
lunedì 17 gennaio 2011
7. Cos’è un’immagine a colori?
2
Ω ⊂ R aperto, limitato rappresenta una regione del piano
• Immagini a colori
u : Ω → C in cui C rappresenta l’insieme dei colori
C =???
(Immagini monocromatiche u : Ω → [0, 1] intensità luminosa )
lunedì 17 gennaio 2011
8. Spazi di colori
‘‘ Il colore non è una proprietà fisica degli
oggetti, si tratta piuttosto di una rappresentazione
percettiva della distribuzione di energia fotonica
all’interno di uno spettro di riflessione o di
emissioni prodotte da un oggetto ’’
S.M. Boker, The Representation of Color Metrics and
Mappings in Perceptual Color Space
lunedì 17 gennaio 2011
9. Spazi di colori
‘‘ Il colore non è una proprietà fisica degli
oggetti, si tratta piuttosto di una rappresentazione
percettiva della distribuzione di energia fotonica
all’interno di uno spettro di riflessione o di
emissioni prodotte da un oggetto ’’
S.M. Boker, The Representation of Color Metrics and
Mappings in Perceptual Color Space
Storia della colorimetria:
• Newton: primo modello di colore.
• Thomas Young: ‘‘...la percezione del colore dipende dalla frequenza della radiazione che
investe l’occhio e dalla risposta dei sensori presenti nella retina...’’
• Hermann Von Helmholtz 1852: ‘‘ ... radiazioni che generano diversi colori viaggiano
senza alcuna azione reciproca e anche se ai nostri occhi appaiono uniti, vengono sempre
separati uno dall’altro con mezzi fisici... ’’
• Hermann Gunther Grassmann dimostra (1854) che per ogni colore spettrale esistono
altri colori che, se miscelati con il primo nelle giuste proporzioni producono luce
bianca.
• Maxwell descrive gli spettri di assorbimento dei recettori presenti nella retina.
lunedì 17 gennaio 2011
10. Spazi di colori
Perchè per l’uomo un spazio di colori è tridimensionale?
lunedì 17 gennaio 2011
11. Spazi di colori
Perchè per l’uomo un spazio di colori è tridimensionale?
Teoria del tristimolo
• L’occhio umano contiene tre tipi diversi di recettori responsabili della visione diurna
sensibili a lunghezze d’onda corte ( coni di tipo S), medie ( coni di tipo M) e lunghe
(coni di tipo L).
• I tre recettori, se investiti da una radiazione con spettro I(λ) , producono tre tensioni
elettriche
+∞ +∞ +∞
Il = I(λ)l(λ) dλ, Im = I(λ)m(λ) dλ, Is = I(λ)s(λ) dλ
−∞ −∞ −∞
in cui l(λ), m(λ), s(λ) sono gli spettri di assorbimento.
lunedì 17 gennaio 2011
12. Spazi di colori
Perchè per l’uomo un spazio di colori è tridimensionale?
Teoria del tristimolo
• L’occhio umano contiene tre tipi diversi di recettori responsabili della visione diurna
sensibili a lunghezze d’onda corte ( coni di tipo S), medie ( coni di tipo M) e lunghe
(coni di tipo L).
• I tre recettori, se investiti da una radiazione con spettro I(λ) , producono tre tensioni
elettriche
+∞ +∞ +∞
Il = I(λ)l(λ) dλ, Im = I(λ)m(λ) dλ, Is = I(λ)s(λ) dλ
−∞ −∞ −∞
in cui l(λ), m(λ), s(λ) sono gli spettri di assorbimento.
...ogni radiazione visibile viene sintetizzata con 3 quantità scalari
lunedì 17 gennaio 2011
13. Spazi di colori
Perchè per l’uomo un spazio di colori è tridimensionale?
Teoria del tristimolo
• L’occhio umano contiene tre tipi diversi di recettori responsabili della visione diurna
sensibili a lunghezze d’onda corte ( coni di tipo S), medie ( coni di tipo M) e lunghe
(coni di tipo L).
• I tre recettori, se investiti da una radiazione con spettro I(λ) , producono tre tensioni
elettriche
+∞ +∞ +∞
Il = I(λ)l(λ) dλ, Im = I(λ)m(λ) dλ, Is = I(λ)s(λ) dλ
−∞ −∞ −∞
in cui l(λ), m(λ), s(λ) sono gli spettri di assorbimento.
...ogni radiazione visibile viene sintetizzata con 3 quantità scalari
IDEA: esprimere ogni radiazione visibile come somma
di tre radiazioni (colori) fondamentali E 1 (λ), E 2 (λ), E 3 (λ)
11 2 2 3 3
I El + I El + I El = Il
1 1 2 2 3 1
I Em + I Em + I E m = Im
I 1 Es + I 2 Es + I 3 Es
1 2 3
= Is
lunedì 17 gennaio 2011
14. Spazi di colori
Spazio CIE-XYZ (International Commission on Illumination, 1931)
• costruito in seguito ad una campagna sperimentale condotta da W. David Wright and John
Guild impiegando come radiazioni fondamentali tre colori primari ‘‘virtuali’’, cioè non
rappresentabili in natura.
• primo spazio di colore completo, nel senso che rappresenta tutti i colori visibili e assunto
come modello di riferimento.
Altri spazi: RGB, CMYK,...
lunedì 17 gennaio 2011
15. Spazi di colori
Spazio RGB
• deriva dalla necessità di rappresentare il colore sui monitor.
• le radiazioni fondamentali sono visibli il rosso, il verde e il blu.
Altri spazi: CMYK, HSV,...
lunedì 17 gennaio 2011
16. Distanza percepita
OSSERVAZIONE: senza altre
precisazioni C è semplicemente
3
un sottoinsieme C ⊂ R
lunedì 17 gennaio 2011
17. Distanza percepita
OSSERVAZIONE: senza altre
precisazioni C è semplicemente metrica euclidea
3
un sottoinsieme C ⊂ R
lunedì 17 gennaio 2011
18. Distanza percepita
OSSERVAZIONE: senza altre
precisazioni C è semplicemente metrica euclidea
3
un sottoinsieme C ⊂ R
lunedì 17 gennaio 2011
19. Distanza percepita
OSSERVAZIONE: senza altre
precisazioni C è semplicemente metrica euclidea
3
un sottoinsieme C ⊂ R
lunedì 17 gennaio 2011
20. Distanza percepita
OSSERVAZIONE: senza altre
precisazioni C è semplicemente metrica euclidea
3
un sottoinsieme C ⊂ R
!!!
lunedì 17 gennaio 2011
22. Distanza percepita
IDEA: distorcere lo spazio XY Z con una trasformazione
biettiva, continua, non lineare
3 3
φ:R →R
lunedì 17 gennaio 2011
23. Distanza percepita
IDEA: distorcere lo spazio XY Z con una trasformazione
biettiva, continua, non lineare
3 3
φ:R →R
e definire la distanza percepita fra due punti
(X0 , Y0 , Z0 ) e (X1 , Y1 , Z1 ) come
|φ(X1 , Y1 , Z1 ) − φ(X1 , Y1 , Z1 )|
lunedì 17 gennaio 2011
24. Distanza percepita: due esempi
Esperimento di MacAdam
• Un osservatore tenta di riprodurre un colore dato mescolando 3 sorgenti primarie.
• A causa della limitata sensibilità dell'occhio, il colore ottenuto non è identico al
campione.
• Si ripete più volte l'esperimento, e si misura la dispersione..
lunedì 17 gennaio 2011
25. Distanza percepita: due esempi
Spazio CIE-Lab (1976)
Si definisce una funzione φ : [0, +∞) → [0, +∞) che
3 3
trasforma gli ellissoidi di MacAdam in sfere
lunedì 17 gennaio 2011
26. Distanza percepita: due esempi
Metrica di Stiles
Non linearità dell’occhio (legge di Weber):
δI
δP =
I
Stiles propone la metrica indotta dalla trasformazione :
ψr (r, g, b) = ψr (r) = αr ln(δr + r)
ψg (r, g, b) = ψg (g) = αg ln(δg + g)
ψb (r, g, b) = ψb (b) = αr ln(δb + b)
lunedì 17 gennaio 2011
27. Spazi di colori e varietà Riemanniane
Approccio alternativo alle trasformazioni globali:
lunedì 17 gennaio 2011
28. Spazi di colori e varietà Riemanniane
Approccio alternativo alle trasformazioni globali:
• modellazione di uno spazio di colori come una varietà
Riemanniana di dimensione 3.
lunedì 17 gennaio 2011
29. Spazi di colori e varietà Riemanniane
Approccio alternativo alle trasformazioni globali:
• modellazione di uno spazio di colori come una varietà
Riemanniana di dimensione 3.
• distorsione solo locale.
lunedì 17 gennaio 2011
30. Spazi di colori e varietà Riemanniane
Approccio alternativo alle trasformazioni globali:
• modellazione di uno spazio di colori come una varietà
Riemanniana di dimensione 3.
• distorsione solo locale.
Riemann, Helmoltz, Scrhodinger, Stiles , Ashtekar,...
lunedì 17 gennaio 2011
31. Una definizione di spazio di colori
Chiameremo spazio di colori una coppia (C, g) in cui:
lunedì 17 gennaio 2011
32. Una definizione di spazio di colori
Chiameremo spazio di colori una coppia (C, g) in cui:
• C ⊂ R3 è un insieme chiuso e limitato.
• g:R →R 3 3×3
è un campo di matrici che verifica:
(1) gij (x) = gji (x) per ogni x ∈ R3 e , j = 1, . . . , 3
(2) gij ∈ C ∞ (R3 ) per ogni i, j = 1, . . . , 3
(3) esistono 0 m M +∞ tali che per ogni x, y ∈ R3
2 2 2 3
m |x| ≤ x, g(y)x ≤ M |x|
lunedì 17 gennaio 2011
33. Una definizione di spazio di colori
Chiameremo spazio di colori una coppia (C, g) in cui:
• C ⊂ R3 è un insieme chiuso e limitato.
• g : R3 → R3×3 è un campo di matrici che verifica:
(1) gij (x) = gji (x) per ogni x ∈ R3 e , j = 1, . . . , 3
(2) gij ∈ C ∞ (R3 ) per ogni i, j = 1, . . . , 3
(3) esistono 0 m M +∞ tali che per ogni x, y ∈ R3
m2 |x|2 ≤ x, g(y)x ≤ M 2 |x|3
Indicheremo con dg (·, ·) la metrica indotta su C e definita ∀x, y ∈ C
come:
1
dg (w, z) = inf
0
|γ(v)v| dt : v ∈ C 1 ([0, 1], R3 ), v(0) = w, v(1) = z
˙ }
|γ(y)x| = x, g(y)x 2
lunedì 17 gennaio 2011
34. Il modello proposto:
esistenza di una soluzione debole
e proprietà qualitative delle
minimizzanti.
lunedì 17 gennaio 2011
35. Classificazione di immagini a colori
• Processo di partizione di un'immagine in regioni significative
ottenuta raggruppando i pixel che hanno caratteristiche
comuni (colore, intensità o texture).
lunedì 17 gennaio 2011
36. Classificazione di immagini a colori
• Processo di partizione di un'immagine in regioni significative
ottenuta raggruppando i pixel che hanno caratteristiche
comuni (colore, intensità o texture).
• Viene utilizzata per semplificare la rappresentazione
delle immagini mettendo in evidenza oggetti e bordi.
lunedì 17 gennaio 2011
37. Classificazione di immagini a colori
• Processo di partizione di un'immagine in regioni significative
ottenuta raggruppando i pixel che hanno caratteristiche
comuni (colore, intensità o texture).
• Viene utilizzata per semplificare la rappresentazione
delle immagini mettendo in evidenza oggetti e bordi.
lunedì 17 gennaio 2011
38. Classificazione di immagini a colori
La classificazione si può pensare come suddivisa in due passi:
lunedì 17 gennaio 2011
39. Classificazione di immagini a colori
La classificazione si può pensare come suddivisa in due passi:
• Si fissano un numero finito di colori K = {α1 , . . . , αl } ⊂ C
che rappresentino i colori medi macroscopici presenti in
un'immagine z : Ω → C (clustering, discretizzazione).
lunedì 17 gennaio 2011
40. Classificazione di immagini a colori
La classificazione si può pensare come suddivisa in due passi:
• Si fissano un numero finito di colori K = {α1 , . . . , αl } ⊂ C
che rappresentino i colori medi macroscopici presenti in
un'immagine z : Ω → C (clustering, discretizzazione).
• Si determina una partizione di Ω costituita da un numero
finito di porzioni ( ≤ l ) in mdo che ogni porzione Ui sia
associata al colore αi.
lunedì 17 gennaio 2011
41. Classificazione di immagini a colori
La classificazione si può pensare come suddivisa in due passi:
• Si fissano un numero finito di colori K = {α1 , . . . , αl } ⊂ C
che rappresentino i colori medi macroscopici presenti in
un'immagine z : Ω → C (clustering, discretizzazione).
• Si determina una partizione di Ω costituita da un numero
finito di porzioni ( ≤ l ) in mdo che ogni porzione Ui sia
associata al colore αi.
Poichè Ui potrebbe avere una frontiera topologica ∂Ui ∩ Ω molto
frastagliata si cerca di ottenere bordi ∂Ui ∩ ∂Uj ∩ Ω regolari e
che soddisfino un principio d'interfaccia minima. Dobbiamo inoltre
penalizzare la distanza dal dato z.
lunedì 17 gennaio 2011
42. Il modello proposto
Sia (C, g) uno spazio di colori e dg (·, ·) la metrica associata.
lunedì 17 gennaio 2011
43. Il modello proposto
Sia (C, g) uno spazio di colori e dg (·, ·) la metrica associata.
Assegnati:
• ∞
un’immagine a colori z ∈ L (Ω, C)
lunedì 17 gennaio 2011
44. Il modello proposto
Sia (C, g) uno spazio di colori e dg (·, ·) la metrica associata.
Assegnati:
• ∞
un’immagine a colori z ∈ L (Ω, C)
• un numero finito di l ≥ 2 colori distinti denotati con K = {α1 , . . . , αl } ⊂ C
lunedì 17 gennaio 2011
45. Il modello proposto
Sia (C, g) uno spazio di colori e dg (·, ·) la metrica associata.
Assegnati:
• ∞
un’immagine a colori z ∈ L (Ω, C)
• un numero finito di l ≥ 2 colori distinti denotati con K = {α1 , . . . , αl } ⊂ C
• il parametro positivo β 0
lunedì 17 gennaio 2011
46. Il modello proposto
Sia (C, g) uno spazio di colori e dg (·, ·) la metrica associata.
Assegnati:
• ∞
un’immagine a colori z ∈ L (Ω, C)
• un numero finito di l ≥ 2 colori distinti denotati con K = {α1 , . . . , αl } ⊂ C
• il parametro positivo β 0
Ci proponiamo di determinare una partizione U = {Ui }i=1,...,l di Ω
che minimizzi il funzionale
lunedì 17 gennaio 2011
47. Il modello proposto
Sia (C, g) uno spazio di colori e dg (·, ·) la metrica associata.
Assegnati:
• ∞
un’immagine a colori z ∈ L (Ω, C)
• un numero finito di l ≥ 2 colori distinti denotati con K = {α1 , . . . , αl } ⊂ C
• il parametro positivo β 0
Ci proponiamo di determinare una partizione U = {Ui }i=1,...,l di Ω
che minimizzi il funzionale
1
l
l
E z (U) = dg (αi , αj )H1 (∂Ui ∩ ∂Uj ∩ Ω) + β |dg (z(x), αi )|2 dx
2 i,j=1 Ui
i=1
i=j
lunedì 17 gennaio 2011
48. Il modello proposto
1
l
l
E z (U) = dg (αi , αj )H1 (∂Ui ∩ ∂Uj ∩ Ω) + β |dg (z(x), αi )|2 dx
2 i,j=1 Ui
i=1
i=j
lunedì 17 gennaio 2011
49. Il modello proposto
l
1
dg (αi , αj )H1 (∂Ui ∩ ∂Uj ∩ Ω)
2 i,j=1
i=j
dg ( b , r )
lunghezza del bordo della
Ur
partizione pesata con la
distanza percepita fra i colori Ub
relativi agli elementi della
partizione.
Uv
dg ( b , v )
l dg ( v , r )
β |dg (z(x), αi )|2 dx
i=1 Ui
lunedì 17 gennaio 2011
50. Il modello proposto
l
1
dg (αi , αj )H1 (∂Ui ∩ ∂Uj ∩ Ω)
2 i,j=1
i=j
l
β |dg (z(x), αi )|2 dx fidelity term: energia di area che
i=1 Ui
misura la distanza percepita dal
dato z
lunedì 17 gennaio 2011
51. Il modello proposto
1
l
l
E z (U) = dg (αi , αj )H1 (∂Ui ∩ ∂Uj ∩ Ω) + β |dg (z(x), αi )|2 dx
2 i,j=1 Ui
i=1
i=j
energia di linea energia di area
lunedì 17 gennaio 2011
52. Il modello proposto
1
l
l
E z (U) = dg (αi , αj )H1 (∂Ui ∩ ∂Uj ∩ Ω) + β |dg (z(x), αi )|2 dx
2 i,j=1 Ui
i=1
i=j
energia di linea energia di area
... questo problema rientra nella classe dei
Problemi con discontinuità libera:
minimizzazione di funzionali che contengono
energie di volume ed energie di superficie
E. De Giorgi. Free discontinuity problems in calculus of variations.
lunedì 17 gennaio 2011
54. Formulazione debole
Caratterizzazione delle partizioni ad energia finita
{ U = {Ui }i=1,...,l : E z (U ) +∞ }
lunedì 17 gennaio 2011
55. Formulazione debole
Caratterizzazione delle partizioni ad energia finita
{ U = {Ui }i=1,...,l : E z (U ) +∞ }
lunedì 17 gennaio 2011
56. Formulazione debole
Caratterizzazione delle partizioni ad energia finita
{ U = {Ui }i=1,...,l : E z (U ) +∞ }
lunedì 17 gennaio 2011
57. Formulazione debole
Caratterizzazione delle partizioni ad energia finita
{ U = {Ui }i=1,...,l : E z (U ) +∞ }
Partizioni di Caccioppoli
E ⊂ R2 P (E, Ω) P (E, Ω) = H1 (∂ ∗ E ∩ Ω)
lunedì 17 gennaio 2011
58. Formulazione debole
Caratterizzazione delle partizioni ad energia finita
{ U = {Ui }i=1,...,l : E z (U ) +∞ }
Partizioni di Caccioppoli
E ⊂ R2 P (E, Ω) P (E, Ω) = H1 (∂ ∗ E ∩ Ω)
l
{U = {U }
i i=1,...,l : P (Ui , Ω) +∞ }
i=1
lunedì 17 gennaio 2011
59. Formulazione debole
Caratterizzazione delle partizioni ad energia finita
{ U = {Ui }i=1,...,l : E z (U ) +∞ }
Partizioni di Caccioppoli
E ⊂ R2 P (E, Ω) P (E, Ω) = H1 (∂ ∗ E ∩ Ω)
l
{U = {U }
i i=1,...,l : P (Ui , Ω) +∞ }
i=1
|||
{
BV (Ω, K) = u ∈ BV (Ω, R3 ) : u ∈ K q.o. in Ω }
lunedì 17 gennaio 2011
60. Formulazione debole
Partizioni di Caccioppoli
2 1 ∗
E⊂R P (E, Ω) P (E, Ω) = H (∂ E ∩ Ω)
{
BV (Ω, K) = u ∈ BV (Ω, R3 ) : u ∈ K q.o. in Ω }
lunedì 17 gennaio 2011
61. Formulazione debole
Partizioni di Caccioppoli
2 1 ∗
E⊂R P (E, Ω) P (E, Ω) = H (∂ E ∩ Ω)
{
BV (Ω, K) = u ∈ BV (Ω, R3 ) : u ∈ K q.o. in Ω }
l
z
E (u) : BV (Ω, K) → [0, +∞] u= αi χUi ∈ BV (Ω, K)
i=1
l
1
z
E (u) = dg (αi , αj )H1 (∂ ∗ Ui ∩ ∂ ∗ Uj ∩ Ω) + β |dg (u, z)|2
2 i,j=1 Ω
i=j
lunedì 17 gennaio 2011
62. Formulazione debole
l
z
E (u) : BV (Ω, K) → [0, +∞] u= αi χUi ∈ BV (Ω, K)
i=1
l
1
z
E (u) = dg (αi , αj )H1 (∂ ∗ Ui ∩ ∂ ∗ Uj ∩ Ω) + β |dg (u, z)|2
2 i,j=1 Ω
i=j
Teorema 7.42
z
Il funzionale E (u) ammette l’esistenza
di un minimo con energia finita.
lunedì 17 gennaio 2011
63. Soluzioni forti
• 2
Dato E ⊂ R la sua frontiera ridotta ∂ ∗ E potrebbe non
essere chiusa, quindi per ottenere la soluzione del problema
forte bisogna considerare la chiusura
∗
∪ i ∂ Ui ∩ Ω
• 2
Poichè esistono sottoinsiemi E ⊂ R di perimetro finito con
frontiera topologica ∂E che ha misura di Hausdorff
monodimensionale infinita, una soluzione debole potrebbe
avere energia infinita nella formulazione forte !
• E’ necessario uno studio variazionale delle soluzioni:
G.P. Leonardi e I. Tamanini, Metric space of partitions and
Caccioppoli partitions, 2002
G.P. Leonardi, Infiltrations in immiscible fluids systems, 2001
lunedì 17 gennaio 2011
64. Proprietà qualitative delle minimizzanti
dg ( r , g ) = dg ( r , a ) + dg ( a , g ) dg ( r , g ) dg ( r , v ) + dg ( v , g )
lunedì 17 gennaio 2011
65. Proprietà qualitative delle minimizzanti
dg ( r , g ) = dg ( r , a ) + dg ( a , g )
⇓ dg ( r , g ) dg ( r , v ) + dg ( v , g )
lunedì 17 gennaio 2011
66. Proprietà qualitative delle minimizzanti
dg ( r , g ) = dg ( r , a ) + dg ( a , g )
⇓ dg ( r , g ) dg ( r , v ) + dg ( v , g )
dipende dal termine di fedeltà, dalle
misure degli insiemi e dalla struttura
della metrica
lunedì 17 gennaio 2011
68. Problemi con discontinuità libera
• Difficoltà nell’analisi sia teorica che numerica a causa della
presenza di energie di superficie e di volume
lunedì 17 gennaio 2011
69. Problemi con discontinuità libera
• Difficoltà nell’analisi sia teorica che numerica a causa della
presenza di energie di superficie e di volume
• Sostituizione del funzionale con una famiglia di funzionali che
contengano solo energie di volume (quindi più trattabili
numericamente) che convergano ‘‘in un certo senso’’ al
problema di partenza.
lunedì 17 gennaio 2011
70. Γ-convergenza (E. De Giorgi,T. Franzoni)
• Definizione
F, F : X → R ∪ {+∞}
F = Γ- lim F
+
se ∀x ∈ X, j → 0+
→0
(disuguaglianza del liminf) xj → x ⇒ F (x) ≤ lim inf Fj (xj )
j
(disuguaglianza del limsup) ∃xj → x : F (x) ≥ lim sup Fj (xj )
j
lunedì 17 gennaio 2011
71. Γ-convergenza (E. De Giorgi,T. Franzoni)
• Definizione
F, F : X → R ∪ {+∞}
F = Γ- lim F
+
se ∀x ∈ X, j → 0+
→0
(disuguaglianza del liminf) xj → x ⇒ F (x) ≤ lim inf Fj (xj )
j
(disuguaglianza del limsup) ∃xj → x : F (x) ≥ lim sup Fj (xj )
j
• Proprietà fondamentale
+
Se F = Γ- lim F , j → 0 e uj ∈ argmin Fj ` una successione precompatta,
+
e
→0
allora ∀ per ogni sottosuccessione convergente ujk
u jk → u 0
Fjk (ujk ) → F (u0 )
e u0 ∈ argmin F .
lunedì 17 gennaio 2011
72. Γ-convergenza (E. De Giorgi,T. Franzoni)
Γ-convergenza + equicompatezza
lunedì 17 gennaio 2011
73. Γ-convergenza (E. De Giorgi,T. Franzoni)
Γ-convergenza + equicompatezza
⇓
Convergenza dei minimi
lunedì 17 gennaio 2011
74. Approssimazione via Γ-convergenza
Per ora teniamo da parte il fidelity term
e consideriamo E(u) : BV (Ω, K) → [0, +∞]
l
1 1 ∗ ∗
E(u) = dg (αi , αj )H (∂ Ui ∩ ∂ Uj ∩ Ω)
2 i,j=1
i=j
lunedì 17 gennaio 2011
75. Modelli di transizione di fase
Teorema (S. Baldo, Minimal interface criterionfor phase transitions in mixture of Cahn-Hilliard fluids )
lunedì 17 gennaio 2011
76. Modelli di transizione di fase
Teorema (S. Baldo, Minimal interface criterionfor phase transitions in mixture of Cahn-Hilliard fluids )
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
(2) esistono C1 , C2 tali che W (x) ≥ max m W per ogni x ∈ [C1 , C2 ]m .
/
[C1 ,C2 ]
lunedì 17 gennaio 2011
77. Modelli di transizione di fase
Teorema (S. Baldo, Minimal interface criterionfor phase transitions in mixture of Cahn-Hilliard fluids )
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
(2) esistono C1 , C2 tali che W (x) ≥ max m W per ogni x ∈ [C1 , C2 ]m .
/
[C1 ,C2 ]
lunedì 17 gennaio 2011
78. Modelli di transizione di fase
Teorema (S. Baldo, Minimal interface criterionfor phase transitions in mixture of Cahn-Hilliard fluids )
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
max m W per ogni x ∈ [C1 , C2 ]m .
(2) esistono C1 , C2 tali che W (x) ≥ /
[C1 ,C2 ]
sia d ∈ R ,
m X = u : Ω → Rm misurabile t.c. u dx = d|Ω|}
Ω
e si considerino i funzionali F : X → [0, +∞], F : X ∩ BV (Ω, K) → [0, +∞]
lunedì 17 gennaio 2011
79. Modelli di transizione di fase
Teorema (S. Baldo, Minimal interface criterionfor phase transitions in mixture of Cahn-Hilliard fluids )
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
max m W per ogni x ∈ [C1 , C2 ]m .
(2) esistono C1 , C2 tali che W (x) ≥ /
[C1 ,C2 ]
sia d ∈ R ,
m X = u : Ω → Rm misurabile t.c. u dx = d|Ω|}
Ω
e si considerino i funzionali F : X → [0, +∞], F : X ∩ BV (Ω, K) → [0, +∞]
l
1 1
2
F (u) = ( W (u) + |Du| ) dx F (u) = θW (αi , αj )Hm−1 (∂ ∗ Si ∩ ∂ ∗ Sj ∩ Ω)
Ω 2 i,j=1
1 i=j
θW (w, z) = inf{ 2 W (v)|v| dt : v ∈ C 1 ([0, 1], Rm )v(0) = w, v(1) = z}.
˙
0
lunedì 17 gennaio 2011
80. Modelli di transizione di fase
Teorema (S. Baldo, Minimal interface criterionfor phase transitions in mixture of Cahn-Hilliard fluids )
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
max m W per ogni x ∈ [C1 , C2 ]m .
(2) esistono C1 , C2 tali che W (x) ≥ /
[C1 ,C2 ]
sia d ∈ R ,
m X = u : Ω → Rm misurabile t.c. u dx = d|Ω|}
Ω
e si considerino i funzionali F : X → [0, +∞], F : X ∩ BV (Ω, K) → [0, +∞]
l
1 1
2
F (u) = ( W (u) + |Du| ) dx F (u) = θW (αi , αj )Hm−1 (∂ ∗ Si ∩ ∂ ∗ Sj ∩ Ω)
Ω 2 i,j=1
1 i=j
θW (w, z) = inf{ 2 W (v)|v| dt : v ∈ C 1 ([0, 1], Rm )v(0) = w, v(1) = z}.
˙
0
Allora F (u) = Γ − lim F (u)
→0
rispetto alla topologia forte di L1 (Ω, Rm ).
lunedì 17 gennaio 2011
81. Approssimazione via Γ-convergenza
IDEA: modificare la famiglia di funzionali
1 2
F (u) = ( W (u) + |Du| ) dx
Ω
in modo che il Γ-limite sia
l
1 1 ∗ ∗
E(u) = dg (αi , αj )H (∂ Ui ∩ ∂ Uj ∩ Ω)
2 i,j=1
i=j
lunedì 17 gennaio 2011
82. Approssimazione via Γ-convergenza
IDEA: modificare la famiglia di funzionali
1 2
F (u) = ( W (u) + |Du| ) dx
Ω
in modo che il Γ-limite sia
l
1 1 ∗ ∗
E(u) = dg (αi , αj )H (∂ Ui ∩ ∂ Uj ∩ Ω)
2 i,j=1
i=j
Problemi:
• Bisogna introdurre nei funzionali l’effetto della metrica.
• E’ necessario un secondo passaggio al limite.
lunedì 17 gennaio 2011
84. Approssimazione via Γ-convergenza
Teorema 9.1
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
(2) esistono C1 , C2 tali che W (x) ≥ max m W per ogni x ∈ [C1 , C2 ]m .
/
[C1 ,C2 ]
lunedì 17 gennaio 2011
85. Approssimazione via Γ-convergenza
Teorema 9.1
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
(2) esistono C1 , C2 tali che W (x) ≥ max m W per ogni x ∈ [C1 , C2 ]m .
/
[C1 ,C2 ]
Si consideri la famiglia di funzionali F : H 1,2 (Ω, Rm ) ∩ L∞ (Ω, Rm ) e il
funzionale F : BV (Ω, K) → [0, +∞]
l l
1 1
F (u) = [ W (u)+ |γ(u)Dj u|2 ] dx F (u) = θW (αi , αj )Hn−1 (∂ ∗ Si ∩∂ ∗ Sj ∩Ω)
Ω j=1
2 i,j=1
i=j
lunedì 17 gennaio 2011
86. Approssimazione via Γ-convergenza
Teorema 9.1
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
(2) esistono C1 , C2 tali che W (x) ≥ max m W per ogni x ∈ [C1 , C2 ]m .
/
[C1 ,C2 ]
Si consideri la famiglia di funzionali F : H 1,2 (Ω, Rm ) ∩ L∞ (Ω, Rm ) e il
funzionale F : BV (Ω, K) → [0, +∞]
l l
1 1
F (u) = [ W (u)+ |γ(u)Dj u|2 ] dx F (u) = θW (αi , αj )Hn−1 (∂ ∗ Si ∩∂ ∗ Sj ∩Ω)
Ω j=1
2 i,j=1
i=j
1
θW (w, z) = inf{ 2 W (v)|γ(v)v| dt : v ∈ C 1 ([0, 1], Rm ), v(0) = w, v(1) = z}
˙
0
lunedì 17 gennaio 2011
87. Approssimazione via Γ-convergenza
Teorema 9.1
Sia Ω ⊂ Rn un insieme aperto e regolare e W : Rm → [0, +∞] una funzione
continua tale che
(1) {x ∈ Rm : W (x) = 0} = K = {α1 , . . . , αl },
(2) esistono C1 , C2 tali che W (x) ≥ max m W per ogni x ∈ [C1 , C2 ]m .
/
[C1 ,C2 ]
Si consideri la famiglia di funzionali F : H 1,2 (Ω, Rm ) ∩ L∞ (Ω, Rm ) e il
funzionale F : BV (Ω, K) → [0, +∞]
l l
1 1
F (u) = [ W (u)+ |γ(u)Dj u|2 ] dx F (u) = θW (αi , αj )Hn−1 (∂ ∗ Si ∩∂ ∗ Sj ∩Ω)
Ω j=1
2 i,j=1
i=j
1
θW (w, z) = inf{ 2 W (v)|γ(v)v| dt : v ∈ C 1 ([0, 1], Rm ), v(0) = w, v(1) = z}
˙
0
Allora F (u) = Γ − lim F (u)
→0
rispetto alla topologia forte di L (Ω, R ). p m
lunedì 17 gennaio 2011
88. Approssimazione via Γ-convergenza
Abbiamo ottenuto l’energia di segmentazione
1
θW (w, z) = inf{ 2 W (v)|γ(v)v| dt : v ∈ C 1 ([0, 1], Rm ), v(0) = w, v(1) = z}
˙
0
lunedì 17 gennaio 2011
89. Approssimazione via Γ-convergenza
Abbiamo ottenuto l’energia di segmentazione
1
θW (w, z) = inf{ 2 W (v)|γ(v)v| dt : v ∈ C 1 ([0, 1], Rm ), v(0) = w, v(1) = z}
˙
0
...vogliamo eliminare la dipendenza dal potenziale.
lunedì 17 gennaio 2011
90. Approssimazione via Γ-convergenza
Abbiamo ottenuto l’energia di segmentazione
1
θW (w, z) = inf{ 2 W (v)|γ(v)v| dt : v ∈ C 1 ([0, 1], Rm ), v(0) = w, v(1) = z}
˙
0
...vogliamo eliminare la dipendenza dal potenziale.
Wδ : R3 → [0, +∞] dipendente dal parametro positivo 0 δ δ = min{|α−
β| : α, β ∈ K, α = β}/2 definito come
2
1+δ dist(x, K)
Wδ (x) = ψ x ∈ R3
2 δ
in cui dist(x, K) = min{|x − α| : α ∈ K} ` la distanza euclidea del punto
e
x ∈ R3 dall’insieme K e ψ : [0, +∞] → [0, +∞] ` definita come
e
−x2 /(1−x2 )
1−e se 0 ≤ x ≤ 1
ψ(x) =
1 se x 1.
lunedì 17 gennaio 2011
92. Approssimazione via Γ-convergenza
Lemma 10.1
Siano w, z ∈ K,
1
dg (w, z) = inf
0
˙ }
|γ(v)v| dt : v ∈ C 1 ([0, 1], R3 ), v(0) = w, v(1) = z
1
θδ (w, z) = inf
0
2 Wδ (v)|γ(v)v| dt : v ∈ C 1 ([0, 1], R3 ), v(0) = w, v(1) = z
˙ }
Allora per δ sufficientemente piccolo vale la disuguaglianza
dg (w, z) ≤ θδ (w, z) + o(δ)
e
dg (w, z) = lim θδ (w, z).
δ→0
lunedì 17 gennaio 2011
93. Approssimazione via Γ-convergenza
Definendo la famiglia a due parametri
2
1 2
E,δ (u) = [ Wδ (u) + |γ(u)Dj u| ] dx
Ω j=1
usando il teorema 9.1 e il lemma 10.1 abbiamo
Γ- lim+ Γ- lim E,δ (u) = E(u)
+
δ→0 →0
rispetto alla topologia forte di L (Ω, R ).p 3
lunedì 17 gennaio 2011
95. Approssimazione via Γ-convergenza
Continuità del fidelity term + stabilità rispetto a perturbazioni continue
Teorema 10.2
⇓
Siano Eδ, : H 1,2 (Ω, R3 ) → [0, +∞], E z : BV (Ω, K) → [0, +∞]
z
2
z 1
E,δ (u) = Wδ (u) + |γ(u)Dj u|2 + |dg (u, z)|2 dx
Ω j=1
l
1
z
E (u) = dg (αi , αj )H1 (∂ ∗ Ui ∩ ∂ ∗ Uj ∩ Ω) + β |dg (u, z)|2 dx
2 i,j=1 Ω
i=j
Allora
Γ- lim+ Γ- lim E,δ (u) = E z (u)
+
z
δ→0 →0
rispetto alla convergenza forte in L2 (Ω, R3 ).
lunedì 17 gennaio 2011
96. Equicompattezza
Proposizione 9.9. Sia 1 ≤ p +∞, F : H 1,2 (Ω, Rm ) → [0, +∞] definito
come
l
1
F (u) = W (u) + 2
|γ(u)Di u| dx
Ω i=1
h una successione di numeri reali che tende a 0 e uh una successione tale
che suph Fh (uh ) +∞. Allora esiste una successione uh tale che Fh (˜h ) ≤
˜ u
Fh (uh ) per ogni j ∈ N e si pu` estrarre una sottosuccessione ukh che converge
o ˜
fortemente in Lp (Ω, Rm ).
lunedì 17 gennaio 2011
97. Un modello di classificazione e restauro
lunedì 17 gennaio 2011
98. Un modello di classificazione e restauro
I funzionali approssimanti
2
z 1
E,δ (u) = Wδ (u) + |γ(u)Dj u|2 + |dg (u, z)|2 dx
Ω j=1
lunedì 17 gennaio 2011
99. Un modello di classificazione e restauro
I funzionali approssimanti
2
z 1
E,δ (u) = Wδ (u) + |γ(u)Dj u|2 + |dg (u, z)|2 dx
Ω j=1
classificazione
lunedì 17 gennaio 2011
100. Un modello di classificazione e restauro
I funzionali approssimanti
2
z 1
E,δ (u) = Wδ (u) + |γ(u)Dj u|2 + |dg (u, z)|2 dx
Ω j=1
classificazione restauro
lunedì 17 gennaio 2011
101. Un modello di classificazione e restauro
I funzionali approssimanti
2
z 1
E,δ (u) = Wδ (u) + |γ(u)Dj u|2 + |dg (u, z)|2 dx
Ω j=1
classificazione restauro fidelity
lunedì 17 gennaio 2011
102. Un modello di classificazione e restauro
I funzionali approssimanti
2
z 1
E,δ (u) = Wδ (u) + |γ(u)Dj u|2 + |dg (u, z)|2 dx
Ω j=1
classificazione restauro fidelity
Interpretazione di come parametro di sfocamento
lunedì 17 gennaio 2011
104. Conclusioni
• Si propone un modello di classificazione per immagini a
colori basato sulla nozione di distanza percepita.
Il modello è formalizzato come un problema con discontinuità
libera.
lunedì 17 gennaio 2011
105. Conclusioni
• Si propone un modello di classificazione per immagini a
colori basato sulla nozione di distanza percepita.
Il modello è formalizzato come un problema con discontinuità
libera.
• E’ stata mostrata l’esistenza di una soluzione ed alcune
proprietà qualitative delle minimizanti.
lunedì 17 gennaio 2011
106. Conclusioni
• Si propone un modello di classificazione per immagini a
colori basato sulla nozione di distanza percepita.
Il modello è formalizzato come un problema con discontinuità
libera.
• E’ stata mostrata l’esistenza di una soluzione ed alcune
proprietà qualitative delle minimizanti.
• E’ stata costruita un’approssimazione del problema proposto che
può essere interpretata come un modello di classificazione e
restauro per immagini a colori.
lunedì 17 gennaio 2011
107. Conclusioni
• Si propone un modello di classificazione per immagini a
colori basato sulla nozione di distanza percepita.
Il modello è formalizzato come un problema con discontinuità
libera.
• E’ stata mostrata l’esistenza di una soluzione ed alcune
proprietà qualitative delle minimizanti.
• E’ stata costruita un’approssimazione del problema proposto che
può essere interpretata come un modello di classificazione e
restauro per immagini a colori.
• E’ stata provata la Γ-convergenza dei funzionali approssimanti al
funzionale introdotto.
lunedì 17 gennaio 2011
108. Conclusioni
• Si propone un modello di classificazione per immagini a
colori basato sulla nozione di distanza percepita.
Il modello è formalizzato come un problema con discontinuità
libera.
• E’ stata mostrata l’esistenza di una soluzione ed alcune
proprietà qualitative delle minimizanti.
• E’ stata costruita un’approssimazione del problema proposto che
può essere interpretata come un modello di classificazione e
restauro per immagini a colori.
• E’ stata provata la Γ-convergenza dei funzionali approssimanti al
funzionale introdotto.
• I funzionali approssimanti sono molto più trattabili in vista di
un'approssimazione numerica.
lunedì 17 gennaio 2011
109. Approssimazione via Γ-convergenza
Teorema 1
Sia (C, g) uno spazio di colori, K = {α1 , . . . , αl } ⊂ C un insieme finito di
l colori, z ∈ L∞ (Ω, C) un’immagine a colori, β 0 un parametro positivo. Si
consideri la famiglia di funzionali E,δ (u) : H 1,2 (Ω, R3 ) → [0, +∞]
z
3
z 1 2 2
E,δ (u) = Wδ (u) + |γ(u)Dj u| + β|dg (z, u)| dx
Ω j=1
e il funzionale E z (u) : BV (Ω, K) → [0, +∞]
l
1
E z (u) = dg (αi , αj )H1 (∂ ∗ Ui ∩ ∂ ∗ Uj ∩ Ω) + β |dg (u, z)|2 dx
2 i,j=1 Ω
i=j
Sia δ : [0, +∞] → [0, +∞] una funzione continua e strettamente monotona
crescente tale che δ(0) = 0, j una successione di numeri positivi che tende a 0.
Allora abbiamo che se uj ` una successione costituita da minimizzanti di
e
z
Ej ,δ(j ) si pu` estrarre una sottosuccessione convergente, che indichiamo ancora
o
con uj tale che
u j → u 0 fortemente in L2 (Ω, R3 )
Ej ,δ(j ) (uj ) → E z (u0 )
z
e u0 ∈ argmin(E z ).
lunedì 17 gennaio 2011