Reti Neurali e Rumore Digitale

[nin]

Ciao a tutti!

Per un esame universitario dovrei consegnare un progettino che ha come obiettivo la messa in pratica dei concetti del corso in questione, principalmente statistica e pattern recognition tramite learning machines di vario tipo.

Ora, essendo appasionato di fotografia ho trovato nel rumore digitale causato da lunghe esposizioni e/o alti iso un candidato ideale per la componente "statistica".

Secondo voi, senza nessuna pretesa di un successo evidente e funzionale al 100% (nemmeno al 40..), potrei provare ad addestrare una LM a riconoscere il rumore?
Come dati d'addestramento utilizzerei la differenza fra un'immagine il più possibile "pulita" (quindi bassi iso ed corta esposizione) e altre rappresentanti lo stesso soggetto nelle medesime condizioni ma ad iso/esposizione diverse
(utilizzerei una reflex 40D con obiettivo di buona qualità non in kit) .

Ripeto, lo scopo è didattico e non deve funzionare in maniera egregia: m'accontenterei di riuscire ad evidenziare un timido successo in condizioni ragionevoli.
Come la vedete?

Casomai non vi sembrasse troppo assurdo ho qualche domanda in cantiere..

Grazie

[cristiano c.]

Originariamente inviato da nin

Ciao a tutti!

Per un esame universitario dovrei consegnare un progettino che ha come obiettivo la messa in pratica dei concetti del corso in questione, principalmente statistica e pattern recognition tramite learning machines di vario tipo.

Ora, essendo appasionato di fotografia ho trovato nel rumore digitale causato da lunghe esposizioni e/o alti iso un candidato ideale per la componente "statistica".

Secondo voi, senza nessuna pretesa di un successo evidente e funzionale al 100% (nemmeno al 40..), potrei provare ad addestrare una LM a riconoscere il rumore?
Come dati d'addestramento utilizzerei la differenza fra un'immagine il più possibile "pulita" (quindi bassi iso ed corta esposizione) e altre rappresentanti lo stesso soggetto nelle medesime condizioni ma ad iso/esposizione diverse
(utilizzerei una reflex 40D con obiettivo di buona qualità non in kit) .

Ripeto, lo scopo è didattico e non deve funzionare in maniera egregia: m'accontenterei di riuscire ad evidenziare un timido successo in condizioni ragionevoli.
Come la vedete?

Casomai vi sembrasse non troppo assurdo ho qualche domanda in cantiere..

Grazie

una cosa del genere la fanno gli astrofotografi,prova su astrofili.org

[nin]

Originariamente inviato da cristiano c.

una cosa del genere la fanno gli astrofotografi,prova su astrofili.org

Beh se non altro dal primo commento non mi sembra di averla sparata "troppo" grossa.
Intanto do un'occhiata, grazie

[Johnn]

Secondo me c'è un problema di fondo: il rumore è casuale, quindi non può essere riconosciuto da una rete neurale, neanche accontentandosi di un risultato modesto. Ditemi se sbaglio.

[Varilion]

Il tuo obiettivo in pratica è dire se:
-C'è rumore
-Non c'è rumore
?

Secondo me lavorando su delle immagini dovresti fare un po' di preprocessing tirando fuori dei dati da mandare in pasto alla Rete Neurale.
Di per se le Reti Neurali come classificatore funzionano ben..

[nin]

@Johnn: la tua osservazione ha assillato anche me e ci ho pensato un po'.
Se per assurdo mi venisse chiesto di "selezionare" manualmente pixel rumorosi da una foto potrei farlo a grandi linee..per questo deduco che un algoritmo di selezione deve esistere. In questo senso una rete neurale mi solleverebbe dal compito di capire nel dettaglio quale sia questo algoritmo, dopo una sessione d'allenamento adeguata.
Correggetemi se sbaglio. Stiamo finendo il corso ed è ben possibile che non abbia ancora le idee chiare sui concetti fondamentali.

@Varilion: si, inizialmente l'obiettivo è stabilire se è presente il rumore e magari successivamente con un semplice algoritmo di smoothing eliminarlo.
I dati li estrarrei come già detto come differenza fra 2 immagini rappresentanti lo stesso oggetto: la prima in condizioni ideali, la seconda in condizioni di rumore.

Sia chiaro, fotograferei composizioni semplicissime al limite della monocromia.
Ripeto che si tratta di un esempio che cerca di coprire più parte possibile di un programma. Non di un progetto serio!

@Antonio23: pensavo di lavorare direttamente sulle immagini, paragonando i pixel. Questo presuppone che al di là del rumore, i campioni siano identici. Non mi sono posto problemi di dominio e magari sono stato troppo semplicista. Sbaglio?

In effetti credo che la questione principale almeno all'inizio sia capire se una rete neurale è uno strumento efficace in un caso come questo e se posso essere in grado di produrre dati validi per il training.

Grazie a tutti per l'attenzione, vi sarei grato se continuaste

[nin]

Grazie, proverò a guardare la dct, anche se devo essere sincero al momento non mi è chiara del tutto l'utilità di passare in altri domini.

Su internet ho trovato riferimenti ad articoli scientifici in cui r.n. sono state applicate per estrarre segnale dal rumore dopo adeguato addestramento.

Aspetto suggerimenti

[nin]

Originariamente inviato da Antonio23

beh allora stai apposto, se lo fanno nel dominio del tempo col rumore che interessa a te (cioè con un rumore che ha caratteristiche statistiche simili)... prendi quell'idea e riadattala...

Purtroppo si limitano a constatare i buoni risultati ottenuti senza entrare troppo nel dettaglio. Specialmente per quanto riguarda l'addestramento.
In ogni caso il segnale era di tipo acustico e sicuramente è stato svolto nel dominio delle frequenze

Originariamente inviato da Antonio23

edit: per quanto riguarda il cambio di dominio, ti faccio notare l'importanza che può avere con un esempio... se hai un segnale audio con rumore bianco sovrapposto... se guardi la forma d'onda non ci cavi un ragno dal buco in quanto ad "info" utili... se invece ti fai uno spettrogramma, estrai molte più info utili per studiare il fenomeno...

Chiaro, pensavo appunto se nel mio caso un diverso dominio sarebbe potuto tornare comodo proprio per considerazioni di questo tipo..per adesso non saprei.

Grazie

[Johnn]

Aggiungo e preciso qualcosa. Quando hai scritto:

Ora, essendo appasionato di fotografia ho trovato nel rumore digitale causato da lunghe esposizioni e/o alti iso un candidato ideale per la componente "statistica".

ho pensato al rumore casuale dovuto al sensore.

Un rumore con caratteristiche diverse è questo:

http://fysiikka.uku.fi/opiskelu/kurs...mill_noise.png

Qui, passando nel dominio delle frequenze è facile eliminare il rumore sinusoidale ed ottenere un'immagine quasi perfetta.

Nel tuo caso un algoritmo per l'eliminazione del rumore consiste sostanzialmente nello sfocare leggermente ad esempio facendo la media tra pixel adiacenti. Non ottieni alcuna informazione facendo la differenza tra l'immagine pulita e l'immagine rumorosa: due immagini rumorose differenti presenterebbero pixel rumorosi diversi di differente intensità, mentre nel caso del rumore sinusoidale la differenza nel dominio di frequenze tra l'immagine pulita e quella rumorosa ti consentirebbe di individuare le frequenze di disturbo ed eliminarle. Immagino che in questo caso una rete neurale potrebbe "accorgesene" e raggiungere il risultato.

[desmogix]

(non sono un esperto assolutamente)
secondo me è troppo aspirare a farle riconoscere il "rumore"

Cioè, dovrebbe saper riconoscere una foto buona da una che non lo è. E può non esserlo per molte ragioni: luminosità, esposizione, saturazione, ecc. Tra tutte queste dovrebbe riconoscere il rumore.

Ammesso che le passi solo foto "buone" e foto "rumorose" chissà se facendole fare una sottrazione cromatica tra due foto possa servire a qualcosa ?
(anche se una sottrazione di colori non sò come possa implementarsi un una LM a rete neurale)

la sparo li....

(RUMORE - RUMORE) ≠ (RUMORE - BUONA) & (RUMORE - RUMORE) ≠ (BUONA -BUONA)

[cristiano c.]

hai guardato su astrofili? fanno correzione del rumore ad esposizioni al buio di diversi minuti

[-MiStO-]

non sapendo bene cosa hai trattato nel tuo corso di rn ti dico la prima cosa che mi è venuta in mente leggendo immagini e rimozione rumore : reti di hopfield
http://it.wikipedia.org/wiki/Rete_ne...ti_di_Hopfield
questo tipo di reti ricorsive funzionano da memorie associative:fornisci in input uno dei pattern (precedentemente memorizzati) rovinato (o addirittura parte di un pattern) e la rete automaticamente recupera il pattern originale
magari potrebbe fare al caso tuo

sennò per usare una rete classica, te lo dico a naso su due piedi, dovresti passare l'img in frequenza e addestrare la rete al riconoscimento di alte frequenze (quelle tipiche del rumore puntiforme)
magari funziona

[nin]

..entro stasera vi rispondo sto avendo un pò da fare, grazie intanto per gli spunti