ল্যাঙ্কজোস পুনরায় মডেলিং কী?
যদিও তত্ত্বটি প্রাথমিক কাগজ এবং উইকিপিডিয়া নিবন্ধে বর্ণিত হয়েছে , তবে পুনরায় মডেলিং পদ্ধতির জন্য একটি "অনুভূতি" সহজ বা মানক চিত্রগুলিতে গণনা করার মাধ্যমে সবচেয়ে ভাল পাওয়া যায়। এটি একটি বিস্তৃত বিষয় হতে পারে, যার জন্য বিস্তৃত পরীক্ষা-নিরীক্ষার প্রয়োজন হয়, তবে কিছু সরলীকরণ পাওয়া যায়:
এই অপারেটরগুলি প্রতিটি রঙ চ্যানেলে পৃথকভাবে কাজ করে। সুতরাং তারা কীভাবে একরঙা ("কালো এবং সাদা") চিত্রে কাজ করে তা অধ্যয়ন করা যথেষ্ট ices
ইমেজ প্রসেসিংয়ে ব্যবহৃত বেশিরভাগ কনভ্যুলশন অপারেটর একইভাবে এক্স এবং ওয়াই নির্দেশে এবং উভয় দিকেই স্বাধীনভাবে কাজ করে। বাস্তবে, তারা সত্যিকার অর্থে এক মাত্রিক অপারেটর প্রথম সারিতে এবং তারপরে কলামগুলিতে প্রয়োগ হয়েছিল। এর অর্থ আমরা "1D" চিত্রগুলি অধ্যয়ন করে তাদের অধ্যয়ন করতে পারি, যা বিস্তারিতভাবে প্লট করা যেতে পারে।
সবকিছু এই অন্য এক মান থেকে হঠাৎ লাফ: আমরা একটি রৈখিক অপারেটর (যা সব সংবর্তন অপারেটার অন্তর্ভুক্ত) সম্পর্কে জানা প্রয়োজন কিভাবে একটি অপারেটর সব সহজ অ ধ্রুবক ছবিতে কাজ করে থেকে অনুমিত হতে পারে।
আসুন কয়েকটি জনপ্রিয় পুনর্নির্মাণের পদ্ধতির একটি চিত্র দেখুন। প্রকৃতপক্ষে, আমাদের দুটি চিত্রের প্রয়োজন: একটি "ডাউনস্যাম্পলিং" এর মধ্যে কী ঘটেছিল তা দেখানোর জন্য যেখানে নতুন চিত্রটি পুরানোের তুলনায় মোটা হয় এবং অন্যটি "আপসাম্পলিং", যেখানে নতুন চিত্রগুলি পুরাতনকে পরিমার্জন করে। আসুন শুরু করা যাক, কারণ এটি আরও বিশদ দেখায়।
Upsampling
বাম দিকের মূল 7 বাই 7 চিত্রটি সত্যই এক-মাত্রিক কারণ প্রতিটি সারি একই is রিস্যাম্পলিংটি কলামগুলি জুড়ে ঘটে। অন্যান্য পাঁচটি চিত্রের মাত্রা ৮০ বাই ৮০, প্রতিটি পদ্ধতি কীভাবে মূল মোটা পিক্সেলের মধ্যে বিভক্ত হয় তা বিশদভাবে দেখায়। নিকটতম প্রতিবেশী নমুনা অন্ধকার এবং আলোর মধ্যে তীব্র বিভাজন ধরে রাখে অন্য চারটি পদ্ধতি মধ্যবর্তী অঞ্চলটিকে কিছুটা ঝাপসা করে। উল্লেখযোগ্যভাবে, ল্যাঙ্কজোস রিস্যাম্পলার এমন কিছু অঞ্চল তৈরি করে যা মূলের চেয়ে গা dark় এবং অন্যান্য যেগুলি মূলের চেয়ে হালকা। (এটি জিআইএস কাজের জন্য জড়িত থাকতে পারে, কারণ এই জাতীয় এক্সট্রোপোলেশনমূল মানগুলির সম্ভাব্যভাবে নতুন মানগুলি অবৈধ হতে পারে। এগুলি মূল রঙের মানচিত্রের সীমার বাইরেও প্রসারিত করতে পারে, কখনও কখনও পুনর্নির্মাণের চিত্রটির চূড়ান্ত মানগুলি ভুলভাবে রেন্ডার করে। এটি অর্কিজিআইএসে বাইকুবিক কনভ্যুশন পুনরায় মডেলিংয়ের একটি সমস্যা, উদাহরণস্বরূপ))
(এনবি: এখানে দেখানো "বিকিউবিক" পদ্ধতিটি হ'ল একটি বিউকিউবিক স্প্লাইন, আর্কজিআইএসের "বিকুবিক সমঝোতা" নয়।)
প্রাকৃতিক হলেও চিত্রের মানগুলি চিত্রিত করতে স্বল্পতা ব্যবহার করা খুব সুনির্দিষ্ট নয়। পরবর্তী চিত্রটি কলাম (অনুভূমিক অক্ষ) দ্বারা ঘর মানগুলি (উল্লম্ব অক্ষ) গ্রাফ করে এটি সংশোধন করে।
গ্রাফের নিম্ন মানগুলি চিত্রের গাer় অংশের সাথে মিলে যায়। মূলটির একটি চিন্তাশীল পরীক্ষা একটি গোপন অনুমানের বিষয়টি উন্মোচিত করে: যদিও মূল চিত্রটি অন্ধকার থেকে আলোর দিকে তীক্ষ্ণ লাফের মতো দেখায় , তবে লাফটি আসলে কলামগুলির পরিমাণের এক-সপ্তম (১/7) এর বেশি হয়। চিত্রের চিত্রিত হচ্ছে মূল দৃশ্যে সেই ব্যবধানে আসলে কী ঘটেছিল কে বলবে? অতএব এই সংক্ষিপ্ত বিরতিতে ঘটে যাওয়া পুনরায় মডেলিং পদ্ধতির মধ্যে পার্থক্যের জন্য আমাদের খুব সমালোচনা করা উচিত নয়: প্রত্যেকে আসল দৃশ্যে যা ঘটতে পারে তার আলাদা কিন্তু সম্ভাব্য সমানভাবে বৈধ রেন্ডারিং দিচ্ছে। এই অর্থে, এটি আর স্পষ্ট নয় যে নিকটতম প্রতিবেশী নমুনা হ'ল সবচেয়ে বিশ্বস্ত ইন্টারপোলেশন পদ্ধতি।
আমাদের একটি সিদ্ধান্তে উপনীত হওয়া উচিত যে কোনও আপসাম্পলিং পদ্ধতির যথার্থতা অন্তর্নিহিত দৃশ্যের প্রকৃতির উপর নির্ভর করে । দৃশ্যে যদি এমন মানগুলি থাকে যা এক বিন্দু থেকে পরের দিকে সহজেই পরিবর্তিত হয়, তবে নিকটবর্তী প্রতিবেশী পদ্ধতিটি সম্ভবত দেখানো ব্যক্তিদের মধ্যে পুনর্নির্মাণের সর্বনিম্ন বিশ্বস্ত উপায় হতে পারে ।
Downsampling
এখানে আমরা 16 বাই 16 টি চিত্র দ্বারা 8 টি 8 টি চিত্র (একটি 2 বাই 2 সমষ্টি) ডাউনস্যাম্পলিংয়ের ফলাফলটি দেখতে পাচ্ছি। নিকটতম প্রতিবেশী সঠিকভাবে তীক্ষ্ণ সীমানা ধরে রেখেছে। ল্যাঙ্কজস আপাত তীক্ষ্ণতা বাড়িয়ে অন্যের থেকে পৃথক । একটি নিবিড় চেহারাটি দেখায় যে এটি সীমানার একপাশে অন্ধকার অঞ্চলকে অন্ধকার করে এবং অন্যদিকে আলোর অঞ্চলটি আলোকিত করে। গ্রাফগুলি এটিকে স্পষ্ট করে:
বিলিনিয়ার, বিউকিউবিক এবং গাউসিয়ান রিস্যাম্পলারগুলি কনভোলশন অপারেটরগুলির বৈশিষ্ট্যগুলি দেখায় যাগুলির সমস্ত ধনাত্মক ওজন (বা খুব ছোট নেতিবাচক ওজন) রয়েছে: তারা গড়, বা "স্মিয়ার" প্রতিবেশী মান values ডাউনস্যাম্পলিংয়ে এটি তীক্ষ্ণ বৈশিষ্ট্যগুলিকে ঝাপসা করে তোলে। অস্পষ্টতার ব্যাপ্তি কার্নেলের প্রস্থের উপর নির্ভর করে। এই অন্যদের মতো, ল্যাঙ্কজোস রিস্যাম্পলারও লাফটি ঝাপসা করে, তবে এটি উভয় পক্ষেই এটি "ওভারশুট" করে। এটি চিত্রগুলির নিজের উপরে উল্লিখিত বিপরীতে বর্ধন। এই প্রবণতাটি বাড়ানোর প্রবণতার কারণে (চিত্রের উচ্চ এবং নিম্নের মধ্যে স্থানীয় পার্থক্য), ল্যানকোসো রিস্যাম্প্লারকে প্রায়শই "তীক্ষ্ণ ফিল্টার" বলা হয়। এই গ্রাফগুলি দেখায় যে এই চরিত্রটির জন্য একটি সংখ্যক বোঝার প্রয়োজন, কারণ স্পষ্টতই এটি লাফের উভয় পক্ষের মানের গড়কে হ্রাস করে না। পিক্সেল 4 এ, এর 0.55 এর মান অন্যান্য সমঝোতার ফিল্টারগুলির দ্বারা গণিত মানের সাথে তুলনীয়।
কিভাবে এটি ব্যবহার করে আউটপুট প্রভাবিত করে?
আরও জটিল চিত্রে কী ঘটে তা একবার দেখে নেওয়া যাক।
আসল, যা 13-এর 13 ইমেজের চিত্রটিতে এখন সর্বাধিক সম্ভব স্থানিক ফ্রিকোয়েন্সি (ডানদিকে প্রতিটি কলামের সাথে হালকা এবং অন্ধকারের মধ্যে বিকল্প) সহ একটি প্যাটার্ন অন্তর্ভুক্ত রয়েছে। ডাউনস্যাম্পলিং করার সময় আমরা এই জাতীয় বৈশিষ্ট্যগুলি পুনরুত্পাদন করতে আশা করতে পারি না: অল্প পরিমাণ পিক্সেল কেবল এই সমস্ত তথ্য ধরে রাখতে পারে না। তারপরে, যেমন, যখন এই জাতীয় চিত্র আপসাম্পল করা হয় তখন কী ঘটে তার দিকে মনোনিবেশ করা যাক। যদি আমরা দৃশ্যের বিশ্বস্ত প্রজনন সম্পর্কে চিন্তা করি তবে আমরা উচ্চ-ফ্রিকোয়েন্সি প্যাটার্নটি সঠিকভাবে পুনরুত্পাদন করতে চাই।
ছোট চিত্রগুলি 25 বাই 25 পিক্সেলের সাথে পুনরায় তৈরি করা হয়: প্রায়, তবে বেশ নয়, এটি 2: 1 পরিশোধন। আমার চোখে, ল্যানকসোস এবং বিলিনিয়ার পদ্ধতিগুলি চারটি কনভোলজেশন রিস্যাম্পলারের মধ্যে স্ট্রাইপগুলি সবচেয়ে তীব্রভাবে পুনরুত্পাদন করে। নিকটতম প্রতিবেশী অবশ্যই সবচেয়ে বিশ্বস্ত (কারণ এটি মোটেও মূল্যবৃদ্ধি করতে পারে না)।
একই ফলাফলের এই গ্রাফগুলি দেখায় যে ল্যানকসোস রিস্যাম্পলার ধ্রুবক-মান আলোর মধ্যে তীব্রতার পরিবর্তনের পরিচয় হিসাবে ব্যতীত স্ট্রাইপের (লম্বা থেকে উঁচুতে উল্লম্ব দোলগুলির আকার দ্বারা দেখা যায়) কনট্রাস্ট বজায় রাখতে সক্ষম হয়েছিল চিত্রের মাঝখানে অঞ্চল (মূলের পিক্সেল 5, 6, 7) এই প্রকরণটি চিত্রের হালকা অংশের (মাঝের) মধ্যে স্ট্রাইপের মতো শিল্পকর্ম হিসাবে প্রদর্শিত হয়। এখানে প্রদর্শিত রিস্যাম্পলারগুলির মধ্যে এ জাতীয় উদ্দীপনা বিবরণ প্রবর্তন করতে এটি একা।
একটি স্থানিক অ্যাপ্লিকেশন জন্য এটি দরকারী কি?
স্পষ্টতই, ল্যাঙ্কজোস রিম্যাম্পলিং পুনরায় স্যাম্পলিংয়ের কোনও প্যানিসিয়া বা সর্বকোষ সমাধান নয়। স্থানীয় বৈসাদৃশ্য বজায় রাখার ক্ষেত্রে (বা এমনকি বাড়িয়ে তোলা) এটি অন্য অনেকগুলি কনসোলিউশন রিস্যাম্পলারের চেয়ে সেরা। যখন পুনঃনির্বাচিত চিত্রটি বিশদ বৈশিষ্ট্য বা সীমানা সনাক্তকরণের জন্য তৈরি করা হয় তখন এটি কার্যকর হতে পারে। পরবর্তীতে যখন পুনরায় সজ্জিত চিত্রটি বিশ্লেষণ বা প্রক্রিয়াজাত করা হবে তখন ল্যাঙ্কসোস পুনরায় মডেলিং প্রান্তগুলি এবং লিনিয়ার বৈশিষ্ট্যগুলি সনাক্ত করার ক্ষমতা বাড়াতে পারে।
যখন পুনঃনির্বাচিত চিত্রটি অন্য উপায়ে বিশ্লেষণ করা হবে তবে ল্যানকসোস পুনরায় মডেলিংয়ের সুবিধাগুলি সন্দেহজনক। এটি সাধারণত (কৃত্রিমভাবে) স্থানিক পরিবর্তনশীলতার স্থানীয় ব্যবস্থা যেমন ফোকাল রেঞ্জ এবং ফোকাল স্ট্যান্ডার্ড বিচ্যুতি বাড়িয়ে তুলবে। এটি সামগ্রিকভাবে স্থানিক উপকরণগুলিকে প্রভাবিত করবে না - অন্যান্য সমঝোতা পুনর্নির্মাণকারীদের মতো এটিও সাধারণত স্বাভাবিক করা হয় (যার অর্থ এটি স্থানীয় ওজনযুক্ত গড়, কোনও পক্ষপাতিত্ব চালু করা হয়নি) - তবে এটি কিছু স্থানীয় গড় বাড়িয়ে তুলতে পারে এবং অন্যদের তুলনায় অন্যকে হ্রাস করতে পারে অন্যান্য পুনঃস্থাপনকারী।
এখানে (অগত্যা সংক্ষিপ্ত) মূল্যায়নটি পরামর্শ দেয় যে ল্যাঙ্কজোস রিস্যাম্পলার সাধারণত ডাউনস্যাম্পলিংয়ের জন্য ব্যবহার করা উচিত নয়: এই অ্যাপ্লিকেশনটির জন্য, এটি সহজ (এবং আরও সাধারণভাবে উপলভ্য) পদ্ধতিগুলির এমন কোনও কিছুই সরবরাহ করে না বলে মনে হয়, যা মূল পরিসীমা ছাড়িয়ে এক্সট্রাপোলেটিংয়ের সম্ভাব্য অসুবিধা বজায় রাখে তথ্য মান।
ফলাফল: একটি সাধারণ মন্তব্য
এখানে বর্ণিত তদন্তটি জিআইএস অপারেশন কীভাবে কাজ করে তা নিয়ে যখন তাদের কাছে প্রশ্ন থাকে তখন কেউ কী করতে পারে তার একটি উদাহরণ । এটি জিআইএসকে তদন্তের বিষয় হিসাবে ব্যবহার করে: কিছু অপারেশন বা বিশ্লেষণ পদ্ধতি কী করে তা জানতে, কেবল নিয়ন্ত্রিত পরীক্ষামূলক পরিস্থিতিতে এটি প্রয়োগ করুন। সেক্ষেত্রে সহজ পরীক্ষা চিত্রগুলি তৈরি করা, উপলভ্য পদ্ধতি অনুসারে এগুলি পুনরায় তৈরি করা এবং ফলাফলগুলি পরীক্ষা করার পরিমাণ।
জিআইএস কীভাবে কাজ করে তা শিখতে এই পদ্ধতির তিনটি গুরুত্বপূর্ণ দিক রয়েছে:
- তত্ত্ব । পরীক্ষাটি সাধারণত "অন্ধ" করা যায় না: এটি কিছু তত্ত্ব জানতে সহায়তা করে। আমাদের সাধারণত বেশি কিছু জানতে হবে না, তবে আমাদের বেসিকগুলি দরকার। এই ক্ষেত্রে, কনভলিউশনগুলির তত্ত্বটি আমাদের ব্যবহার করার মতো চিত্রগুলির সংখ্যা এবং প্রকারকে খুব হ্রাস করে। ফুয়েরিয়ার বিশ্লেষণ ইত্যাদি সম্পর্কে আমাদের কিছু জানার দরকার ছিল না (কোনও ভুল করবেন না, এ জাতীয় জ্ঞান উপকারী। তবে এই ধরণের বিশেষায়িত জ্ঞানের অভাব আমাদের থামিয়ে দেওয়া উচিত নয়।)
- অনুশীলন । পরীক্ষাটি সম্পাদন করতে আমাদের জিআইএস নিজেই ব্যবহার করে, আমরা এটি দেখতে আসলে কী তা দেখতে সক্ষম । এটি তত্ত্ব (যা আমাদের জানায় সফ্টওয়্যারটি কী করা উচিত ) এবং অনুশীলন (যা এটি আসলে তা করে) এর মধ্যে সংযোগ বিচ্ছিন্ন করে avo
- রাশিকরণ । যদি না প্রশ্নটি দৃষ্টিভঙ্গি নিয়ে উদ্বেগ না করে, ফলাফলগুলি মূল্যায়নের জন্য আমাদের কেবল মানচিত্রের দিকে (বা এই ক্ষেত্রে চিত্রগুলি) দেখার উপর নির্ভর করা উচিত নয় । সর্বোত্তম তথ্য পেতে আমাদের আউটপুটটি পরিমাণ নির্ধারণ করতে হবে (গ্রাফগুলি দিয়ে এখানে করা হয়েছে) এবং প্রায়শই পরিসংখ্যান পদ্ধতিগুলির সাথে এটি বর্ণনা ও সংক্ষিপ্তকরণ করতে হয়।
তবে, আপনি যদি এই চিত্রটিতে ল্যাঙ্কজোস ফিল্টার প্রয়োগ করেন, বা পুনরায় নমুনা হিসাবে ব্যবহার করেন, পার্থক্যগুলি প্রশস্ত করা হয়, আপনি বলতে পারেন যে স্থানীয়ভাবে এর বিপরীতে বৃদ্ধি পেয়েছে।
