Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Bilder diskretisiert werden. Um die Annahme konstanter Pixelintensität von u auf n auszuweiten,<br />
werden zunächst ”<br />
versetzte Pixeldifferenzen“ definiert:<br />
r( ⃗ d(⃗x i ),⃗x i )=n 1 (⃗x i + ⃗ d(⃗x i )) − n 0 (⃗x i ). (4.5)<br />
Gleichung (4.3) läßt sich dann für die beobachteten Bilder n als unabhängiger Gauß’scher Zufallsprozeß<br />
modellieren:<br />
P(r) ≈ e −r2 /2σ 2 , (4.6)<br />
i.e. die Wahrscheinlichkeit für kleine Differenzen zwischen n 1 (⃗x i + ⃗ d(⃗x i )) und n 0 (⃗x i ) ist groß. Für<br />
ein Bild n 0 und ein festgelegtes Vektorfeld d ergibt sich mit den Gleichungen (4.5) und (4.6) dann<br />
die bedingte Wahrscheinlichkeit für n 1 , wenn d auf n 0 angewendet wird:<br />
P(n 1 = n 1 |d,n 0 )=c 1 e −U n/2σ 2 . (4.7)<br />
Hierbei ist c 1 eine Normalisierungskonstante und die Energie U n ist definiert als<br />
U n = ∑r( d(⃗x ⃗ i ),⃗x i ) 2 . (4.8)<br />
i<br />
Das Bild n 1 ist also eine wahrscheinliche Realisierung von n 1 , wenn die Differenzen zwischen<br />
n 1 (⃗x i + d(⃗x ⃗ i )) und n 0 (⃗x i ) für alle betrachteten Gitterpunkte klein sind. Hierbei sei noch bemerkt,<br />
daß nicht für alle Bildpunkte Vektoren berechnet werden, sondern ein Subgitter gewählt wird.<br />
Für die Annahme konstanter Pixelgradienten läßt sich analog zu Gleichung (4.5)<br />
r grad (⃗d(⃗x i ),⃗x i )=∇n 1 (⃗x i + ⃗d(⃗x i )) − ∇n 0 (⃗x i ) (4.9)<br />
definieren. Unter Verwendung der gleichen Argumentation wie oben ergibt sich schließlich<br />
mit der Normalisierungskonstante c 2 und<br />
P(n 1 = n 1 |d,n 0 )=c 2 e −U n/2σ 2 −U grad /2σ 2 grad, (4.10)<br />
U grad = ∑r grad ( d(⃗x ⃗ i ),⃗x i ) 2 . (4.11)<br />
i<br />
Für kleine Unterschiede zwischen n 1 (⃗x i + d(⃗x ⃗ i )) und n 0 (⃗x i ) bzw. zwischen ∇n 1 (⃗x i + d(⃗x ⃗ i )) und<br />
∇n 0 (⃗x i ) für alle betrachteten Punkte sind die Energiefunktionen klein, und somit ist die Wahrscheinlichkeit<br />
P(n 1 = n 1 |d,n 0 ) groß.<br />
Zur Festlegung der Verteilungsfunktion für P(D = d|n 0 ) wird die zweite Grundannahme, die Glattheit<br />
des Vektorfeldes, genutzt. Dabei geht man davon aus, daß ein einzelnes Bild wenig Information<br />
zu der Wahrscheinlichkeit für ein Vektorfeld beiträgt, weshalb nur Eigenschaften des Vektorfeldes<br />
selbst betrachtet werden. Die Glattheit des Vektorfelds ist dadurch charakterisiert, daß<br />
sich benachbarte Vektoren in Länge und Richtung nur wenig unterscheiden. Unter Verwendung<br />
wahrscheinlichkeitstheoretischer Annahmen ( [Konrad et al. 1992], führt dies zu<br />
P(D = d|n 0 )=c 3 e −U d/β , (4.12)<br />
56