This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
keynote:lesson08 [2010/05/31 15:50] 10921039 |
keynote:lesson08 [2023/08/19 21:02] (current) |
||
---|---|---|---|
Line 169: | Line 169: | ||
* 1. Upwind差分法 | * 1. Upwind差分法 | ||
* 基本思想: | * 基本思想: | ||
- | * {{:keynote:upwind差分法.png|}} | + | * {{:keynote:upwind差分法1.png|}} |
* 算法精度: | * 算法精度: | ||
- | * {{:keynote:upwind_jindu.png|}} | + | * {{:keynote:upwind_jindu2.png|}} |
* 稳定条件: | * 稳定条件: | ||
- | * {{:keynote:upwind_wending_tiaojian.png|}} | + | * {{:keynote:upwind_wending_tiaojian1.png|}} |
* 优缺点:算法简单,精度偏低,计算速度较慢 | * 优缺点:算法简单,精度偏低,计算速度较慢 | ||
* 2. Hamilton-Jacobi ENO | * 2. Hamilton-Jacobi ENO | ||
Line 192: | Line 192: | ||
* 二阶TVD RK与二阶RK算法相似; | * 二阶TVD RK与二阶RK算法相似; | ||
* 而三阶TVD RK算法,其形式如右式:{{:keynote:tvd-rk.png|}} | * 而三阶TVD RK算法,其形式如右式:{{:keynote:tvd-rk.png|}} | ||
- | + | * 数值方法小结 | |
+ | * Level Set的一般表现形式:{{:keynote:xiaojie-1.png|}}, | ||
+ | * 其中,{{:keynote:xiaojie-3.png|}} 称为对流项, {{:keynote:xiaojie-2.png|}} 称为曲率。 | ||
+ | * 一般而言,求解该方程可以分三步走: | ||
+ | * 1. 用ENO,WENO或upwind方法求解对流项; | ||
+ | * 2. 用中心差分的方法估算曲率; | ||
+ | * 3. 用TVD RK方法求解。 | ||
+ | * 如下所示: | ||
+ | * {{:keynote:xiaojie-4.png|}} | ||
<note important>曾波 10921039</note> | <note important>曾波 10921039</note> | ||
====== 第三节 水平集(Level Set)的建模方法与应用举例 ====== | ====== 第三节 水平集(Level Set)的建模方法与应用举例 ====== | ||
- | 未完,待续! | + | 背景: |
+ | 借鉴一些流体中的重要思想,1988年,Osher和Sethian首次提出了水平集算法, | ||
+ | 这是一种有效解决曲线演化问题的数值方法,并且计算稳定,适宜任意维数空间。 | ||
+ | 随后,Osher等人对水平集算法做出扩展和总结,Giga也做了相关的理论扩展。 | ||
+ | 90年代以来,许多学者纷纷加入Level Set方法的研究队伍,使得Level Set方 | ||
+ | 法被广泛应用于计算机图形学、计算物理、图像处理、计算机视觉、化学、控制理论等众多领域。 | ||
+ | 下面是一些在图形学方面的应用。 | ||
+ | |||
+ | 1 图像轮廓提取 | ||
+ | 1.1 边界检测和轮廓线提取 | ||
+ | * 隐式动态轮廓模型。 | ||
+ | * 用隐式模型可以跟踪拓扑变化的轮廓。 | ||
+ | * 隐式轮廓线的微分方程表达为。 | ||
+ | {{:keynote:123.png|}} | ||
+ | * 注意轮廓不但被梯度驱动,而且被曲率驱动。 | ||
+ | * 实验结果如下 | ||
+ | {{:keynote:zhangzhen-2.png|}} | ||
+ | |||
+ | 1.2 不用边界表达的动态轮廓线算法 | ||
+ | 其导数为: | ||
+ | |||
+ | {{:keynote:zhangzhen-3.png|}} | ||
+ | |||
+ | 边界长度可以表示为: | ||
+ | |||
+ | {{:keynote:zhangzhen-4.png|}} | ||
+ | |||
+ | 无边界表达的优化方程为: | ||
+ | |||
+ | {{:keynote:zhangzhen-5.png|}} | ||
+ | |||
+ | 实验结果如下: | ||
+ | |||
+ | {{:keynote:zhangzhen-6.png|}} | ||
+ | |||
+ | 2 图像分割 | ||
+ | 2.1 What is image segmentation? | ||
+ | * Definition:Separate the original image into regions that | ||
+ | are meaningful for a specific task. ( shape recovery) | ||
+ | {{:keynote:zhangzhen-7.png|}} {{:keynote:zhangzhen-8.png|}} | ||
+ | 2.2 Image Segmentation | ||
+ | {{:keynote:zz-9.png|}} | ||
+ | 2.3 基于Fast Marching技术的图像分割 | ||
+ | * 算法框架 | ||
+ | {{:keynote:zz-10.png|}} | ||
+ | 2.4 Mumford-Shah 图像分割 | ||
+ | * Mumford-Shah模型 | ||
+ | {{:keynote:zz-11.png|}} | ||
+ | |||
+ | 实验结果如下: | ||
+ | |||
+ | {{:keynote:zz-12.png|}} {{:keynote:zz-13.png|}} | ||
+ | |||
+ | 3 图像修复 | ||
+ | |||
+ | 3.1 图像填补(inpainting) | ||
+ | 假设原始图像为{{:keynote:zz-14.png|}}图像填补算法将恢复一序列图像{{:keynote:zz-15.png|}} | ||
+ | 使得:{{:keynote:zz-16.png|}} | ||
+ | 即表达式为:{{:keynote:zz-17.png|}} 其中{{:keynote:zz-18.png|}}是由一些规则定义的。 | ||
+ | 3.2 演化规则的定义 | ||
+ | * 假设图像是光滑的 | ||
+ | * 演化应该保持边界 | ||
+ | 3.3 演化的数学表达式 | ||
+ | {{:keynote:zz-19.png|}} | ||
+ | 3.4 实验结果如下: | ||
+ | {{:keynote:zz-20.png|}} {{:keynote:zz-21.png|}} | ||
+ | |||
+ | 4 运动分析 | ||
+ | * 地测线动态区域 | ||
+ | * 定义和假设 | ||
+ | (a)只有两个区域需要区分:前景和背景. | ||
+ | |||
+ | (b)I为输入图像由{{:keynote:zz-22.png|}}组成. | ||
+ | |||
+ | (c){{:keynote:zz-23.png|}}是对图像的一个分割. | ||
+ | |||
+ | (d){{:keynote:zz-24.png|}}是两个区域的公共边界. | ||
+ | |||
+ | * 边界表示 | ||
+ | |||
+ | {{:keynote:zz_25.png|}} | ||
+ | * 边界和区域表示的Level set 形式 | ||
+ | {{:keynote:zz-26.png|}} | ||
+ | * 实验结果如下: | ||
+ | | ||
+ | {{:keynote:zz-27.png|}} | ||
+ | <note important>张祯-10921044</note> | ||
+ | |||
+ | |