From 668b065f377691fde6727ba10fc979a82c1e5c7b Mon Sep 17 00:00:00 2001 From: Alain Date: Sat, 5 Jun 2021 15:15:57 +0200 Subject: La Reconstruction Text. --- buch/papers/ifs/teil3.tex | 11 +++++++++-- 1 file changed, 9 insertions(+), 2 deletions(-) (limited to 'buch/papers') diff --git a/buch/papers/ifs/teil3.tex b/buch/papers/ifs/teil3.tex index d31eee7..bc848bc 100644 --- a/buch/papers/ifs/teil3.tex +++ b/buch/papers/ifs/teil3.tex @@ -68,7 +68,7 @@ Die Parameter $s$ und $g$ beschreiben die Änderung des Grautones. $s$ veränder $s$ und $g$ werden mit der linearen Regression ermittelt. \begin{align*} z' = sz + g \\ - f(\tilde{D_j}) \text{, Funktion um Grauton von Pixel zu erhalten} \\ + f(\tilde{D_j}) \text{, Funktion um das Bild eins Blockes zu erhalten} \\ s = \frac{cov(f(R_i), f(\tilde{D_j}))}{var(\tilde{D_j})} \\ g = E(f(R_i)) - s E(f(\tilde{D_j})) \end{align*} @@ -85,4 +85,11 @@ Am Ende des Verfahrens haben wir also für jeden $R_i$ einen passenden $D_i$ mit \subsubsection{Rekonstruktion des Bildes} Mit den Gefundenen Abbildungen lässt sich das Bild generieren. Wir beginnen wie schon im letzten Kapitel mit einer beliebigen Startmenge. -In unserem Fall ist dieses ein Bild derselben Grösse. +In unserem Fall ist dieses ein Bild $f_0$ derselben Grösse. +Nun ersetzen wir jedes $R_i$ mit der Transformierten des zugehörigen Domain-Blocks $T(G_j)$. +Dies wird verkürzt als Operator $W$ geschrieben. +So erhalten wir ein neues Bild $f_1 = W(f_0)$. +Dieses Vorgehen führen wir iteriert aus bis wir von $f_n = W(f_{n-1})$ zu $f_{n-1}$ kaum mehr einen unterschied fesstellen. Die Iteration hat nun ihren Fixpunkt, das Bild, erreicht. + +TODO Bilder Beispiel +TODO Performance und Kompressonsverhältnis -- cgit v1.2.1