Bu ilginç problem, açıkça astronomi ile de ilgilidir. Tıbbi görüntülemede, bir nesnenin merkezini belirlemek, birkaç özel uygulama alanında da devreye giriyor.
Burada, astronomide hangi formülün kullanıldığına dair bilgi sahibi olmak için soruyu sordum: Belirsizlik nasıl? (toplamsal) ölçüm gürültüsü varlığında tahmin edilen 'COG' oranı?
2002'de, normal dağılan katkı maddesi varlığında tahmini ağırlık merkezinin varyansı için genel bir formül türettik. her piksel değeriyle ilişkili gürültü. Referans aşağıdaki gibidir:
H.C. van Assen, M. Egmont-Petersen, J.H.C. Reiber. "Ağırlık merkezi ölçüsü kullanılarak gri seviyeli görüntülerde doğru nesne yerelleştirmesi: doğruluk ve hassasiyet", Görüntü İşlemede IEEE İşlemleri , Cilt. 11, No. 12, s. 1379-1384, 2002.
Öncelikle nesneyi çevreleyen pencerenin merkezinin $ (0,0) $ olduğunu varsayan genel formülü vereceğim. Bu formülün tutması için nesnenin merkezi olarak konumlandırılması gerekmez.
Her pikselle ilişkili toplamsal ölçüm gürültüsünü $ \ epsilon \ sim U (0, \ sigma ^ 2) $, standart sapması $ \ sigma $ olmak üzere.
$ (d + 1) \ times (d + 1) boyutlarının $ {\ cal W} $ kareli (alt) görüntüsünü tanımlayın. ) $ x = - \ frac {d} {2}, \ frac {d} {2} +1, \ ldots, \ frac {d} {2} $ ve $ y = - \ koordinatlarla $ piksel frac {d} {2}, \ frac {d} {2} +1, \ ldots, \ frac {d} {2} $. $ {\ Bf w} _ {x, y} $, $ {\ cal W} $ cinsinden parazit yokluğunda $ (x, y) $ pikselinin gerçek piksel yoğunluğu olsun. Sinyal artı gürültü görüntüsünü $ W $ olarak tanımlayın: $ w_ {x, y} = {\ bf w} _ {x, y} + \ epsilon $. (Alt) görüntüdeki toplam piksel sayısını $ N = (d + 1) ^ 2 $ olarak tanımlayın; bu, $ W $ 'ın merkezi 0'ıncı satırı ve 0'ıncı sütununu içerir.
$ W_ {x, y} $ ve ($ w_ {x, y} \ geq 0 $) değerleri gerçekte gözlemlenenlerdir. Merkeze yakın $ (x = 0, y = 0) $ a parlak nesne ilgi çekici bulundu.
Bu nesnenin tahmini ağırlık merkezi $ cog $ şu şekilde hesaplanır: $$ \ widehat {cog} (x, y) = \ left (\ dfrac {\ sum_ {x, y} \; x \, w_ {x, y}} {\ sum_ {x, y} \; w_ {x, y}}, \ dfrac {\ sum_ {x, y} \; y \, w_ {x, y}} {\ toplamı {x, y} \; w_ {x, y}} \ right) $$ $ x $ ve $ y $, $ W $ içindeki her piksel bir toplamın (sigma) hesaplamasına tam olarak bir kez girecek şekilde endeksler çalıştırıyor . $ cog $, ölçüm gürültüsünden etkilenen ölçümdür.
Delta kuralını arka arkaya iki kez kullanarak, bilinen bir gürültü seviyesi verildiğinde çarkın varyansı için genel bir yaklaşık formül türettik.
$ x2 $ 'ı şu şekilde tanımlayın: $$ x2 = \ sum_ {x} \; \ toplam_ {y} \; x ^ 2 $$ ve benzer şekilde $ y2 $ as: $$ y2 = \ sum_ {x} \; \ toplam_ {y} \; y ^ 2 $$ Son olarak, ortalama 'ağırlık' (ortalama piksel yoğunluğu) şu şekilde verilir: $$ \ hat {\ mu} _w = N ^ {- 1} \; \ toplam_ {x} \; \ toplam_ {y} \; w_ {x, y} $$ $ \ widehat {cog} (x) $, tahmini ağırlık merkezini $ x $ koordinatını ve $ \ widehat {cog} (y) $ tahmini ağırlık merkezini $ y $ - koordinat.
$ \ widehat {cog} (x) $ ve $ \ widehat {cog} (y) $ için MLE'den türetilmiş varyans tahminleri şöyledir: $$ \ text {var} (\ widehat {cog } (x)) = \ left (\ frac {\ sigma ^ 2 \; x2} {\ left [N \; \ hat {\ mu} _w \; \ widehat {cog} (x) \ right] ^ 2} + \ frac {\ sigma ^ 2} {N \; (\ hat {\ mu} _w) ^ 2} \ sağ) \; (\ widehat {cog} (x)) ^ 2 $$ ve $$ \ text {var} (\ widehat {cog} (y)) = \ left (\ frac {\ sigma ^ 2 \; y2} {\ left [N \; \ hat {\ mu} _w \; \ widehat {cog} (y) \ right] ^ 2} + \ frac {\ sigma ^ 2} {N \; (\ hat {\ mu} _w) ^ 2} \ sağ) \; (\ widehat {cog} (y)) ^ 2 $$ Görünüşe göre gerçek dişli tam olarak $ (0,0) $ olduğunda, dişli için limit (basitleştirilmiş) formüller varyans tutma: $$ \ lim_ {cog (x) \ to 0} \; \; \ lim_ {cog (y) \ ila 0} \; \ text {var} (\ widehat {cog} (x)) = \ frac {\ sigma ^ 2 \; x2} {(N \; \ hat {\ mu} _w) ^ 2} $$ ve $$ \ lim_ {cog (x) \ to 0} \; \; \ lim_ {cog (y) \ ila 0} \; \ text {var} (\ widehat {cog} (y)) = \ frac {\ sigma ^ 2 \; y2} {(N \; \ hat {\ mu} _w) ^ 2} $$, dış parantez içindeki ikinci (toplamsal) varyans terimi olarak kaybolur.
Yakın zamandaki simülasyonlarım, gerçek varyansın 95 $ \% $ 'dan fazlasının burada gösterildiği gibi tanımlanmamış varyans formülünden kaynaklandığını gösteriyor. Bu simülasyon sonucu, gerçek cog
merkezi konumdan $ (0,0) $ birden fazla koordinat saptığında da geçerlidir.
Varyans tahmininin doğruluğunu gösteren simülasyon grafiği bu yanıta önümüzdeki günlerden biri eklenebilir.
Çarpımlı gürültü
Poisson gürültüsü CCD kameralarda meydana gelir, etkisi özellikle görüntü yoğunluğunun çok karanlık alanlardan gerçekten parlak olanlara gradyan geçişleri. Poisson gürültüsünün büyüklüğünün sinyal yoğunluğu ile orantılı olduğu bilinmektedir. Bu durumda, gözlemlenen görüntüde çarpımsal gürültü mevcuttur: $$ w_ {x, y} = {\ bf w} _ {x, y} \, \, \ cdot \ alpha \, \ cdot \, \ epsilon $$, $ \ alpha $ bir orantı sabiti ve $ \ epsilon $ normal dağıtılan gürültü terimi (bu, orta derecede $ w_ {i, j} >0 $ için bir Poisson dağılımına iyi yaklaşır). >
Basit bir $ \ ln (\ cdot) $ dönüşümü gerçekleştirmek, $ lw_ {i, j} = \ ln (w_ {i, j}) $, katkı gürültü. Ardından, dişli varyans tahmin aracı $ lw $-resmine uygulanabilir.