Strukturelle Modelle in der Bildverarbeitung MRF-s, Gibbs Sampling D. Schlesinger – TUD/INF/KI/IS D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 1 / 9 MRF D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 2 / 9 MRF Graph G = (R, E), K – Labelmenge, F – Menge der Farben (Beobachtungen) y : R → K – Labelling, y ∈ Y, x : R → F – Färbung, x ∈ X Ein elementares Ereignis ist ein Paar (x, y) Die (negative) Energie: E(x, y) = X grr 0 (yr , yr 0 ) + rr 0 ∈E Die Wahrscheinlichkeit: p(x, y) = X qr (xr , yr ) r∈R 1 exp −E(x, y) Z Partition Funktion: Z = X exp −E(x, y) x∈X ,y∈Y Im Gegensatz zu Ketten sind keine Parametrisierungen mit z.B. p(yr |yr 0 ) möglich. Es gibt viele Parametrisierungen desselben Modells mit verschiedenen q und g Ein „Kamm“-Modell („Zaun“ wäre nicht sinnvoll) D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 3 / 9 Inferenz Entscheidungsmenge D (oft = Y). Entscheidungsstrategie e : X → D Kostenfunktion C : Y × D → R bestraft die Abweichung der Entscheidung d ∈ D vom „wahren“ Labelling y ∈ Y Minimieren des Bayesschen Risikos (d.h. des Erwartungswertes der Strafe): R e(x) = X p(x, y) · C y, e(x) → min e y Spezialfall D = Y, C (y, d) = 1I(y 6= d) → Maximum Aposteriori Entscheidung e(x) = y ∗ = arg maxy p(x, y) Für MRF-s: arg max p(x, y) = arg min E(x, y) = y y hX = arg min y grr 0 (yr , yr 0 ) + rr 0 ∈E X i qr (xr , yr ) r∈R (Energieminimierung) D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 4 / 9 Inferenz Additive Kostenfunktionen C (y, d) = P c(yr , dr ) r R(d) = X p(x, y) · X c(yr , dr ) → min d r y Summationen tauschen, marginalisieren ... XX p(x, yr =k) · c(k, dr ) → min d r k 1) Berechne die marginalen Wahrscheinlichkeiten X p(x, yr =k) = p(x, y) ∼ y:yr =k X exp −E(x, y) ∀r, k y:yr =k 2) Entscheide für jeden Knoten (unabhängig) X p(x, yr =k) · c(k, dr ) → min k ∀r dr Spezialfall: D = Y, c(k, d) = 1I(k6=d) → MaxMarginal Entscheidung dr = arg maxk p(x, yr =k) D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 5 / 9 Sampling Berechnung der marginalen Wahrscheinlichkeiten – allgemeines SumProd Problem :-( Die Idee: statt über alle Labellings zu summieren, würfelt man eine „Stichprobe“ → die Wahrscheinlichkeiten werden durch Häufigkeiten ersetzt. Beispiel: eine diskrete Variable x ∈ {1, 2, 3, 4, 5, 6}, p(x) = (0.1, 0.2, 0.4, 0.05, 0.15, 0.1) Algorithmus: Input – Wahrscheinlichkeitsverteilung p(x), Output – gewürfelten Wert von x a[1] = p[1] for i=2 bis n a[i] = a[i−1] + p[i] r = rand[0, 1] for i = 1 bis n if a[i] > r return i D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 6 / 9 Sampling, vektorielle Zufallsvariable Aufgabe – würfele ein x = (x1 , x2 . . . xm ) aus p(x) Problem: p(x) ist nicht explizit angegeben Ausweg: – Man beginnt mit einem x 0 – Man würfele den neuen x t+1 „komponentenweise“ aus bedingten t t t ) Wahrscheinlichkeitsverteilungen p(xi |x1t . . .xi−1 , xi+1 . . .xm – Dies wird oft für alle i (Komponenten) wiederholt Nach eine weile solches Würfelns (unter Umständen): – x n hängt von x 0 nicht ab – x n gehorcht der Wahrscheinlichkeitsverteilung p(x) D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 7 / 9 Gibbs Sampling Für MRF-s lassen sich die bedingten Wahrscheinlichkeitsverteilungen einfach berechnen!!! Markovsche Eigenschaft: p(yr |yR\r ) = p(yr |yN (r) ) (unter der Bedingung der Labels in den Nachbarknoten, N (r) – Nachbarschaft) h p(yr =k|yN (r) ) ∼ exp −qr (k) − X i grr 0 (k, yr 0 ) r 0 ∈N (r) Relation zu ICM: – Bei ICM werden die „bedingten“ Energien berechnet und das günstigste Label gewählt – Bei Gibbs Sampling wird entsprechend den bedingten Wahrscheinlichkeiten gewürfelt D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 8 / 9 Gibbs Sampling – Gibbs Sampling ist ein Spezialfall des Markov Chain Monte-Carlo (MCMC) – gibt exakte Wahrscheinlichkeiten (nur) bei t → ∞ – ein Nachteil – so-genannte „Burn-in“ Phase: – wie lange muss gewürfelt werden, damit x n von x 0 unabhängig ist? → bei komplizierten Modellen ziemlich zeitaufwendig oder sogar gar nicht möglich Literatur: Geman & Geman: Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images, PAMI 1984 Demo: http://www1.inf.tu-dresden.de/~ds24/rtsegm/rtsegm.html D. Schlesinger () SMBV: MRF-s, Gibbs Sampling 9 / 9