Advanced Image Processing - Texture Synthesis
Textures
Cela peut etre regulier et deterministe ou bien totalement aléatoire.
Texture synthesis
Partir d’une petite image represantant une texture et en créer une plus grande perceptuellement similaire.
Aproaches
- Physical simulation, on vient créer des modeles physiques qui represente nos textures pour les reconstruires.
- Parametric feature matching. On calcul sur l’image d’example une distribution des couleurs pour reconstruire une image plus grande qui possede les mêmes distributions.
- Non parametrix synthesis. B&sé sur les chaines de markov et les patch. Pour reconstruire un pixel, on regarde ce qu’il y a autour pouis on regarde dans l’image d’origine pour retrouver ce qui ressemble le plus.
Markov chain
Definition
- On a une séquence de n variables a léatoires.
- \(x _t\) etat au temps t de la variable.
- Markov assumption : chaque état ne depends que des états précedents.
Digital Image Completion
Diffusion
Isotropic diffusion : heat equation
// add equation
- \(I _0 E \omega\) is the input image
- \(\Delta\) id the gradient of the image // add formula
- div is the divergence operator // add formula
- \(laplacian\) is the Laplacian operator // add formula
Anisotropic diffusion
// add equation
- c is an increasing function, controlling the amount of smoothing applied at pixel (x, y)