Modelo del sistema visual humano: Comprender la percepción y el procesamiento

Por Fouad Sabry

¿Qué es el modelo del sistema visual humano?

Los expertos en procesamiento de imágenes, procesamiento de vídeo y visión por computadora utilizan un modelo del sistema visual humano para abordar problemas biológicos y psicológicos. procesos que aún no se comprenden completamente. Se utiliza un ejemplo de tal modelo para simplificar los comportamientos de un sistema que es extremadamente complejo. Cada vez que hay una mejora en nuestra comprensión del sistema visual real, el modelo se actualiza.

Cómo se beneficiará

(I) Insights y validaciones sobre los siguientes temas:

Capítulo 1: Modelo del sistema visual humano

Capítulo 2: Compresión de datos

Capítulo 3: Compresión de imágenes

Capítulo 4: Codificación de transformación

Capítulo 5: Ilusión óptica

Capítulo 6: Submuestreo de croma

Capítulo 7: Artefacto de compresión

Capítulo 8: Escala de grises

Capítulo 9: Mapeo de tonos

Capítulo 10: Modelo de apariencia de color

(II) Respondiendo a las principales preguntas del público sobre el modelo del sistema visual humano.

(III) Ejemplos del mundo real para el uso del modelo del sistema visual humano en muchos campos.

Para quién es este libro

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básica para cualquier tipo de Modelo de Sistema Visual Humano.

 

 

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 6 may 2024

Vista previa del libro

Capítulo 1: Modelo del sistema visual humano

Los expertos en los campos del procesamiento de imágenes, el procesamiento de video y la visión por computadora emplean un modelo del sistema visual humano (modelo HVS) para dar cuenta de los procesos biológicos y psicológicos que aún no se comprenden bien. Un modelo de este tipo se emplea para reducir la complejidad del comportamiento del sistema. El modelo se revisa a medida que crece nuestra comprensión del sistema visual real.

El análisis de la percepción visual se conoce como investigación psicovisual..

Es posible manipular la percepción y la visión utilizando un modelo del sistema visual humano. La televisión en color, la compresión con pérdida y la televisión de tubo de rayos catódicos (CRT) son aplicaciones del paradigma HVS.

Alguna vez se creyó que los requisitos de ancho de banda de la televisión en color eran demasiado grandes para la tecnología existente. Se descubrió que la resolución de color del HVS era mucho más baja que su resolución de brillo, lo que significaba que el submuestreo de croma podría usarse para exprimir más color en la señal.

Los formatos de compresión de imágenes con pérdidas, como JPEG, son otro ejemplo. De acuerdo con nuestro modelo HVS, no podemos distinguir detalles de alta frecuencia; como resultado, JPEG nos permite cuantificar estas piezas sin una caída notable en la calidad. El filtrado de parada de banda se utiliza en la compresión de audio para eliminar las frecuencias que los humanos no pueden escuchar.

Durante nuestro pasado evolutivo, cuando los humanos teníamos que protegernos o buscar alimento, adaptamos varios aspectos del HVS. Las propiedades HVS se muestran con frecuencia en ilusiones ópticas.

Debido a la escasez de varillas, el ojo humano funciona como un filtro de paso bajo. para ver las bandas de Mach

Resolución de color inaceptable (menos conos en el ojo humano que bastones)

Sensibilidad al movimiento

Mayor sensibilidad al entorno

Ver un animal camuflado tiene un efecto mucho más profundo que simplemente sentir su textura.

Se puede poner más énfasis en la textura que en la disparidad en 3D.

Reconocimiento facial incorporado (los bebés sonríen a las caras)

Una profundidad de cara invertida de apariencia normal (los rasgos faciales anulan la información de profundidad)

Incluso con la boca y los ojos al revés, la cara invertida parece normal.

El cine y la televisión utilizan el parpadeo a altas frecuencias para engañar al espectador y hacer que perciba una imagen continua explotando la persistencia de la visión.

Con el fin de crear la ilusión de una frecuencia de parpadeo más alta, los televisores entrelazados pintan medias imágenes.

Difusión de color (crominancia a la mitad de la resolución de la luminancia correspondiente a las proporciones de bastones y conos en el ojo)

Comprimir una imagen (difícil de ver, las frecuencias más altas se cuantifican con mayor dureza)

Estimación del movimiento (usar luminancia e ignorar color)

Marca de agua y esteganografía

{Fin del capítulo 1}

Capítulo 2: Compresión de datos

En la teoría de la información, la compresión de datos, la codificación de fuentes y otros campos relacionados: En el lenguaje común, un dispositivo que participa en el proceso de compresión de datos se conoce como codificador, mientras que un dispositivo que se involucra en el proceso inverso, es decir, la descompresión, se conoce como decodificador.

La compresión de datos es el proceso de reducir el tamaño de un archivo de datos y es un término que se usa con bastante frecuencia. La codificación de origen es un proceso de codificación que tiene lugar en el origen de datos original, antes de que los datos se almacenen o transfieran. Este proceso se conoce en el contexto de la transmisión de datos. Es importante no confundir la codificación de origen con otros tipos de codificación, como la codificación de canal, que se utiliza para la detección y corrección de errores, o la codificación de línea, que es un método para asignar datos a una señal.

La compresión de datos es beneficiosa, ya que reduce la cantidad de espacio y ancho de banda necesarios para almacenar y transferir información. Los procedimientos de compresión y descompresión necesitan una cantidad significativa de recursos computacionales. El equilibrio entre la complejidad del espacio-tiempo es algo que debe tenerse en cuenta al comprimir los datos. Por ejemplo, un método de compresión de vídeo puede requerir hardware costoso para que el vídeo se descomprima lo suficientemente rápido como para verlo mientras se descomprime. Además, la opción de descomprimir completamente el video antes de verlo puede ser un inconveniente o requerir espacio de almacenamiento adicional. Al diseñar esquemas de compresión de datos, los diseñadores deben hacer concesiones entre una serie de factores diferentes. Estos factores incluyen el nivel de compresión alcanzado, la cantidad de distorsión que se introduce (cuando se utiliza la compresión de datos con pérdida) y la cantidad de recursos computacionales que se necesitan para comprimir y descomprimir los datos.

Para representar los datos sin perder ninguna información en el proceso, los métodos de compresión de datos sin pérdidas suelen hacer uso de la redundancia estadística. Esto asegura que el proceso pueda revertirse. Debido a que la gran mayoría de los datos en el mundo real tienen redundancia estadística, la compresión sin pérdidas es factible. Por ejemplo, una imagen puede incluir parches de color que no cambian en el transcurso de varios píxeles; En este caso, los datos pueden registrarse como 279 píxeles rojos en lugar de la notación tradicional de píxel rojo, píxel rojo,... Esta es una ilustración fundamental de la codificación de longitud de ejecución; Hay muchos más métodos para disminuir el tamaño de un archivo eliminando la información redundante.

Las técnicas de compresión como Lempel-Ziv (LZ) se encuentran ahora entre los algoritmos más utilizados para el almacenamiento de datos sin pérdidas. Las entradas de tabla se reemplazan por cadenas de datos repetidas en la técnica de compresión LZ, que es un modelo de compresión basado en tablas. Esta tabla se crea dinámicamente para la gran mayoría de los algoritmos de LZ mediante el uso de datos de etapas anteriores de la entrada. La mayoría de las veces, la tabla en sí está codificada en Huffman. Los códigos basados en la gramática como este son capaces de comprimir con éxito entradas sustancialmente repetitivas, como una colección de datos biológicos de la misma especie o casi relacionada, una colección masiva de documentos versionados, archivos de Internet, etc. La construcción de una gramática libre de contexto que derive una sola cadena es la tarea fundamental de los sistemas de codificación basados en la gramática. Sequitur y Re-Pair son otras dos técnicas para comprimir la gramática que tienen aplicaciones prácticas.

Los modelos probabilísticos, como la predicción por coincidencia parcial, se utilizan en los compresores sin pérdidas más potentes desarrollados en los últimos tiempos. El modelado estadístico indirecto es otra forma de pensar en la transformada de Burrows-Wheeler, que también puede considerar.

Casi al mismo tiempo que las fotos digitales se generalizaban a finales de la década de 1980, se desarrollaron los primeros estándares para la compresión de imágenes sin pérdidas. A principios de la década de 1990, las técnicas de compresión con pérdida comenzaron a ser más comunes. Estas distinciones perceptivas son utilizadas por una