0

作为我们最终设计项目的一部分，我们必须设计一个 Gibbs 采样器来对图像进行降噪。我们选择使用 Metropolis 算法而不是常规的 Gibbs 采样器。该算法的粗略草图如下，所有像素都是0-255灰度值。此外，我们使用简单的平滑先验分布。

main()
    get input image as img
    originalImg = img
    for k = 1 to 1000
        beta = 3/log(1+k)
        initialEnergy = energy(img,originalImg)
        for i = 0 to imageRows
            for j = 0 to imageCols
                img[i][j] = metropolisSample(beta,originalImg,img,initialEnergy,i,j)


energy(img,originalImg)
    for i = 1 to imageRows
        for j = 1 to imageCols
            ans += (img[i][j] - originalImg[i][j])^2 / (255*255)
            ans += (img[i][j] - image[i][j+1])^2 / (255*255)
            ans += (img[i][j] - image[i][j-1])^2 / (255*255)
            ans += (img[i][j] - image[i+1][j])^2 / (255*255)
            ans += (img[i][j] - image[i-1][j])^2 / (255*255)
    return ans


metropolisSample(beta,originalImg,img,initialEnergy,i,j)
    imageCopy = img
    imageCopy[i][j] = random int between 0 and 255
    newEnergy = energy(imageCopy,originalImg)
    if (newEnergy < initialEnergy)
        initialEnergy = newEnergy
        return imageCopy[i][j]
    else
        rand = random float between 0 and 1 
        prob = exp(-(1/beta) * (newEnergy - initialEnergy))
        if rand < prob
            initialEnergy = newEnergy
            return imageCopy[i][j]
        else
            return img[i][j]

这几乎就是该程序的要点。我的问题是在我计算概率的步骤中

prob = exp(-(1/beta) * (newEnergy - initialEnergy))

能量差异如此之大，以至于概率几乎总是为零。减轻这种情况的正确方法是什么？我们也尝试过 Gibbs 抽样方法，但我们遇到了类似的问题。Gibbs 采样器代码如下。我们不使用 metropolisSample，而是使用 gibbsSample

gibbsSample(beta,originalImg,img,initialEnergy,i,j)
    imageCopy = img
    sum = 0
    for k = 0 to 255
        imageCopy[i][j] = k
        energies[k] = energy(imageCopy,originalImg)
        prob[k] = exp(-(1/beta) * energies[k])
        sum += prob[k]

    for k = 0 to 255
        prob[k] / sum

    for k = 1 to 255
        prob[k] = prob[k-1] + prob[k] //Convert our PDF to a CDF

    rand = random float between 0 and 1
    k = 0
    while (1)
        if (rand < prob[k])
            break
        k++
    initialEnergy = energy[k]
    return k

我们在这个实现中也遇到了类似的问题。当我们计算

prob[k] = exp(-(1/beta) * energies[k])

我们的能量如此之大，以至于我们的概率都归零。从理论上讲，这应该不是问题，因为我们将它们全部相加，然后除以总和，但浮点表示不够准确。什么是解决这个问题的好方法？

4

2 回答 2

1

我对你的具体问题一无所知，但我的第一反应是扩展能量。您的像素在 0..255 的范围内，这是任意的。如果像素是 0 到 1 之间的分数，您将得到非常不同的结果。

如果能量单位是像素^2，请尝试将能量除以 256^2。否则，请尝试除以 256。

此外，鉴于数据是完全随机的，可能存在非常高的能量，实际上不应该有很高的概率。

我对您的问题缺乏了解可能导致无用的答案。如果是这样，请忽略它。

于 2017-03-14T22:15:52.433 回答
0

我认为 Ising 模型中 Gibbs 采样的概率应该是

p = 1 / (1 + np.exp(-2 * beta * Energy(x,y)))
于 2018-11-30T20:54:14.193 回答