5.4 模擬與討論 (Simulation and Results)
5.4.1 模擬結果
5.4.1.2 實驗第二部份：特徵點個數對於合成結果的影響與 PSNR 表現
本章節我們將會調整演算法內部參數使得調整擷取特徵點的個數，並採用 MPEG 測試影像所提供的景深圖，觀察 4.2 節所提出的 TBTW 演算法與本章節 提出的 TBDMW 演算法之間的合成結果 PSNR 表現以及合成影像品質。
表 16 演算法在不同特徵點的個數下對於 MEPG 測試影像 “Newspaper＂的 PSNR 曲線變化圖
Test Sequences: Newspaper (GIST)
Feature numbers
Test Sequences: Newspaper (GIST)
Ground truth
999
1420
118
2261
3383
4388
4822
圖 5-29 TBTW 演算法在不同特徵點的數目下對於 MEPG 測試影像 “Newspaper＂
的視點 05 合成目標細部放大圖
Feature numbers
Test Sequences: Newspaper (GIST)
Ground truth
1237
1552
2126
2625
3842
4463
圖 5-30 TBDMW 演 算 法 在 不 同 特 徵 點 的 數 目 下 對 於 MEPG 測 試 影 像
“Newspaper＂的視點 05 合成目標細部放大圖
120
表 17 演算法在不同特徵點的個數下對於 MEPG 測試影像 “Kendo＂的 PSNR 曲線變化圖
Test Sequences: Kendo (Nagoya Univ.)
Feature numbers
Test Sequences: Kendo (Nagoya Univ.)
Ground truth
507
690
1055
1460
1884
2070
圖 5-31 TBTW 演算法在不同特徵點的數目下對於 MEPG 測試影像＂ “Kendo＂
的視點 04 合成目標細部放大圖
Feature numbers
Test Sequences: Kendo (Nagoya Univ.)
Ground truth
563
122
678
986
1389
1790
2050
圖 5-32 TBDMW 演算法在不同特徵點的數目下對於 MEPG 測試影像 “Kendo＂
的視點 04 合成目標細部放大圖
表 18 演算法在不同特徵點的個數下對於 MEPG 測試影像 “Champagne tower＂
的 PSNR 曲線變化圖
Test Sequences: Champagne tower (Nagoya Univ.)
Feature numbers
Test Sequences: Champagne tower (Nagoya Univ.)
Ground truth
603
840
124
1313
1941
2604
2890
圖 5-33 TBTW 演 算 法 在 不 同 特 徵 點 的 數 目 下 對 於 MEPG 測 試 影 像
“Champagne tower＂的視點 40 合成目標細部放大圖
Feature numbers
Test Sequences: Champagne tower (Nagoya Univ.)
Ground truth
1422
1681
1931
2094
2366
3132
圖 5-34 TBDMW 演 算 法 在 不 同 特 徵 點 的 數 目 下 對 於 MEPG 測 試 影 像
“Champagne tower＂的視點 40 合成目標細部放大圖
126
表 19 演算法在不同特徵點的個數下對於 MEPG 測試影像 “Book arrival＂的 PSNR 曲線變化圖
Test Sequences: Book arrival (HHI)
Feature numbers
Test Sequences: Book arrival (HHI)
Ground truth
996
1399
2370
3632
4624
4990
圖 5-35 TBTW 演算法在不同特徵點的數目下對於 MEPG 測試影像 “Book arrival＂的視點 09 合成目標細部放大圖
Feature numbers
Test Sequences: Book arrival (HHI)
Ground truth
1076
128
1264
2314
3206
4859
5931
圖 5-36 TBDMW 演算法在不同特徵點的數目下對於 MEPG 測試影像 “Book arrival＂的視點 09 合成目標細部放大圖
分析與討論
表 20 展示為不同 MPEG 測試影像針對不同的特徵點個數在 PSNR 上的表現，
對於測試影像 “Champagne tower”、 “Kendo”以及 “Book arrival”，新提出的演 算法確實對於整體的 PSNR 有較成長約略 0.4 至 0.8dB 不等。然而，對於 MPEG 測試影像 “Newspaper”而言，PSNR 雖然有不錯的表現，但是與前面章節我們所 提出的演算法比較，影像品質並無明顯差異。
表 20 演算法在不同特徵點個數對於 MPEG 測試影像的 PSNR 表現
Method in Chapter 4: TBTW
Newspaper Champagne tower Kendo Book arrival Feature
Pionts PSNR Feature
Pionts PSNR Feature
Pionts PSNR Feature
Pionts PSNR 999 31.34 603 28.56 507 35.82 996 31.97 1420 31.77 840 29.10 690 36.38 1399 32.56 2261 31.81 1313 29.92 1055 36.61 2370 33.67 3383 31.99 1941 29.93 1460 36.80 3632 34.46 4388 32.16 2604 29.97 1884 36.93 4624 34.61 4822 32.19 2890 30.02 2070 36.99 4990 34.64
Method in Chapter 5: TBDMW
Newspaper Champagne tower Kendo Book arrival Feature 2625 31.87 2094 30.50 1389 37.94 3206 33.79 3842 32.17 2366 30.52 1790 37.42 4859 35.01 4463 31.96 3132 31.06 2050 37.64 5931 35.12
對於所有的測試影像而言，特徵點的個數越多對於 PSNR 的整體表現越佳，
換句話說，三角形的切割數目越多對 PSNR 表現及影像品質越好。然而，三角形 的切割數目若是過於精細則與畫素對畫素映射方式是差不多的，因此 PSNR 數值
130
也有趨於飽和的現象產生。因此發展一個好的評判準則判定整體畫面切割的三角 形個數是門非常重要的研究議題。
表 21 特徵點個數於演算法的運行時間比較表
Test sequences : Newspaper (GIST)
Method in Chapter 4: TBTW Method in Chapter 5 : TBDMW
FeaturePionts
PSNR (dB)
Executive time (sec)
Feature Pionts
PSNR (dB)
Executive time (sec) 對於 MPEG 測試影像 “Newspaper”可以發現只對於紋理部分使用三角形的映射，
並使用 MATLAB 2008a 來模擬實驗過程的運算時間，其計算時間比起使用畫素 對畫素的映射方法多了約 30sec 的時間。從表 21 中可得知，當擷取的特徵點個
數越多，相對於整體的運算量有線性增加的趨勢。以運算資源而言，TBTW 演算 法對於 TBDMW 演算法有較快的運算速度，但以影像品質而言， TBDMW 演算 法對於 TBTW 演算法有較佳的平均 PSNR 表現。因此若可以發展一套好的可靠 性判斷方式判別整體的特徵點個數與運算時間，使得演算法能夠取得一個最佳影 像品質也是門重要的課題。
結論
事實上，畫素對畫素的映射方法對於紋理複雜的區域有十分良好的功效，在 映射的過程中卻耗費大量的運算資源。另一方面，對於 TBTW 演算法而言，對 於紋理複雜的區域而言，三角形的映射結果可能使得合成影像產生紋理模糊的問 題。因此我們改善 TBTW 的方法，只針對景深圖的資訊使用三角形映射，相較 畫素對畫素的映射方式，可以有效的減少運算時間又可以解決 TBTW 演算法造 成的合成品質低落的問題。
以運算資源而言，TBTW 演算法有較快的運算速度，但以影像品質而言，
TBDMW 演算法有較佳的平均 PSNR 表現。因此若可以發展一套判斷準則判別畫 面擷取的特徵點個數以及運算時間，使得演算法既能快速又能達到最佳的影像品 質是門重要的研究課題。
132
針對MPEG所提供四種不同的MPEG測試影像：”Book arrival”、”Champagne tower”、”Newspaper” 以及”Kendo”，觀察合成影像的平均PSNR結果。在合成的 虛擬視點影像中，有時候會出現肉眼觀察測試影像的結果雖然並未較佳，但是