scientific article; zbMATH DE number 427518
approximation of grey scalesconditional densitiesdigital imagesGauss-Seidel iterationGibbs random fieldsimage restaurationiterative Bayes estimationiterative conditional modes methodMarkov random fieldsMetropolis algorithmrecursive linear filteringsimulated annealingtexture models
Bayesian inference (62F15) Random fields; image analysis (62M40) Survival analysis and censored data (62N99) Applications of statistics (62P99) Probabilistic methods, stochastic differential equations (65C99) Iterative numerical methods for linear systems (65F10) Computing methodologies for image processing (68U10)
Ziel dieser Arbeit ist die Erarbeitung schneller, realistischer Restaurierungsverfahren für digitale Bilder auf der theoretischen Basis von Bayes-Statistik und Markoff-Feldern. Dabei wird Wert auf die Herstellung von Zusammenhängen zu bestehenden Verfahren gelegt, um Beiträge zur Vereinheitlichung der Theorie der digitalen Bildanalyse zu leisten. Die in der vorliegenden Arbeit aufgeführten Modelle zur Restaurierung digitaler Bilder zeichnen sich durch die Einführung von Kantenelementen aus, die zwischen den Bildelementen angeordnet sind. In der Literatur bekannte Modelle werden erweitert und als neue Ansätze das Modell mit lokaler linearer Approximation der Grauwerte und eine Möglichkeit zur Verbesserung der Vorinformation über Kantenelemente entwickelt. Durch die Einführung reellwertiger Kantenelemente werden insbesondere in Verbindung mit der lokalen linearen Approximation der Grauwerte Restaurierungen hoher Qualität erreicht, wie Beispiele zeigen. Unter den numerischen Verfahren zur Berechnung der Schätzwerte der Restaurierungsmodelle erweist sich die iterative Bayes-Schätzung als sehr schnell. In dieser Arbeit gelingt für Markoff-Felder der Nachweis der Identität dieses Verfahrens mit der iterativen Bayes-Schätzung anhand der bedingten Dichte, so daß die Verbindung zur bekannten ICM (``iterated conditional modes)-Methode hergestellt ist. Die Anwendung des Erwartungswertschätzers auf die Kantenelemente erlaubt eine effektive Modellierung reellwertiger Kantenelemente unter Umgehung zeitintensiver Verfahren wie numerischer Integration. In der vorliegenden Arbeit wird gezeigt daß die iterative Bayes-Schätzung unter bestimmten Bedingungen äquivalent zum bekannten Gauß-Seidel- Verfahren zur iterativen Lösung linearer Gleichungssysteme ist. Dies liefert ein neues Argument bei der Gegenüberstellung stochastischer Berechnungsverfahren und der iterativen Bayes-Schätzung. Die in der Arbeit vorgestellten Restaurierungsmodelle sind theoretisch fundiert. Ihre theoretischen Grundlagen sind sehr allgemein, wie die Zusammenhänge zu anderen Verfahren der Bildrestaurierung zeigen. So lassen sich die lineare Filterung, die Wiener-Filterung, die inverse Filterung und die Filterung mit Randbedingungen als Spezialfälle interpretieren. In Verbindung mit der Äquivalenz der Gauß-Seidel- Iteration und der iterativen Bayes-Schätzung liefert der Zusammenhang zur linearen Filterung neue Aspekte zur Theorie der rekursiven linearen Filterung. Die Aufarbeitung der Theorie der Zufallsfelder und die Vorgehensweise bei der Entwicklung der Restaurierungsmodelle kann Grundlage für weitere Restaurierungs-, aber auch Texturmodelle sein. Insbesondere die Texturerkennung und die texturorientierte Bildsegmentierung sind Arbeitsfelder, auf denen die Markoff-Felder und die Bayes-Statistik genutzt werden können.
- Iterated conditional modes for inverse dithering
- Bayesian image restoration, with two applications in spatial statistics (with discussion)
- Robust priors for smoothing and image restoration
- Image restoration
- Restoration of digital images of the alphabet by using Ising models
- Computing the success factors in consistent acquisition and recognition of objects in color digital images by explicit preconditioning
- On the use of particle filters for Bayesian image restoration
- Bayesian image restoration via varying neighborhood structure
- Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images
- Bayes Smoothing Algorithms for Segmentation of Binary Images Modeled by Markov Random Fields
- scientific article; zbMATH DE number 3986503 (Why is no real title available?)
- A contribution to the study of Markovian degraded images: An extension of a theorem by Geman and Geman
- Markov modeling for Bayesian restoration of two-dimensional layered structures
- Statistical-mechanical approach to image processing
- Probabilistic, Iterated and Quantum-Iterated Computational Methods in Gray-Level Image Restoration
- Bayesian image restoration for mosaic active imaging
- scientific article; zbMATH DE number 774830 (Why is no real title available?)
- Fully Bayesian Approach to Image Restoration with an Application in Biogeography
- Probabilistic image processing by means of the Bethe approximation for theQ-Ising model
- Reconstruction of gray-scale images
This page was built for publication:
Report a bug (only for logged in users!)Click here to report a bug for this page (MaRDI item Q3137306)