1.9. Aleksandra Piћurica and Wilfried Philips. Multiscale Statistical Image Models and Bayesian Methods // https://telin. ugent. be/~sanja/Papers/MultiscaleSPIE03.pdf.
We discuss different multiscale statistical image models in the framework of Bayesian image denoising. We discuss two important problems in specifying priors for image wavelet coefficients. The first problem is the characterization of the marginal subband statistics. Different existing models include highly kurtotic heavy-tailed distributions, Gaussian scale mixture models and weighted sums of two different distributions. We discuss the choice of a particular prior and give some new insights in this problem. The second problem that we address is statistical modelling of inter - and intrascale dependencies between image wavelet coefficients. Here we discuss the use of Hidden Markov Tree models, which are efficient in capturing inter-scale dependencies, as well as the use of Markov Random Field models, which are more efficient when it comes to spatial (intrascale) correlations. Apart from these relatively complex models, we review within a new unifying framework a class of low-complexity locally adaptive methods, which encounter the coefficient dependencies via local spatial activity indicators.
1.10. Zhong-jie Zhu, Yu-er Wang, Gang-yi Jiang. Unsupervised segmentation of natural images based on statistical modeling // Neurocomputing, Volume 252, 23 August 2017, Pages 95-101. - https://ac. /S0925231217306549/1-s2.0-S0925231217306549-main. pdf?_tid=9d3994ac-de89-11e7-b992-00000aacb361&acdnat=1513007009_e067672b74225a693415af89f825d146
A novel unsupervised scheme for natural image segmentation is proposed aiming to acquire perceptually consistent results. Firstly, comprehensive visual features besides raw color values are extracted, including spatial frequency, contrast sensitivity, color deviation, and so on. Secondly, high correlations among visual features are reduced via principal component analysis (PCA) and the raw image pixels are then converted to a collection of feature vectors in a multi-dimensional feature space. Thirdly, the Gaussian mixture model (GMM) is employed to approximate the class distribution of image pixels and an improved expectation maximization (EM) algorithm is introduced to estimate model parameters. Finally, segmentation results are obtained by grouping of pixels based on the mixture components.
1.11. Statistical modeling for automatic image indexing and retrieval / Baopeng Zhang, Hangzai Luo, Jianping Fan// Neurocomputing, Volume 207, 26 September 2016, Pages 105-119. - https://ac. /S0925231216302946/1-s2.0-S0925231216302946-main. pdf?_tid=af7751fc-ebc9-11e7-a34f-00000aab0f02&acdnat=1514463892_baf688a3eccb285fe5c7f978dc12e22a
In this paper, a statistical modeling algorithm is developed to achieve automatic detection of object classes and image concepts via partial similarity matching. For a given image, its statistical image model is automatically learned by using a finite mixture model to approximate the distribution of its image pixels in the 10-dimensional feature ch statistical image modeling process can also achieve automatic image segmentation implicitly. To achieve more precise matching between the mixture components and the local distributions of the relevant image pixels, an adaptive EM algorithm is developed to simultaneously select the model structure (i. e., the optimal number of mixture components) and estimate the model parameters (i. e., locations and statistical properties of the mixture components) according to the local distributions of the relevant image pixels. For a given image concept or object class of interest, its statistical concept model is automatically learned from the statistical image models for the labeled training images. Finally, similarity matching for automatic detection of object classes and image concepts is treated as a partial model matching problem, i. e., matching between the statistical image model for a given test image and all the statistical concept models for the object classes and image concepts of interest.
1.12. A robust modified Gaussian mixture model with rough set for image segmentation / Zexuan Ji, Yubo Huang, Yong Xia, Yuhui Zheng // Neurocomputing, Volume 266, 29 November 2017, Pages 550-565. – https://ac. /S0925231217309566/1-s2.0-S0925231217309566-main. pdf?_tid=eead97ec-ebd2-11e7-83ee-00000aab0f26&acdnat=1514467864_cf96c4b3facf24a6f3b3013ef27d81bb
Accurate image segmentation is an essential step in image processing, where Gaussian mixture models with spatial constraint play an important role and have been proven effective for image segmentation. Nevertheless, most methods suffer from one or more challenges such as limited robustness to outliers, over-smoothness for segmentations, sensitive to initializations and manually setting parameters. To address these issues and further improve the accuracy for image segmentation, in this paper, a robust modified Gaussian mixture model combining with rough set theory is proposed for image segmentation. Firstly, to make the Gaussian mixture models more robust to noise, a new spatial weight factor is constructed to replace the conditional probability of an image pixel with the calculation of the probabilities of pixels in its immediate neighborhood. Secondly, to further reduce the over-smoothness for segmentations, a novel prior factor is proposed by incorporating the spatial information amongst neighborhood pixels. Finally, each Gaussian component is characterized by three automatically determined rough regions, and accordingly the posterior probability of each pixel is estimated with respect to the region it locates.
1.13. Model-Based Segmentation of Image Data Using Spatially Constrained Mixture Models / ● Can Hu mailto:*****@***edu. cn,● Wentao Fan, mailto: *****@***edu. cn, ● Jixiang Du mailto:*****@***edu. cn, ● Yuchen Zeng // Neurocomputing, Available online 27 December 2017, In Press, Accepted Manuscript . - https://www. /science/article/pii/S0925231217318957; https://doi. org/10.1016/j. neucom.2017.12.033
In this paper, a novel Bayesian statistical approach is proposed to tackle the problem of natural image segmentation. The proposed approach is based on finite Dirichlet mixture models in which contextual proportions (i. e., the probabilities of class labels) are modeled with spatial smoothness constraints. The major merits of our approach are summarized as follows: Firstly, it exploits the Dirichlet mixture model which can obtain a better statistical performance than commonly used mixture models (such as the Gaussian mixture model), especially for proportional data (i. e, normalized histogram). Secondly, it explicitly models the mixing contextual proportions as probability vectors and simultaneously integrate spatial relationship between pixels into the Dirichlet mixture model, which results in a more robust framework for image segmentation. Finally, we develop a variational Bayes learning method to update the parameters in a closed-form expression. The effectiveness of the proposed approach is compared with other mixture modeling-based image segmentation approaches through extensive experiments that involve both simulated and natural color images.
алгебраические модели изображений
Я, собственно, не знаю, что такое «алгебраический подход». Но я предположил, что кроме публикаций с ясным указанием на алгебраичность (таких мало) сюда можно отнести все работы, где изображения комбинируются. Но тогда к ним относятся и те работы, где изображение раскладывается на статистически различающиеся моды, да и вообще – всякая сегментация может быть рассмотрена как алгебраическое комбинирование изображений…(?)
Так или иначе, в эту рубрику попало 5 публикаций, из которых 4 – русскоязычных. Единственная англоязычная статья (китайских авторов) [2.1] предлагает использовать для опознания релевантных изображений наряду с «генеративными» моделями (модели, пописывающие строение релевантных изображений) модели «дистинктивные», описывающие отличия релевантных изображений от посторонних. (Но я не уверен в алгебраичности этой работы). Работа [2.2] явно в заглавии опирается на алгебру, на рассматривает трёхмерные изображения, которые, как я понимаю, выходят за пределы наших задач… В публикациях Штанчаева [2.3 и 2.4] введены алгебраические операции над моделями изображений, но применение операций происходят в рамках «графовых» моделей [2.4]. В работе [2.5] вводится модель изображения, состоящая из нескольких текстур. Особенность модели состоит в том, что каждая текстура задаются независимыми марковскими случайными полями.
Ping Ji, Xianhe Gao, Xueyou Hu. Automatic image annotation by combining generative and discriminant models // Neurocomputing, Volume 236, 2 May 2017, Pages 48-55. - http://www. /science/article/pii/S0925231216313984.Generative model based image annotation methods have achieved good annotation performance. However, due to the problem of “semantic gap”, these methods always suffer from the images with similar visual features but different semantics. It seems promising to separate these images from semantic relevant ones by using discriminant models, since they have shown excellent generalization performance. Motivated to gain the benefits of both generative and discriminative approaches, in this paper, we propose a novel image annotation approach which combine the generative and discriminative models through local discriminant topics in the neighborhood of the unlabeled image. Singular Value Decomposition(SVD) is applied to group the images of the neighborhood into different topics according to their semantic labels. The semantic relevant images and the irrelevant ones are always assigned into different exploiting the discriminant information between different topics, Support Vector Machine(SVM) is applied to classify the unlabeled image into the relevant topic, from which the more accurate annotation will be obtained by reducing the bad influence of irrelevant images. . МАТЕМАТИЧЕСКИЕ МОДЕЛИ ДИНАМИЧЕСКИХ ИЗОБРАЖЕНИЙ НА БАЗЕ ГИПЕРКОМПЛЕКСНЫХ АЛГЕБР // Известия Самарского научного центра Российской академии наук, т.6, No1, 2004. - http://www. ssc. smr. ru/ftp/2004/2004_1_200_209.pdf
В работе рассмотрены модели изображений динамических трехмерных групповых точечных объектов (ГТО) в виде пучка бикватернионных векторов. Рассмотрено линейное пространство бикватернионных пучков. Введены скалярное произведение и евклидовое пространство, а также гильбертово пространство контурных сигналов динамических трехмерных изображений. Рассмотрен изоморфизм алгебры бикватернионов и алгебры комплексных матриц специального вида четвертого порядка. Рассмотрены лоренцевы вращения в пространстве-времени в бикватернионной модели. На основе неприводимых представлений ортогональной группы вводятся базисные функции для спектрального анализа бикватернионных сигналов. Данная работа посвящена вопросам формирования аналитической модели контурного сигнала пространственного изображения динамического объекта, меняющего свои координаты в пространстве с течением времени. Рассмотрены:
Модели контуров изображений
Модели плоских изображений
Модели пространственных изображений
Модели динамических пространственных изображений Применение графовой модели и априорного классификатора для сегментации изображения в задачах распознавания лица человека // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, No2 (2015) http://naukovedenie. ru/PDF/130TVN215.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI: 10.15862/130TVN215
Статья посвящена исследованию априорного классификатора для сегментации изображения, который основан на разрывности и неоднородности изображения. Предложено представление изображения в виде графовой модели и ее использование для сегментации. В статье приведено описание действий над графовой моделью. Описан математический аппарат для предлагаемого классификатора. Опытным путем определена точность классификатора, исходя из таких количественных характеристик как количество ложных срабатываний и количество верных срабатываний. Математическая модель представления изображения в системах распознавания образов // Интернет-журнал «Мир науки». - 2015 No2. - https:///PDF/29TMN215.pdf (доступ свободный).
Статья посвящена математической модели представления изображения позволяющей качественно заменить классическую модель. В статье описывается математический аппарат модели, действия над ними и различные виды модели. Предложенная модель хорошо подходит для представления, фильтрации и сегментации изображения в современных системах распознавания образов. Одно изображение можно представить в разных графовых моделях в зависимости от поставленной задачи. Математический аппарат модели является гибким и встраиваемым в любую систему по необходимости. Графовая модель позволяет сократить вычисления связанные с манипуляциями с каждым пикселем.
Ключевые слова: математическая модель; граф; графовая модель; изображение; фильтрация; сегментация; ограничение графовой модели; наращивание графовой модели.
Определена обобщённая графовая модель изображения. Определены операции: восстановление изображения, ограничение, наращивание, сегментация, разделение.
Следствия и приложения не описаны. Текстурная сегментация изображений на основании марковских случайных полей / – http://tka4.org/materials/lib/Articles-Books/Speech%20Recognition/%D0%A2%D0%B5%D0%BA%D1%81%D1%82%D1%83%D1%80%D0%BD%D0%B0%D1%8F%20%D1%81%D0%B5%D0%B3%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%D0%B7%D0%BE%D0%B1%D1%80%D0%B0%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9%20%D0%BD%D0%B0%20%D0%BE%D1%81%D0%BD%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B8%20%D0%BC%D0%B0%D1%80%D0%BA%D0%BE%D0%B2%D1%81%D0%BA%D0%B8%D1%85.pdf
Вводится модель изображения, состоящего из нескольких текстур. Особенность введенной модели состоит в том, что сегментация и каждая текстура задаются независимыми марковскими случайными полями. Данная модель позволяет избежать каких-либо дополнительных ограничений на рассматриваемые марковские случайные поля, таких, как авторегрессионность или гауссовость. Также рассматриваются возможные постановки задач сегментации, основанные на указанной модели, и исследуются возможности их решения.
тематически ориентированные модели изображений
Большая часть работ нацелена на решение определённых практических задач, и развитые методы тестируются на материале этих задач. В таких работах, естественно считать, что методы и используемые модели изображений ориентированы на задачи определённой тематики. Медико-биологические изображения рассматриваются в работах [3.1, 3.4, 3.5]. Улучшению спутниковых изображений посвящена работа [3.2]. Проблемам анализа изображений документальных источников посвящены работы [3.3 и 3.6]. В работе [3.7] предложена новая модель изображения отпечатка пальца, в состав которой входят геометрические и топологические характеристики. Работы [3.8 и 3.9] посвящены моделированию человеческих лиц и мимики.
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 5 |
