Markov Random Fields in Image Segmentation
A Markov véletlen mezők a képszegmentálásban bevezetést nyújt a Markov-modellezés alapjaiba a képszegmentálásban, valamint rövid áttekintést nyújt a terület legújabb eredményeiről. A szegmentálást egy képcímkézési keretben fogalmazzuk meg, ahol a probléma a pixelek címkézésére korlátozódik.
A valószínűségi megközelítésben a címkék függőségét Markov véletlenszerű mezőkkel (MRF) modellezzük, és az optimális címkézést Bayes-féle becsléssel, különösen a maximum a posteriori (MAP) becsléssel határozzuk meg. Az MRF-modellek fő előnye, hogy az előzetes információ lokálisan, a klikkpotenciálokon keresztül adható meg. Az MRF modellek általában nem konvex energiafüggvényt eredményeznek.
E függvény minimalizálása kulcsfontosságú az MRF-modell szerinti legvalószínűbb szegmentáció megtalálásához. A klasszikus optimalizálási algoritmusokat, köztük a szimulált lágyítás és a determinisztikus relaxáció mellett az újabb gráfvágás-alapú algoritmusokat is tárgyaljuk.
A monográfia elsődleges célja, hogy bemutassa egy könnyen alkalmazható MRF szegmentációs modell felépítésének alapvető lépéseit, és továbbfejlessze annak többskálás és hierarchikus megvalósításait, valamint ezek kombinációját egy többrétegű modellben. A távérzékelésből és a biológiai képalkotásból származó reprezentatív példákat teljes részletességgel elemezzük, hogy illusztráljuk ezen MRF-modellek alkalmazhatóságát.
Továbbá kiegészítő szoftverként a legfontosabb szegmentálási algoritmusok mintaimplementációja is rendelkezésre áll. A Markov Random Fields in Image Segmentation felbecsülhetetlen értékű forrás minden olyan hallgató, mérnök vagy kutató számára, aki a képszegmentáláshoz használt Markov-modellezéssel foglalkozik.