Image Segmentation and Compression Using Hidden Markov Models

در عصر کنونی فناوری اطلاعات، مسائل مربوط به توزیع و استفاده کارآمد و مؤثر از تصاویر از دغدغه های اساسی است. راه‌حل‌های بسیاری از مشکلات ناشی از این مسائل با تکنیک‌های پردازش تصویر ارائه می‌شود که از میان آنها تقسیم‌بندی و فشرده‌سازی موضوعات این کتاب است.
تقسیم‌بندی تصویر فرآیندی برای تقسیم یک تصویر به بخش‌های تشکیل‌دهنده آن است. برای تقسیم‌بندی مبتنی بر بلوک با استفاده از طبقه‌بندی آماری، یک تصویر به بلوک‌ها تقسیم می‌شود و یک بردار ویژگی برای هر بلوک با گروه‌بندی آمار شدت پیکسل‌های آن تشکیل می‌شود. الگوریتم‌های تقسیم‌بندی مبتنی بر بلوک مرسوم، هر بلوک را جداگانه طبقه‌بندی می‌کنند، با فرض استقلال بردارهای ویژگی.
تقسیم‌بندی و فشرده‌سازی تصویر با استفاده از مدل‌های پنهان مارکوف الگوریتم جدیدی را ارائه می‌کند که وابستگی آماری بین بلوک‌های تصویر را با دو مدل مدل می‌کند. مدل های مارکوف پنهان بعدی (HMM). فرمول های تخمین مدل با توجه به معیار حداکثر درستنمایی از الگوریتم EM مشتق شده اند. برای تقسیم‌بندی یک تصویر، کلاس‌های بهینه به طور مشترک برای همه بلوک‌ها با حداکثر قانون پسینی (MAP) جستجو می‌شوند. HMM 2-D به وضوح چندگانه گسترش یافته است به طوری که اطلاعات زمینه بیشتری در طبقه بندی مورد بهره برداری قرار می گیرد و می توان طرح های تقسیم بندی سریع پیش رونده را به طور طبیعی شکل داد.
دومین موضوعی که در این کتاب به آن پرداخته می شود، طراحی سیستم های فشرده سازی و طبقه بندی مشترک با استفاده از 2 بعدی HMM و کوانتیزاسیون برداری. طبقه‌بندی‌کننده‌ای که با هدف جانبی فشرده‌سازی خوب طراحی شده است، اغلب از طبقه‌بندی‌ای که صرفاً هدف آن طبقه‌بندی است، بهتر عمل می‌کند، زیرا تطابق بیش از حد با داده‌های آموزشی توسط کوانتیزاسیون برداری سرکوب می‌شود.
تقسیم‌بندی و فشرده‌سازی تصویر با استفاده از مدل‌های مارکوف پنهان یک امر ضروری است. منبع مرجع برای محققان و مهندسین شاغل در پردازش سیگنال های آماری یا پردازش تصویر، به ویژه کسانی که به مدل های پنهان مارکوف علاقه مند هستند. همچنین برای کسانی که روی مدل‌سازی آماری کار می‌کنند، ارزشمند است.

In the current age of information technology, the issues of distributing and utilizing images efficiently and effectively are of substantial concern. Solutions to many of the problems arising from these issues are provided by techniques of image processing, among which segmentation and compression are topics of this book.
Image segmentation is a process for dividing an image into its constituent parts. For block-based segmentation using statistical classification, an image is divided into blocks and a feature vector is formed for each block by grouping statistics of its pixel intensities. Conventional block-based segmentation algorithms classify each block separately, assuming independence of feature vectors.
Image Segmentation and Compression Using Hidden Markov Models presents a new algorithm that models the statistical dependence among image blocks by two dimensional hidden Markov models (HMMs). Formulas for estimating the model according to the maximum likelihood criterion are derived from the EM algorithm. To segment an image, optimal classes are searched jointly for all the blocks by the maximum a posteriori (MAP) rule. The 2-D HMM is extended to multiresolution so that more context information is exploited in classification and fast progressive segmentation schemes can be formed naturally.
The second issue addressed in the book is the design of joint compression and classification systems using the 2-D HMM and vector quantization. A classifier designed with the side goal of good compression often outperforms one aimed solely at classification because overfitting to training data is suppressed by vector quantization.
Image Segmentation and Compression Using Hidden Markov Models is an essential reference source for researchers and engineers working in statistical signal processing or image processing, especially those who are interested in hidden Markov models. It is also of value to those working on statistical modeling.