Optimization Techniques in Computer Vision. Ill-posed Problems and Regularization

ویرایش:  
نویسندگان: Mongi A. Abidi,  Andrei V. Gribok,  Joonki Paik  
سری:  
ISBN (شابک) : 9783319463643 
ناشر: Springer 
سال نشر: 2016 
تعداد صفحات: 287 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 28,000

این کتاب تکنیک های بهینه سازی عملی مورد استفاده در پردازش تصویر و مشکلات بینایی کامپیوتری را ارائه می دهد. مسائل بد ارائه شده معرفی شده و به عنوان مثال استفاده می شود تا نشان دهد که چگونه هر نوع مشکل با پردازش تصویر معمولی و مشکلات بینایی کامپیوتری مرتبط است. بهینه‌سازی نامحدود بهترین راه‌حل را بر اساس کمینه‌سازی عددی یک تابع هدف یا تابع هزینه با مقدار اسکالر ارائه می‌دهد. مسائل بهینه سازی نامحدود به شدت مورد مطالعه قرار گرفته اند و الگوریتم ها و ابزارهای زیادی برای حل آنها توسعه یافته اند. با این حال، اکثر مسائل بهینه‌سازی عملی با مجموعه‌ای از محدودیت‌ها به وجود می‌آیند. نمونه‌های معمولی از محدودیت‌ها عبارتند از: (1) محدوده شدت پیکسل از پیش تعیین‌شده، (ب) همواری یا همبستگی با اطلاعات همسایه، (ج) وجود روی خطوط مشخصی از خطوط یا منحنی‌ها، و (IV) مشخصه‌های آماری یا طیفی داده شده راه حل. بهینه سازی منظم روش خاصی است که برای حل یک کلاس از مسائل بهینه سازی محدود استفاده می شود. اصطلاح منظم سازی به تبدیل یک تابع هدف با محدودیت ها به یک تابع هدف متفاوت اشاره دارد که به طور خودکار محدودیت ها را در فرآیند کمینه سازی بدون محدودیت منعکس می کند. به دلیل سادگی و کارایی، بهینه سازی منظم دارای حوزه های کاربردی بسیاری مانند بازیابی تصویر، بازسازی تصویر، تخمین جریان نوری و غیره است.

This book presents practical optimization techniques used in image processing and computer vision problems. Ill-posed problems are introduced and used as examples to show how each type of problem is related to typical image processing and computer vision problems. Unconstrained optimization gives the best solution based on numerical minimization of a single, scalar-valued objective function or cost function. Unconstrained optimization problems have been intensively studied, and many algorithms and tools have been developed to solve them. Most practical optimization problems, however, arise with a set of constraints. Typical examples of constraints include: (i) pre-specified pixel intensity range, (ii) smoothness or correlation with neighboring information, (iii) existence on a certain contour of lines or curves, and (iv) given statistical or spectral characteristics of the solution. Regularized optimization is a special method used to solve a class of constrained optimization problems. The term regularization refers to the transformation of an objective function with constraints into a different objective function, automatically reflecting constraints in the unconstrained minimization process. Because of its simplicity and efficiency, regularized optimization has many application areas, such as image restoration, image reconstruction, optical flow estimation, etc.

Front Matter....Pages i-xv
Front Matter....Pages 1-1
Ill-Posed Problems in Imaging and Computer Vision....Pages 3-27
Selection of the Regularization Parameter....Pages 29-50
Front Matter....Pages 51-51
Introduction to Optimization....Pages 53-67
Unconstrained Optimization....Pages 69-92
Constrained Optimization....Pages 93-110
Front Matter....Pages 111-111
Frequency-Domain Implementation of Regularization....Pages 113-130
Iterative Methods....Pages 131-138
Regularized Image Interpolation Based on Data Fusion....Pages 139-155
Front Matter....Pages 157-157
Enhancement of Compressed Video....Pages 159-177
Volumetric Description of Three-Dimensional Objects for Object Recognition....Pages 179-196
Regularized 3D Image Smoothing....Pages 197-218
Multimodal Scene Reconstruction Using Genetic Algorithm-Based Optimization....Pages 219-247
Back Matter....Pages 249-293