Stochastic Image Processing

پردازش تصویر تصادفی اولین بررسی کامل فیلدهای تصادفی مارکوف و پنهان مارکوف و کاربرد آنها در پردازش تصویر را ارائه می‌کند. اگرچه برای بیش از سی سال به عنوان یک رویکرد امیدوارکننده ترویج شده است، اما تنها در چند سال گذشته است که این نظریه و الگوریتم‌ها به حدی رسیده‌اند که راه‌حل‌های مفیدی برای مشکلات قدیمی و جدید در پردازش تصویر ارائه کنند. میدان‌های تصادفی مارکوف گسترش چند بعدی زنجیره‌های مارکوف هستند، اما تعمیم به دلیل فقدان ترتیب طبیعی پیکسل‌ها در فضاهای چند بعدی پیچیده است. میدان‌های مارکوف مخفی تعمیم طبیعی مدل‌های مارکوف پنهان هستند که برای توسعه تشخیص گفتار مدرن ضروری هستند، اما باز هم ماهیت چند بعدی سیگنال‌ها باعث می‌شود که پردازش آنها ذاتاً پیچیده‌تر شود. این پیچیدگی اضافه به زمان طولانی مورد نیاز برای توسعه روش ها و برنامه های کاربردی موفق کمک کرد. این کتاب انواع رویکردهای موفق برای توصیف کامل و مفید مدل‌های مارکوف چند بعدی و مارکوف پنهان را همراه با کاربردهایی برای تجزیه و تحلیل تصویر گردآوری می‌کند. این کتاب یک بررسی و توسعه مقایسه ای یک زمینه هیجان انگیز و به سرعت در حال تحول از میدان های تصادفی چند بعدی مارکوف و مارکوف پنهان را با ارجاعات گسترده به ادبیات ارائه می دهد.

Stochastic Image Processing provides the first thorough treatment of Markov and hidden Markov random fields and their application to image processing. Although promoted as a promising approach for over thirty years, it has only been in the past few years that the theory and algorithms have developed to the point of providing useful solutions to old and new problems in image processing. Markov random fields are a multidimensional extension of Markov chains, but the generalization is complicated by the lack of a natural ordering of pixels in multidimensional spaces. Hidden Markov fields are a natural generalization of the hidden Markov models that have proved essential to the development of modern speech recognition, but again the multidimensional nature of the signals makes them inherently more complicated to handle. This added complexity contributed to the long time required for the development of successful methods and applications. This book collects together a variety of successful approaches to a complete and useful characterization of multidimensional Markov and hidden Markov models along with applications to image analysis. The book provides a survey and comparative development of an exciting and rapidly evolving field of multidimensional Markov and hidden Markov random fields with extensive references to the literature.