УДК: 004.932.2

Метод предсказания на основе алгоритмической вероятности в задаче восстановления изображений в утерянных областях

Потапов А.С., Щербаков О.В., Жданов И.Н.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Потапов А.С., Щербаков О.В., Жданов И.Н. Метод предсказания на основе алгоритмической вероятности в задаче восстановления изображений в утерянных областях // Оптический журнал. 2013. Т. 80. № 11. С. 48–53.

Potapov, A. S., Shcherbakov O. V., Zhdanov I. N. Method of prediction based on algorithmic probability in the problem of image restoration in missing regions [in Russian] // Opticheskii Zhurnal. 2013. V. 80. № 11. P. 48–53.

Ссылка на англоязычную версию:

A. S. Potapov, O. V. Shcherbakov, and I. N. Zhdanov, "Method of prediction based on algorithmic probability in the problem of image restoration in missing regions," Journal of Optical Technology. 80(11), 680-684 (2013). https://doi.org/10.1364/JOT.80.000680

Аннотация:

Рассмотрен критерий алгоритмической вероятности, предоставляющий общее решение задачи экстраполяции символьных строк. Данный критерий расширяет теоретико-информационный подход на основе алгоритмической сложности, широко использующийся при синтезе методов анализа изображений. Даны методические рекомендации о практическом применении критерия алгоритмической вероятности при обработке и анализе изображений. В качестве примера проведена разработка метода восстановления изображений в утерянных областях, вычислимость которого достигнута путем сужения алгоритмически полного пространства моделей изображений до множества их Фурье-образов.

Ключевые слова:

алгоритмическая вероятность, восстановление изображений, преобразование Фурье

Список источников:

1. Luo Q., Khoshgoftaar T.M. Unsupervised Multiscale Color Image Segmentation Based on MDL Principle // IEEE Trans. on Image Processing. 2006. V. 15. № 9. P. 2755–2761.
2. Lindeberg T., Li M.-X. Segmentation and classification of edges using minimum description length approximation and complementary junction cues // Computer Vision and Image Understanding. 1997. V. 67. № 1. P. 88–98.
3. Ward A., Hamarneh Gh. Statistical Shape Modeling using MDL Incorporating Shape, Appearance, and Expert Knowledge // In Lecture Notes in Computer Science, Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2007. P. 278–285.
4. Lanterman A. Minimum Description Length understanding of infrared scenes // Proc. SPIE. 1998. V. 3371. P. 375–386.
5. Li M., Gao Q. and Vitanyi P.M.B. Recognizing on-line handwritten characters using MDL // Proc. IEEE Information Theory Workshop. 1993. P. 24–25.
6. Yvan G. et al. Self-Consistency and MDL: A Paradigm for evaluating point-correspondence algorithms, and its application to detecting changes in surface elevation // Int. J. of Computer Vision. 2003. V. 51. № 1. P. 63–83.
7. Mansouri A.-R. and Konrad J. Minimum description length region tracking with level sets // Proc. SPIE Image and Video Communications and Process. 2000. V. 3974. P. 515–525.
8. Solomonoff R. Does Algorithmic Probability Solve the Problem of Induction? // Oxbridge Research, P.O.B. 391887, Cambridge, Mass. 02139. 1997.
9. Solomonoff R. Algorithmic Probability, Heuristic Programming and AGI. / Baum, E., Hutter, M., Kitzelmann, E. (eds). Advances in Intelligent Systems Research. 2010. V. 10. P. 151–157.
10. Потапов А.С. Выбор представлений изображений на основе минимизации репрезентационной длины их описания // Изв. вузов. Приборостроение. 2008. Т. 51. № 7. С. 3–7.
11. Arias P., Caselles V., Sapiro G. A Variational Framework for Non-local Image Inpainting // Proc. EMMCVPR'09. 2009. P. 345–358.
12. Shibata T., Iketani A., Senda Sh. Fast and Structure-preserving Inpainting Based on Probabilistic Structure Estimation // MVA2011 IAPR Conference on Machine Vision Applications, Nara, JAPAN. 2011. P. 22–25.