Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Graph Cut Inferenz für Low Level Vision in Modellen höherer Ordnung

Graph cut inference for low level vision in higher order models
 
: Conrad, Christian
: Roth, Stefan

Darmstadt, 2008, 119 S.
Darmstadt, TU, Master Thesis, 2008
Deutsch
Master Thesis
Fraunhofer IGD ()
low-level image processing; Markov Random Field; MRF; inference

Abstract
Ein Teil der Forschung auf dem Gebiet der Computer Vision beschäftigt sich mit statistischen Ansätzen zur Modellierung konkreter Problemstellungen. Als Grundlage dienen sogenannte Markov Random Fields. Die Lösung eines auf dieser Basis modellierten Problems ergibt sich durch die sogenannte Maximum a-posteriori Inferenz. Maximum a-posteriori Inferenz in Markov Random Fields (spez. Höherer Ordnung) ist ein schwieriges Problem, weshalb bisher hauptsächlich paarweise Markov Random Fields verwendet wurden. Graph Cut Techniken stellen dabei eine der effizientesten, bisher bekannten, Inferenzmethoden dar.
Da mit Markov Random Fields höherer Ordnung komplexere Modelle gebildet werden können, mit denen prinzipiell bessere Ergebnisse erreichbar sind, rücken solche Modelle immer stärker in den Fokus der Forschung.
Die vorliegende Masterarbeit untersucht, ob sich Graph Cut Techniken für Markov Random Fields höherer Ordnung sinnvoll einsetzen lassen. Weiterhin wird ein Überblick über die Grundlagen der Markov Random Fields und deren Verwendung zur Modellierung von Low Level Vision Problemen gegeben, wobei Graph Cut Techniken detailliert vorgestellt werden.

 

A branch of the computer vision research deals with statistical methods to model specific problems. Markov Random Fields are a fundamental tool to do so. The solution of a such modeled problem is achieved by maximum a-posteriori inference, which is a hard problem, especially for higher order Markov Random Fields. Therefore pairwise Markov Random Fields have been used up to now mainly. Graph Cut methods are one of the most efficient inference techniques.
Higher order Markov Random Fields allow to build more detailed models to obtain better results. Due to the above mentioned reasons, higher order Markov Random Fields become more and more important today.
This master thesis inspects, whether Graph Cut techniques can be used reasonably in higher order Markov Random Fields. Furthermore an overview of Markov Random Fields and their application to model low level vision problems will be given. Graph cut techniques will be explained in detail.

: http://publica.fraunhofer.de/dokumente/N-87850.html