Zusammenfassung
Die Restauration stark verrauschter, unscharfer Bilder ist ein sehr schwieriges, schlecht-gestelltes Problem, für das lineare Filterung keine zufriedenstellenden Lösungen liefert. Der vorliegende Beitrag beschreibt ein nichtlineares Bayes-Schätzverfahren, das auf einem verallgemeinerten Gauß-Markov-Modell basiert. Dieses Modell ermöglicht die kontrollierte Restauration scharfer Kanten, ohne explizite Kantenparameter zu erfordern und führt auf stabile MAP-Lösungen. Das resultierende Optimierungskriterium liefert eine Iterationsvorschrift, die Gauß-Seidel-artig in effizienter Weise lokal ausgewertet werden kann. Der vorgestellte Algorithmus wird auf Niedrig-Dosis-Röntgenbilder angewendet, deren Qualität durch Bewegungsunschärfe und Quantenrauschen stark beeinträchtigt ist.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
T. Aach, U. Schiebel, G. Spekowius. Digital Image Acquisition and Processing in Medical X-Ray Imaging. Journal of Electronic Imaging, Special Section on Biomedical Image Representation, 8 (1): 7–21, Jan. 1999.
N. B. Karayiannis, A. N. Venetsanopoulos. Regularization Theory in Image Restoration - The Stabilizing Functional Approach. IEEE Transactions on Acoustics, Speech and Signal Processing, 38 (7): 1155–1177, 1990.
C. Mayntz, T. Aach, D. Kunz. Blur Identification Using a Spectral Inertia Tensor and Spectral Zeros. IEEE International Conference on Image Processing, Kobe, Okt. 1999 (akzeptiert).
M. R. Banham, A. Katsaggelos. Digital Image Restoration. Signal Processing Magazine, S. 24–41, März 1997.
C. Bouman, K. Sauer. A Generalized Gaussian Image Model for Edge-Preserving MAP Estimation. IEEE Transactions on Image Processing, 2 (3): 296–310, Juli 1993.
S. Geman, D. Geman. Stochastic Relaxation, Gibbs Distribution, and the Baye- sian Restoration of Images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6: 721–741, 1984.
J. Besag. Spatial Interaction and the Statistical Analysis of Lattice Systems. Journal of the Royal Statistical Society B, 36: 192–236, 1974.
J. Besag. Towards Bayesian Image Analysis. Journal of Applied Statistics, 16 (3): 395–407, 1989.
D. Terzopoulos. Multilevel Reconstruction of Visual Surfaces: Variational Principles and Finite-element Representations. In A. Rosenfeld, Hrsg., Multiresolution Image Processing and Analysis, pages 237–310. Springer Verlag, Berlin, 1983.
J. Besag. On the Statistical Analysis of Dirty Pictures. Journal Royal Statistical Society B, S. 259–302, 1986.
T. Aach, D. Kunz. Bayesian Motion Estimation for Temporally Recursive Noise Reduction in X-Ray Fluoroscopy. Philips Journal of Research, 51 (2): 231–251, 1998.
T. Aach, D. Kunz. Spektrale Betragsschätzung als Methode zur Rauschunterdrückung in Röntgenbildern. In E. Paulus und F. M. Wahl, Hrsg., Mustererkennung 1997, S. 553–560, Springer Verlag, Berlin, 1997.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1999 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Mayntz, C., Aach, T. (1999). Nichtlineare Bayes-Restauration mittels eines verallgemeinerten Gauß-Markov-Modells. In: Förstner, W., Buhmann, J.M., Faber, A., Faber, P. (eds) Mustererkennung 1999. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-60243-6_13
Download citation
DOI: https://doi.org/10.1007/978-3-642-60243-6_13
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-66381-2
Online ISBN: 978-3-642-60243-6
eBook Packages: Springer Book Archive