تجزیه و تحلیل پیاده سازی برای استنتاج در زمینه های تصادفی مارکوف با استفاده از تاثیر شرطی حالت(ICM)
تجزیه و تحلیل پیاده سازی برای استنتاج در زمینه های تصادفی مارکوف با استفاده از تاثیر شرطی حالت(ICM)
پیمان کلانی تربقان1
1) پیمان کلانی تربقان
محل انتشار :
کنفرانس بین المللی پژوهش در علوم و تکنولوژی(rstconf.com)
چکیده :
حذف نویز از تصاویر هنوز هم یک چالش اساسی برای مهندسان میباشد. چندین الگوریتم مختلف برای حذف نویز ارائه شده است که هر یک دارای مزایا و معایبی میباشد، الگوریتم مارکوف تصادفی n بعدی است که در شبکه به صورت مجزا تعریف میشود. به طور خاص هر گره در گراف نشان دهنده یک متغیر تصادفی است و شاخه ها (کمان) وابستگی های احتمالاتی بین متغیرها را نشان می دهند. این وابستگی های شرطی غالبا به وسیله روش های آماری و احتمالاتی مشخص ارزیابی می شوند. شبکه های بیزین اصولی از نظریه گراف، نظریه احتمالات، علوم کامپیوتر و آمار را با هم ترکیب میکنند. يکي از مسائلي که توجه خود را در پردازش تصاویر سيگنال معطوف نموده است، مدلسازي سيگنال است. انتخابهاي مختلفي براي مدل کردن تصاویر و خصوصيات آن وجود دارد. از يک ديدگاه مدلهاي حذف نویز است که به دو دسته مدلهاي معين و مدلهاي آماري تقسيم بندي میشود. الگوریتم مارکوف تصادفی یکی از نظریه های است که برای احتمال مورد استفاده قرار میگیرد. در این مقاله ارائه ایدهای نسبتا جدیدی برای حذف نویز از تصاویر میباشد .همچنین، یک روشی رای حذف نویز از تصویر با استفاده از مدل ICM (تأثیری شرطی حالت ) است، این روش مدلی از الگوریتم مارکوف تصادفی معرفی میشود. به طور کلی مدل های گرافیکی با شاخه های بدون جهت، میدان های تصادفی مارکوف یا شبکه های مارکوف نامیده می شوند. این شبکه ها یک تعریف ساده برای استقلال بین متغیرها بر مبنای مفهوم لایه مارکوف فراهم میکنند. شبکه های مارکوف در زمینه هایی نظیر فیزیک آماری و بینایی کامپیوتر بسیار مشهور هستند.
کلمات کلیدی :
حذف نویز از تصویر - مدل مارکوف - شرطی حالت