Väitöstilaisuus Oulun yliopistossa

 

Väittelijä
Filosofian lisensiaatti Leena Pasanen

Tiedekunta ja laitos
Luonnontieteellinen tiedekunta, matemaattisten tieteiden laitos
0294 481 732

Oppiaine
Sovellettu matematiikka

Väitöstilaisuus
16.6.2012 klo 12

Väitöstilaisuuden paikka
Linnanmaa, Keckmaninsali (HU 106)

Aihe
Studies in Bayesian Scale Space Analysis of Image Differences, Change Detection and Feature Extraction

Bayes-multiskaalamenetelmän soveltaminen erotuskuvien analysointiin, muutoksen tunnistamiseen ja piirteiden erottamiseen

Vastaväittäjä
Professori Fred Godtliebsen, Tromssan yliopisto, Norja

Kustos
Professori Lasse Holmström

---

Bayes-multiskaalamenetelmän soveltaminen erotuskuvien analysointiin, muutoksen tunnistamiseen ja piirteiden erottamiseen

Kun kaksi digitaalista kuvaa otetaan samasta kohteesta kahtena eri ajankohtana, tarkoituksena on usein paikantaa alueet, joissa kuvat poikkeavat toisistaan. Näin voi olla esimerkiksi, kun kaksi satelliittikuvaa on otettu samasta alueesta tai kaksi röntgenkuvaa samasta ihmisestä. Tällöin on mielenkiintoista paikantaa sekä pinta-alaltaan pienet alueet, joissa muutos on voimakas, että suuret alueet, joissa on tapahtunut keskimääräinen matalan intensiteetin muutos. Toisaalta yhdestä digitaalisesta kuvasta voidaan haluta paikantaa ne alueet, joissa kuvan tummuus on suurempi tai pienempi kuin ympäristössään. Näitä alueita, jotka poikkeavat tummuudeltaan ympäristöstään, kutsutaan piirteiksi. Koska digitaaliset kuvat sisältävät tavallisesti satunnaista kohinaa, tilastollisia menetelmiä tarvitaan tunnistamaan alueet, joissa muutos tai piirre on todellinen.

Väitöskirjassa esitellään kaksi uutta multiskaalamenetelmää, joista toista voidaan käyttää muutoksen tunnistamiseen ja toista piirteiden erottamiseen. Muutoksen tunnistamisessa käytetään hyväksi erotuskuvan silotteita usealla eri skaalalla. Piirteiden tunnistamisessa taas tarkastellaan kuvan eri skaalojen silotteiden erotuksia. Todelliset piirteet ja muutokset erotetaan kohinasta käyttämällä Bayes-päättelyä. Analysoitavien kuvien koko tekee analyysista laskentaintensiivistä. Laskentaa on kuitenkin voitu helpottaa käyttämällä Fourier-menetelmiä ja harvojen matriisien ominaisuuksia.