馬可夫隨機場

有一陣子沒有更新了
在於很多事情集於一身
沒有時間紀錄
在於影像處理
太多的觀念沒有搞懂
包括很多基礎的知識
來了研究所
就必須要去搞懂其核心
不能像大學一樣的只懂使用工具

慢慢的累積
等畢業一定會用到

現在所學的也許不夠流行
等有一天需要這個技術時
你就會是被需要的
-章定遠


最近研究在於修補深度圖
看到了一篇許多論文都會參考到的

"An Application of Markov Random Fields to Range"
James Diebel and Sebastian Thrun
Stanford AI Lab
Stanford University, Stanford, CA 94305

有些論文也可以做出其效果
其中講到了 Markov Random Fields
馬可夫隨機場

將影像的性質, 例如亮度、 顏色等, 看成是圖 (graph) 的位置 (site) 上的隨機狀態; 而位置間的關係則由圖的邊 (edge) 來表示。 馬可夫隨機場 (Markov random field) 提供這種空間(spatial) 過程一個自然的架構。 它和 Gibbs分布的等價性不但使得在模型建構和統計推論時更具彈性 ,且可和統計物理關聯起來。 而利用馬可夫性質和隨機 relaxation (或蒙地卡羅方法) 可以部分地解決此類模式先天上的解析困難。

-http://w3.math.sinica.edu.tw/math_media/d164/16402.pdf

目前的深度影像的解析度都達不到彩圖的高解析度
必須要透過內插等方式來填補
但是又不能亂填
會導致觀看立體影像的不適
像是平面在彩圖上明明是同個深度值
但卻因為直接內插的關係
導致平面邊緣可能會不准


這篇論文使用到了彩圖的梯度、深度資訊
去定義出一個新的平面(高解析度的深度圖)
這新的一個平面可以說是一個馬可夫隨機場
新的深度圖將可以讓所有彩色pixel都有其深度資訊
無深度的深度pixel
利用彩圖的梯度加上edge的限制
還有參考附近的深度資訊去填補

馬爾可夫一般是馬爾可夫性質的簡稱。如果一個過程的「將來」僅依賴「現在」而不依賴「過去」，則此過程具有馬爾可夫性,或稱此過程為馬爾可夫過程。
-有對應深度pixel
隨機場包含兩個要素：位置（site），相空間（phase space）。當給每一個位置中按照某種分佈隨機賦予相空間的一個值之後，其全體就叫做隨機場。
-無對應深度pixel


也就是說
整個馬可夫隨機場
其某一點的位置
只受鄰近像素的影響

http://www.twword.com/wiki/%E9%A6%AC%E7%88%BE%E5%8F%AF%E5%A4%AB%E9%9A%A8%E6%A9%9F%E5%A0%B4

http://alex-phd.blogspot.tw/2014/03/2d3d.html

只能說自己還學得太少
只懂得點皮毛
還得繼續學習

但此論文
有極高的參考價值
將對未來一定有幫助