OPTIMALIZÁCIÓS MODELLEK A KÉPFELDOLGOZÁSBAN

Szerző: LUKITY Tibor, rendes egyetemi tanár (tibor@uns.ac.rs), ORCID: 0000-0003-1536-3384
Intézmény: Újvidéki Egyetem, Műszaki Tudományok Kara, Matematikai Tanszék, Újvidék

Az előadás témája a digitális képfeldolgozásban alkalmazott legfontosabb optimalizációs modellek áttekintése. Az energia-minimalizációs modellek a megfelelően definiált energiaifüggvény (célfüggvény) minimalizálásán alapulnak. Az eljárás mindkét részfeladatát – az energiafüggvény szerkesztését, valamint a megfelelő optimalizációs algoritmus kiválasztását és beállítását – részletesen tárgyaljuk. Az optimalizációs eljárás típusa alapvetően két csoportra osztható: determinisztikus és sztochasztikus módszerekre. A sztochasztikus optimalizálást (Szimulált hűtés, Genetikus algoritmusok, stb.) általában a célfüggvény differenciálhatóságának hiánya teszi szükségessé, jellemzője a hosszú futási idő. A determinisztikus módszerek gerincét a gradiens típusú algoritmusok képezik. A mesterséges intelligenciát megvalósító algoritmusok tanuló fázisát gradiens típusú optimalizáció teszi lehetővé, ezért vizsgálatuk és fejlesztésük kiemelten aktuális. Az előadást néhány kísérleti eredmény bemutatása és kiértékelése zárja.

Kulcsszavak: képfeldolgozás, optimalizáció, gradiens módszerek

OPTIMIZATION MODELS IN IMAGE PROCESSING

Author: Tibor LUKIC, full professor (tibor@uns.ac.rs)
Institution: Chair of Mathematics, Faculty of Technical Sciences, University of Novi Sad, Novi Sad, Serbia

The topic of the presentation is an overview of the most important optimization models used in digital image processing. Energy minimization models are based on the minimization of a properly defined energy function (objective function). Both sub-tasks of the procedure – the design of the energy function and the selection of the appropriate optimization algorithm – are discussed in detail. The type of optimization procedure can basically be divided into two groups: deterministic and stochastic methods. Stochastic optimization (Simulated Annealing, Genetic algorithms, etc.) is usually required by the lack of differentiability of the objective function, characterized by a long running time. The backbone of deterministic methods is gradient type algorithms. The learning phase of the algorithms implementing artificial intelligence is achieved by gradient type optimization, therefore their understanding and development are particularly relevant. The presentation concludes with the evaluation and presentation of several experimental results.

Key words: image processing, optimization, gradient based algorithms