A mixed-annealing method for bayesian image restoration

Modelli di immagini basati su Random Markov Field (MRF) sono stati utilizzati da molti ricercatori nell'ambito della Computer Vision. Mediante il loro uso risulta infatti relativamente facile incorporare nel problema informazioni a priori, ottenendo buoni risultati anche in presenza di un insieme ridotto e rumoroso di dati osservati. Il principale inconveniente riscontrato nell'uso di tali modelli è la elevata complessità computazionale degli algoritmi da essi derivati. E' stato comunque rilevato che tali algoritmi sono intrinsecamente paralleli e quindi particolarmente adatti ad una implementazione su hardware parallelo; ciò nonostante la complessità computazionale risulta così elevata da incoraggiare schemi atti sia a ridurre tale complessità, sia a proporre architetture parallele innovative, quali le reti neurali. Nel presente lavoro viene proposto un metodo di restauro Bayesiano basato su tecniche di mixed annealing in cui tecniche deterministiche e stocastiche sono combinate in modo da ridurre la complessità computazionale. Il metodo risulta particolarmente adatto ad una implementazione su una architettura mista costituita da una griglia di processori digitali e da una rete neurale. La validità del metodo è stata verificata mediante simulazioni eseguite su calcolatori seriali. A causa dell'elevata complessità computazionale, nelle simulazioni sono stati considerati solo segnali monodimensionali.