Вариационные методы обработки изображений

Запись на курс

Запись на курс закрыта.

Расписание

Весенний семестр 2024 года: по четвергам в 10:30 очно, аудитория 759.

Критерии получения оценок на экзамене

В курсе будет 2 практических задания.
По итогам выполнения заданий будет сформирован leaderboard.

Экзамен будет проходить в устной форме. В каждом билете 2 вопроса.

Будет контролироваться посещаемость. В случае пропуска более 2 лекций пропадает возможность получить "автомат".

Для 3 курса бакалавриата и 1 курса магистратуры

В случае отсутствия выполненных заданий - максимальная оценка на экзамене "хорошо".
В случае выполнения одного задания - максимальная оценка на экзамене "отлично".
В случае выполнения двух заданий и попадания в TOP-50% leaderboard - студент получает "отлично" и освобождается от экзамена ("автомат").

Для 2 курса магистратуры

В случае выполнения одного задания и наличия не более 2 пропусков лекций - студент получает "зачет автомат" и освобождается от экзамена.
В остальных случаях "зачет" будет выставляться по итогам устного экзамена.

Лекции

  • Лекция 1: Некорректные задачи в обработке изображений [TBA]
  • Лекция 2: Современные методы регуляризации [TBA]
  • Лекция 3: Численные методы минимизации регуляризирующих функционалов [TBA]
  • Лекция 4: Метод активных контуров для сегментации изображений [TBA]
  • Лекция 5: Введение в методы линий уровня (level sets) и алгоритм "быстрого марширования" (fast marching) [TBA]
  • Лекция 6: Численные методы для линий уровня (level sets) и геодезические активные контуры [TBA]
  • Лекция 7: Метод активных контуров без использования границ (минимизация функционала Chan-Vese) [TBA]
  • Лекция 8: Обучаемые активные контуры [TBA]
  • Лекция 9: Основы совмещения изображений [TBA]

Материалы

  • Методическое пособие Насонов А.В., Крылов А.С. "Регуляризирующие методы повышения качества изображений" [PDF]
  • Методическое пособие Сорокин Д.В., Крылов А.С. "Метод активных контуров для сегментации изображений" [PDF]

Задания

Два практических задания, обязательных к выполнению: одно по восстановлению изображений, второе — по активным контурам.
Язык программирования — Python 3.

Сдача происходит через Telegram, задания присылать @xubiker
В сообщении укажите номер задания, ФИО и номер группы (например, "Задание 1. Пупкин Василий Васильевич 401").

Список вопросов к экзамену

  1. Некорректные задачи в обработке изображений. Задача обращения свёртки и способы её решения.
  2. Метод регуляризации Тихонова и его применение для задач восстановления изображений. Три эквивалентных регуляризирующих алгоритма решения некорректных задач.
  3. Стабилизаторы: функционалы полной вариации и полной обобщённой вариации. Эффекты от их использования. Эффективное численное дифференцирование функционалов полной вариации и полной обобщённой вариации.
  4. Понятие субградиента. Вычисление субградиента для используемых функционалов: функционал невязки, функционала полной вариации.
  5. Численные методы минимизации регуляризирующих функционалов: субградиентный метод, метод моментов, метод Нестерова.
  6. Суперразрешение по одному изображению. Математическая модель формирования изображений низкого разрешения.
  7. Метод активных контуров, численное решение, виды внешних сил.
  8. Метод активных контуров, Gradient Vector Flow Snakes.
  9. Метод линий уровня (level set), свойства неявных кривых.
  10. Метод линий уровня, алгоритм Fast Marching.
  11. Численные методы для метода линий уровня (level set).
  12. Метод геодезических активных контуров.
  13. Метод активных контуров без использования границ, минимизация функционала Mumford-Shah и Chan-Vese.
  14. Глубокие структурные активные контуры.
  15. Обучаемые активные контуры с функциями потерь Chan-Vese loss и level-set loss.
  16. Задача жесткого совмещения изображений. Виды функционала сходства. Виды преобразований.
  17. Задача нежесткого совмещения изображений. Поле деформации. Виды функционала сходства и регуляризаторов. Суть методов Free Form Deformation и VoxelMorph.

Литература

  • А.В.Насонов, А.С.Крылов. Регуляризирующие методы повышения качества изображений: учебно-методическое пособие, М.: МАКС Пресс, 2022, 28 с.
  • Д.В.Сорокин, А.С.Крылов. Метод активных контуров для сегментации изображений: учебно-методическое пособие, М.: МАКС Пресс, 2022, 16 с.
  • S. Osher, R. Fedkiw. Level Set Methods and Dynamic Implicit Surfaces. Springer 2003.
  • S. Osher, N. Paragios. Geometric Level Set Methods in Imaging, Vision, and Graphics. Springer 2003.
  • R. Kimmel. Numerical Geometry of Images: Theory, Algorithms, and Applications. Springer 2004.
  • E. Sakhaee. A Tutorial on Active Contours. 2014.
  • L. A. Vese, C. Le Guyader. Variational methods in image processing. CRC Press 2015.
  • А.Н.Тихонов, В.Я.Арсенин. Методы решения некорректных задач, М.: Наука, 1979, 288 с.
  • С.Малла. Вейвлеты в обработке сигналов, Пер. с англ. М.: Мир, 2005, 671 с.
  • В.В.Васин. О связи некоторых вариационных методов приближённого решения некорректных задач, Математические заметки, т. 7, №3, 1970, с. 265-272.
  • Stephen Boyd, Almir Mutapcic. Subgradient Methods. Notes for EE364b, Stanford University, Winter 2006-07.
  • Ilya Sutskever, et al. On the importance of initialization and momentum in deep learning. ICML Vol. 3, No. 28, pp. 1139-1147, 2013.