ИССЛЕДОВАТЕЛЬСКИЙ ПОТЕНЦИАЛ МОЛОДЫХ УЧЕНЫХ: ВЗГЛЯД В БУДУЩЕЕ. 2015

«Исследовательский потенциал молодых ученых: взгляд в будущее» 79 2015 не более 100:1, и только лучшие принтеры для фотопечати могут обеспечить детализацию примерно 1000:1. Тем не менее, некоторые сцены, которые включают в себя видимые источники света, глубокие тени и блики, могут достигать степени детализации 100000:1 и бо‐ лее [1]. Во‐вторых, простейшие способы регулировки интенсивности сцены, как правило, не сохраняют важные детали и текстуры. В‐третьих, и самое главное, понимание человеческой зрительной сис‐ темы не продвинулись достаточно, чтобы строить окончательную, достоверную, качественную модель сцены, особенно для сюжетов с высокой детализацией. Когда художники создают живопись, они пытаются охватить внешний вид «грубой» последовательностью границ и теней. Перво‐ начальные эскизы содержат четко определяемые границы вокруг больших, плавно затененных областей с высокой контрастностью и наиболее важными особенностями сцены. Далее художник добавля‐ ет больше оттенков и границ, заполняющие визуально пустые облас‐ ти. Этот метод особенно хорошо работает для сюжетов с высокой де‐ тализацией, так как это позволяет определить отдельные настройки контрастности на каждом этапе для увеличения детализации. Широко используемые линейные фильтры, таких как вейвлет фильтр [2], градиентный фильтр [3], MIP‐карты [4] базируются на ие‐ рархии синусоид. Эти методы позволяют обнаруживать границы с вы‐ сокой контрастностью, при этом размывая со слабой. Алгоритм LCIS [1] и Guided фильтр [5] – это попытка математически имитировать описанную художественную технику для создания HDR изображений с использованием иерархии границ и оттенков. Недостатком данных алгоритмов является большое время работы. В данной работе предлагается быстрый параметрический адап‐ тивный алгоритм (БПА) на основе гамма – нормальной модели скры‐ той и наблюдаемой компонент изображения, рассматриваемых как двухкомпонентное случайное поле и ожидаемого результата обработ‐ ки. Обобщение байесовского подхода к анализу сглаживания, вклю‐ чающее автоматическую адаптацию параметров сглаживания к на‐ блюдаемым данным, позволяет сохранить существенные локальные особенности изображения. Таким образом, предлагаемый алгоритм является простым в настройке и обладает линейной вычислительной сложностью относительно количества элементов изображения. В рамках Байессовского подхода, задача восстановления изо‐ бражений может быть выражена как задача оценивания скрытой мар‐ ковской компоненты ) ,..., 1 , ( N tx X t = = , ,..., 1 ' :)'' ,'( { 1 N t t t t T = = = } ,..., 1 '' 2 N t = двухкомпонентного случайного поля, роль наблюдаемой