| dc.date.accessioned |
2017-01-11T06:39:22Z |
und |
| dc.date.accessioned |
2017-10-24T12:22:08Z |
|
| dc.date.available |
2017-01-11T06:39:22Z |
und |
| dc.date.available |
2017-10-24T12:22:08Z |
|
| dc.date.issued |
2017-01-11T06:39:22Z |
|
| dc.identifier.uri |
http://radr.hulib.helsinki.fi/handle/10138.1/5942 |
und |
| dc.identifier.uri |
http://hdl.handle.net/10138.1/5942 |
|
| dc.title |
Patch-based image representation and restoration |
en |
| ethesis.discipline |
Applied Mathematics |
en |
| ethesis.discipline |
Soveltava matematiikka |
fi |
| ethesis.discipline |
Tillämpad matematik |
sv |
| ethesis.discipline.URI |
http://data.hulib.helsinki.fi/id/2646f59d-c072-44e7-b1c1-4e4b8b798323 |
|
| ethesis.department.URI |
http://data.hulib.helsinki.fi/id/61364eb4-647a-40e2-8539-11c5c0af8dc2 |
|
| ethesis.department |
Institutionen för matematik och statistik |
sv |
| ethesis.department |
Department of Mathematics and Statistics |
en |
| ethesis.department |
Matematiikan ja tilastotieteen laitos |
fi |
| ethesis.faculty |
Matematisk-naturvetenskapliga fakulteten |
sv |
| ethesis.faculty |
Matemaattis-luonnontieteellinen tiedekunta |
fi |
| ethesis.faculty |
Faculty of Science |
en |
| ethesis.faculty.URI |
http://data.hulib.helsinki.fi/id/8d59209f-6614-4edd-9744-1ebdaf1d13ca |
|
| ethesis.university.URI |
http://data.hulib.helsinki.fi/id/50ae46d8-7ba9-4821-877c-c994c78b0d97 |
|
| ethesis.university |
Helsingfors universitet |
sv |
| ethesis.university |
University of Helsinki |
en |
| ethesis.university |
Helsingin yliopisto |
fi |
| dct.creator |
Juvonen, Markus |
|
| dct.issued |
2017 |
|
| dct.language.ISO639-2 |
eng |
|
| dct.abstract |
This thesis strives to familiarize the ideas behind the success of patch-based image representations in image processing applications in recent years. Furthermore we show how to restore images using the idea of patch-based dictionary learning and the k-means clustering algorithm.
In chapter 1 we introduce the notion of patch-based image processing and take a look at why dictionary learning using sparsity is a hot topic and useful in processing natural images. The second chapter aims to formulate the different methods and approaches used in this thesis mathematically. Dictionary learning, the k-means algorithm and the Structural similarity index (SSIM) are in the main focus. Chapter 3 goes into the details of the experiments. We present and discuss the results as well. The fourth and final chapter summarizes the main ideas of the thesis and introduces development suggestions for further investigation based on the methods used.
Using a fairly simplistic patch-based image processing method we manage to reconstruct images from a set of similar images to a reasonable extent. As the main result we see how the size of the patches as well as the size of the learned dictionary effects the quality of the restored image. We also detect the limitations and problems of this approach such as the appearance of patch artifacts which is an issue to attack and resolve in following studies. |
en |
| dct.abstract |
Tämän työn pyrkimys on tutustuttaa lukija tilkkupohjaisen esitystavan takana oleviin ajatuksiin. Lisäksi näytämme kuinka rekonstruoida valokuvia käyttämällä tilkkupohjaista kirjasto-oppimista k-means klusterointi algoritmin avulla.
Ensimmäisessä kappaleessa esittelemme tilkkupohjaisen esitystavan idean ja tarkastelemme harvan kirjasto-oppimisen hyödyllisyyttä luonnollisten kuvien käsittelyssä. Muotoilemme työssä käytetyt menetelmät matemaattisesti kappaleessa kaksi. Pääpaino on kirjasto-oppimisessa, k-means klusterointi algoritmissa sekä SSIM indeksissä, joka pyrkii kuvien rakenteellisen yhtäläisyyden arvioimiseen. Kappaleessa kolme käydään läpi työn kokeellinen osuus. Esittelemme tulokset ja lisäksi keskustelemme niistä samassa kappaleessa. Lopuksi vedämme yhteen tämän työn tärkeimmät ideat sekä annamme kehitysideoita mahdollisia jatkotutkimuksia varten kappaleessa neljä.
Käyttämällä melko pelkistettyä tilkkupohjaista kuvankäsittelymenetelmää onnistumme rekonstruoimaan valokuvan kokoelmasta samankaltaisia kuvia kohtuullisen hyvin. Tilkkujen sekä opitun kirjaston kokojen vaikutukset kuvan rekonstruktion laatuun ovat työn keskeisimpiä tuloksia. Havaitsemme myös käyttämämme lähestymistavan rajoitukset ja ongelmat, kuten tilkku-artefaktien ilmestymisen rekonstruoituun kuvaan. Tämän ongelman ratkaisemiseksi jatkotutkimukselle on tarvetta. |
fi |
| dct.language |
en |
|
| ethesis.language.URI |
http://data.hulib.helsinki.fi/id/languages/eng |
|
| ethesis.language |
English |
en |
| ethesis.language |
englanti |
fi |
| ethesis.language |
engelska |
sv |
| ethesis.thesistype |
pro gradu-avhandlingar |
sv |
| ethesis.thesistype |
pro gradu -tutkielmat |
fi |
| ethesis.thesistype |
master's thesis |
en |
| ethesis.thesistype.URI |
http://data.hulib.helsinki.fi/id/thesistypes/mastersthesis |
|
| dct.identifier.urn |
URN:NBN:fi-fe2017112251215 |
|
| dc.type.dcmitype |
Text |
|
