Geschäftskunden Kundenprogramme
Vor Ort
Merkzettel Warenkorb
Produktbild: Image Analysis, Random Fields and Dynamic Monte Carlo Methods
Band 27

Image Analysis, Random Fields and Dynamic Monte Carlo Methods A Mathematical Introduction

Aus der Reihe Stochastic Modelling and Applied Probability

Fr. 72.90

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

19.01.2012

Verlag

Springer Berlin

Seitenzahl

324

Maße (L/B/H)

23.5/15.5/1.9 cm

Gewicht

517 g

Auflage

Softcover reprint of the original 1st ed. 1995

Sprache

Englisch

ISBN

978-3-642-97524-0

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

19.01.2012

Verlag

Springer Berlin

Seitenzahl

324

Maße (L/B/H)

23.5/15.5/1.9 cm

Gewicht

517 g

Auflage

Softcover reprint of the original 1st ed. 1995

Sprache

Englisch

ISBN

978-3-642-97524-0

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
  • Produktbild: Image Analysis, Random Fields and Dynamic Monte Carlo Methods
  • I. Bayesian Image Analysis: Introduction.- 1. The Bayesian Paradigm.- 1.1 The Space of Images.- 1.2 The Space of Observations.- 1.3 Prior and Posterior Distribution.- 1.4 Bayesian Decision Rules.- 2. Cleaning Dirty Pictures.- 2.1 Distortion of Images.- 2.1.1 Physical Digital Imaging Systems.- 2.1.2 Posterior Distributions.- 2.2 Smoothing.- 2.3 Piecewise Smoothing.- 2.4 Boundary Extraction.- 3. Random Fields.- 3.1 Markov Random Fields.- 3.2 Gibbs Fields and Potentials.- 3.3 More on Potentials.- II. The Gibbs Sampler and Simulated Annealing.- 4. Markov Chains: Limit Theorems.- 4.1 Preliminaries.- 4.2 The Contraction Coefficient.- 4.3 Homogeneous Markov Chains.- 4.4 Inhomogeneous Markov Chains.- 5. Sampling and Annealing.- 5.1 Sampling.- 5.2 Simulated Annealing.- 5.3 Discussion.- 6. Cooling Schedules.- 6.1 The ICM Algorithm.- 6.2 Exact MAPE Versus Fast Cooling.- 6.3 Finite Time Annealing.- 7. Sampling and Annealing Revisited.- 7.1 A Law of Large Numbers for Inhomogeneous Markov Chains.- 7.1.1 The Law of Large Numbers.- 7.1.2 A Counterexample.- 7.2 A General Theorem.- 7.3 Sampling and Annealing under Constraints.- 7.3.1 Simulated Annealing.- 7.3.2 Simulated Annealing under Constraints.- 7.3.3 Sampling with and without Constraints.- III. More on Sampling and Annealing.- 8. Metropolis Algorithms.- 8.1 The Metropolis Sampler.- 8.2 Convergence Theorems.- 8.3 Best Constants.- 8.4 About Visiting Schemes.- 8.4.1 Systematic Sweep Strategies.- 8.4.2 The Influence of Proposal Matrices.- 8.5 The Metropolis Algorithm in Combinatorial Optimization.- 8.6 Generalizations and Modifications.- 8.6.1 Metropolis-Hastings Algorithms.- 8.6.2 Threshold Random Search.- 9. Alternative Approaches.- 9.1 Second Largest Eigenvalues.- 9.1.1 Convergence Reproved.- 9.1.2 Sampling and Second Largest Eigenvalues.- 9.1.3 Continuous Time and Space.- 10. Parallel Algorithms.- 10.1 Partially Parallel Algorithms.- 10.1.1 Synchroneous Updating on Independent Sets.- 10.1.2 The Swendson-Wang Algorithm.- 10.2 Synchroneous Algorithms.- 10.2.1 Introduction.- 10.2.2 Invariant Distributions and Convergence.- 10.2.3 Support of the Limit Distribution.- 10.3 Synchroneous Algorithms and Reversibility.- 10.3.1 Preliminaries.- 10.3.2 Invariance and Reversibility.- 10.3.3 Final Remarks.- IV. Texture Analysis.- 11. Partitioning.- 11.1 Introduction.- 11.2 How to Tell Textures Apart.- 11.3 Features.- 11.4 Bayesian Texture Segmentation.- 11.4.1 The Features.- 11.4.2 The Kolmogorov-Smirnov Distance.- 11.4.3 A Partition Model.- 11.4.4 Optimization.- 11.4.5 A Boundary Model.- 11.5 Julesz’s Conjecture.- 11.5.1 Introduction.- 11.5.2 Point Processes.- 12. Texture Models and Classification.- 12.1 Introduction.- 12.2 Texture Models.- 12.2.1 The ?-Model.- 12.2.2 The Autobinomial Model.- 12.2.3 Automodels.- 12.3 Texture Synthesis.- 12.4 Texture Classification.- 12.4.1 General Remarks.- 12.4.2 Contextual Classification.- 12.4.3 MPM Methods.- V. Parameter Estimation.- 13. Maximum Likelihood Estimators.- 13.1 Introduction.- 13.2 The Likelihood Function.- 13.3 Objective Functions.- 13.4 Asymptotic Consistency.- 14. Spacial ML Estimation.- 14.1 Introduction.- 14.2 Increasing Observation Windows.- 14.3 The Pseudolikelihood Method.- 14.4 The Maximum Likelihood Method.- 14.5 Computation of ML Estimators.- 14.6 Partially Observed Data.- VI. Supplement.- 15. A Glance at Neural Networks.- 15.1 Introduction.- 15.2 Boltzmann Machines.- 15.3 A Learning Rule.- 16. Mixed Applications.- 16.1 Motion.- 16.2 Tomographic Image Reconstruction.- 16.3 Biological Shape.- VII. Appendix.- A. Simulation of Random Variables.- A.1 Pseudo-random Numbers.- A.2 Discrete Random Variables.- A.3 Local Gibbs Samplers.- A.4 Further Distributions.- A.4.1 Binomial Variables.- A.4.2 Poisson Variables.- A.4.3 Gaussian Variables.- A.4.4 The Rejection Method.- A.4.5 The Polar Method.- B. The Perron-Frobenius Theorem.- C. Concave Functions.- D. A Global Convergence Theorem for Descent Algorithms.- References.