MARC

 008250123s2024        us                              c    eng  d
■001000017164766
■00520250211153043
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346857549
■035    ▼a(MiAaPQ)AAI31639507
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aZhang,  Kaixuan.
■24510▼aData-Driven  Techniques  for  Structural  Texture  Analysis
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a110  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Pappas,  Thrasyvoulos.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aTexture  is  a  critical  component  of  image  processing  and  computer  vision,  as  it  provides  essential  information  for  object  and  scene  understanding.  The  main  thrusts  of  this  thesis  are  on  data-driven  techniques  for  optimizing  the  performance  of  structural  texture  similarity  metrics  (STSIMs)  in  specific  application  domains,  and  the  use  of  statistical  texture  features  for  material  characterization  in  medical  imaging  and  other  fields.We  propose  methods  for  enhancing  STSIMs  by  learning  the  relationship  between  subband  statistics  and  human  perception  in  the  context  of  specific  application  domains.  Our  approach  leverages  gradient  descent  algorithms  to  optimize  STSIMs,  allowing  for  a  more  accurate  alignment  with  human  judgments.  The  effectiveness  of  these  techniques  depends  on  systematically  constructed  annotated  databases.  These  include  identical  textures,  distorted  textures,  nonuniform  textures,  and  generative  neural  network-synthesized  textures.  Experimental  results  demonstrate  that  data-driven  STSIMs,  not  only  improve  texture  similarity  assessment,  but  also  perform  competitively  with  state-of-the-art  convolutional  neural  network-based  metrics  at  a  lower  computational  cost.This  thesis  also  explores  the  application  of  STSIM  metrics  and  statistical  texture  features  in  film  grain  quality  evaluation  for  video  compression  and  medical  image  analysis.  We  show  that  traditional  metrics  like  MSE,  SSIM,  and  VMAF  do  not  adequately  reflect  human  perception  of  film  grain,  whereas  our  trained  STSIMs  offer  more  accurate  evaluations.  We  also  developed  a  real-time  film  grain  analysis  and  synthesis  algorithm  based  on  a  physical  Boolean  model.  In  the  medical  domain,  we  applied  STSIM-inspired  statistical  texture  features  to  chest  X-Ray  analysis  and  brain  MRI  analysis,  demonstrating  their  ability  to  predict  conditions  such  as  bronchopulmonary  dysplasia  (BPD)  and  Cerebral  Small  Vessel  Disease  (CSVD).  The  findings  underscore  the  potential  of  texture  analysis  in  detecting  subtle  microstructural  changes  in  the  brain,  contributing  to  a  better  understanding  of  how  these  changes  correlate  with  conditions  like  hypertension  and  cognitive  decline.Overall,  this  thesis  demonstrates  the  versatility  and  effectiveness  of  the  proposed  texture  similarity  metrics  across  different  domains,  paving  the  way  for  further  advancements  in  both  theoretical  and  applied  aspects  of  texture  analysis.
■590    ▼aSchool  code:  0163.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■653    ▼aTexture
■653    ▼aImage  processing
■653    ▼aSubband  statistics  
■690    ▼a0544
■690    ▼a0464
■71020▼aNorthwestern  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164766▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서