Abstrakt: V tomto článku navrhujeme texturní reprezentaci založenou na Markovovských polích (Markov random field - MRF), která je invariantní ke změně osvětlení a robustní k rotaci textury. Každá textura se nejprve otočí podle své dominantní orientace a texturní příznaky se potom počítají z odhadů Markovovských statistik. Protože není potřeba znát ani pozici ani spektrum světelného zdroje, je naše metoda vhodná pro počítačové zpracování reálných scén, kde vzhled materiálů závisí na jejich poloze k světelnému zdroji. Navrhovanou metodu jsme testovali na nejvěrnější vizuální reprezentaci přírodních materiálů (BTF textury), přesněji obrazové databázi CUReT. Naše metoda zde překonává nejlepší metody invariantní ke změně osvětlení jako lokální binární vzory a metody založené na MR8 textonech.

Abstrakt: Představujeme novou metodu neřízené multispektrální segmentace textur s neznámým počtem tříd, která je invariantní ke změně osvětlení. Multispektrální texturní mozaiky jsou lokálně reprezentovány čtyřmi kauzálními směrovými modely náhodných polí, které jsou rekurzivně odhadované pro každý pixel. Výsledný parametrický prostor je segmentován pomocí neřízeného segmentačního algoritmu, založeného na gaussovském směsovém modelu. Segmentace začíná s přesegmentovaným počátečním odhadem, který se adaptivně modifikuje až se dosáhne optimálního počtu homogenních texturních oblastí. Vlastnosti předložené metody jsou rozsáhle testovány na Pražském segmentačním benchmarku za použití 21 nejpoužívanějších segmentačních kritérií. Metoda převyšuje několik špičkových alternativních obrazových segmentačních metod použitých pro srovnání.

Abstrakt: Tento článek popisuje metodu pro analýzu textury, kterou vytváří na sítnici nervová vlákna (retinal nerve fibers - RNF), s využitím Markovovských náhodných polí. Používáme kauzální autoregresní náhodný model (Causal Autoregressive Random model - CAR), z kterého získáváme příznakový vektor popisující změny v textuře způsobené ztrátami v RNF vrstvě. Ukazujeme, že příznakový vektor založený na CAR modelu lze společně s lineárním klasifikátorem použít pro rozlišení mezi zdravou tkání a glaukomem. Chyba klasifikace je pro testovaný datový soubor slabě pod 4%.

Abstrakt: V tomto článku představujeme texturní příznaky, které jsou nejen invariantní k barvě osvětlení, ale zárověň robustní ke změně směru osvětlení. Naše příznaky vyžadují pouze jeden trénovací obrázek, přičemž není potřeba znát ani pozici ani spektrum světelného zdroje. Proto jsou tyto nové příznaky velmi vhodné pro  prohledávání obrazových databází (content-based image retrieval - CBIR) obsahujících realistické obrázky, kde se samozřejmě světelné podmínky velmi liší. Příznaky jsou odvozeny z reprezentace textur založené na Markovovských polích (Markov random field - MRF). Navržené texturní příznaky jsme s úspěchem porovnali s nejčastěji používanými příznaky jako lokální binární vzory, řiditelné pyramidy a Gaborovy texturní příznaky. Porovnaní jsme provedli na rozpoznávání materiálů z nyní nejpokročilejší databáze realistických materiálů (BTF textury), kde se naše příznaky ukázaly jako jednoznačně nejlepší.

Abstrakt: Systémy pro prohledávání obrazových databází (content-based image retrieval - CBIR) porovnávají obrázky v databázi se zadaným dotazem na základě obrazových příznaků. V tomto článku představujeme rychlé a robustní metody, které využívají nové světelně invariantní příznaky získané ze třech různých reprezentací textur založených na Markovovských polích (Markov random field - MRF). Tyto metody dovolují prohledávat obrazové databáze obsahující barevné texturované objekty, které byly fotografovány při osvětlení s různou intenzitou nebo spektrem.
   Navržené světelně invariantní metody jsme s úspěchem porovnali s nejčastěji používanými příznaky jako lokální binární vzory, řiditelné pyramidy a Gaborovy texturní příznaky. V testech se světelně invariantním prohledáváním textur z databáze Outex, prokázaly navrhované metody jak světelnou invarianci tak i robustnost vůči přidanému šumu.

Abstract: Systémy pro prohledávání obrazových databází (content-based image retrieval - CBIR) porovnávají obrázky v databázi se zadaným dotazem na základě obrazových příznaků. Naše demonstrace využívá nově navržené světelně invariantní příznaky, které získáváme z reprezentací textur založených na Markovovských polích (Markov random field - MRF). Tyto příznaky dovolují prohledávat obrazové databáze obsahující barevné texturované objekty, které byly fotografovány při osvětlení s různou intenzitou nebo spektrem. Světelně invariantní prohledávání texturních databází jsme úspěšně ověřili na texturách z databáze Outex.

Abstrakt: Článek se zabývá nalezením podobných textur ve scénách s měnícím osvětlením a jsou navrhnuty dvě rychlé metody, které jsou vůči změně osvětlení invariantní. Obě metody jsou založeny na modelování gradientu pomocí Markovovských náhodných polí. Vyvinuté metody překonávají Steerable pyramidy a Gaborovi příznaky při rozpoznávání textur s různým osvětlením.

Abstrakt: Článek shrnuje nejlepší soudobé metody representace textur a studuje jejich využití při porovnávání podobnosti textur. Byl navržen jednoduchý experiment, na kterém byly porovnány vlastnosti texturních příznaky. Experiment se skládá z monospektrálních textur, aby se vyloučil vliv spektrální informace. Jako nejlepší byly vyhodnoceny Markovoské příznaky porovnávané v L1 normě a Gaborovy příznaky.