De laatste jaren hebben Bayesiaanse technieken voor beeldsegmentatie en ruisonderdrukking steeds meer aandacht getrokken. Ze vormen ook een natuurlijk kader voor het integreren van statistische beeldmodellen enerzijds en a priori kennis over de contextuele structuur van een accurate segmentatie anderzijds. In een Bayesiaans kader wordt contextuele structuur vaak gemodelleerd m.b.v. Markov Random Velden. Dit heeft geleid tot betere segmentatieresultaten in toepassingen met natuurlijke scènes [Papas96], textuurbeelden [Andrey98], en multispectrale beelden [Zhang90, Kato92, Petro00]. Anderzijds hangen de segmentatieresultaten bij MRF-gebaseerde technieken af van een correcte instelling van hun parameters. Deze parameters zijn b.v. gerelateerd aan het ruisniveau van het inputbeeld en de correlatie-eigenschappen van de nuttige beeldkenmerken (vb. de scherpte van een rand).
In ongesuperviseerde toepassingen, en wanneer onvoldoende a priori kennis voorhanden is, ontstaat hier een kip-en-ei probleem: een accurate parameterschatting (b.v. het ruisniveau) is nodig om een goede segmentatie of restauratie te bekomen, maar de parameters accuraat schatten vraagt de kennis van de plaats van vlakke gebieden (om de ruiseigenschappen te schatten), randen (om de rand-eigenschappen te schatten) en gebieden met bepaalde texturen (om textuureigenschappen te schatten). Deze kennis is enkel voorhanden na segmentatie. Een tweede probleem is dat optimale ruisonderdrukking of segmentatie moet plaatsvinden op een optimale schaal.

Runtime: 2003 - 2006