Bilim insanları, görüntü işleme ve yeniden yapılandırma alanında yaygın kullanılan EMML (Expectation-Maximization Maximum Likelihood) algoritmasını yeni bir perspektifle ele alarak önemli bir ilerleme kaydetti. Bu çalışma, özellikle gürültülü görüntülerin iyileştirilmesinde kullanılan algoritmanın performansını artırmaya odaklanıyor.
EMML algoritması, Expectation-Maximization ailesine ait olup özellikle Poisson gürültüsü altında görüntü yeniden yapılandırma problemlerinde tercih ediliyor. Araştırmacılar, bu algoritmanın aslında yeniden parametreleştirilmiş bir amaç fonksiyonuna uygulanan mirror descent yöntemi olarak yorumlanabileceğini keşfetti.
Bu yeni yaklaşımın en önemli avantajı, algoritmaya konveks kısıtlamaları dahil edebilme olanağı sunması. Uygun şekilde seçilmiş Bregman projeksiyonları aracılığıyla bu kısıtlamalar ekleniyor ve aynı zamanda EMML güncellemelerinin çarpımsal yapısı korunarak hesaplama verimliliği sağlanıyor.
Araştırma ekibi, geliştirdikleri kısıtlamalı algoritmanın kısıtlamalı maksimum-olabilirlik probleminin çözümüne yakınsadığını matematiksel olarak kanıtladı. Hiperspektral karışım ayrıştırma problemleri üzerinde yapılan deneysel çalışmalar, yeni yöntemin klasik EMML'den daha az iterasyonda sonuca ulaştığını gösterdi.
Bu gelişme, tıbbi görüntüleme, uydu görüntü analizi, astronomik gözlemler ve spektroskopi gibi birçok alanda daha hızlı ve güvenilir sonuçlar elde edilmesinin yolunu açıyor.