Mäkitalo Markku Juhani

Asepalveluksen jälkeen Markku siirtyi opiskelemaan Joensuun yliopiston matemaattis-luonnonnontieteellisen tiedekunnan matematiikan laitokselle pääaineenaan matematiikka ja fysiikka. Markku valmistui sieltä filosofian maisteriksi (FM) vuonna 2008.

Vuoden 2009 alusta hän aloitti tohtoriopinnot Tampereen Teknillisellä Yliopistolla ja väitteli 1.3.2013 Filosofian tohtoriksi (FT).

Markku työskentelee tällä hetkellä (vuonna 2014) tutkijana TTY:n signaalinkäsittelyn laitoksella.

Markun väitöskirjan aiheena oli " Exact Unbiased Inverse of the Anscombe Transformation and its Poisson-Gaussian Generalization” (”Anscombe-muunnoksen harhaton käänteismuunnos ja sen Poisson-Gaussinen yleistys”). Vastaväittäjinä toimivat Assistant Professor Rebecca Willett (Duke University) ja professori Janne Heikkilä (Oulun yliopisto). Kustoksena väitöstilaisuudessa oli dosentti Alessandro Foi signaalinkäsittelyn laitokselta.

Suomen hahmontunnistustutkimuksen seura ry, Pattern Recognition Society of Finland, palkitsee joka toinen vuosi parhaan suomalaisessa yliopistossa tehdyn väitöskirjan hahmontunnistuksen alalta ja Markku sai tämän palkinnon vuonna 2014.

Suomenkielinen tiivistelmä Markun väitöskirjasta:

Kohina pois digikuvista

Digitaalisen valokuvan ottaminen on häiriöaltis prosessi. Kameran tai muun kuvauslaitteen valoherkälle kennolle kerääntyvän valon määrä vaihtelee tilastollisesti, vaikka valaistusolosuhteet ja kameran asetukset pysyisivät muuttumattomina. Tämä näkyy kuvissa Poisson-jakautuneena kohinana, joka tulee esille erityisesti, kun kuva on otettu hämärässä tai hyvin lyhyellä valotusajalla. Toisaalta muun muassa kameran sisäinen elektroniikka ja kennon epätäydellisyydet aiheuttavat häiriöitä, joita perinteisesti mallinnetaan normaalijakauman eli Gaussin kellokäyrän avulla.

Kuvien laatua voidaan parantaa kohinanpoistoalgoritmeilla, jotka pyrkivät poistamaan tilastolliset häiriöt kuvasta mahdollisimman tehokkaasti. Niiden suunnittelussa on kuitenkin otettava huomioon kohinan tilastollinen malli, ja useimmat algoritmit käyttävätkin vain yksinkertaista normaalijakautunutta mallia.

Jos kohinaa mallinnetaan monimutkaisemmin, sen jakauma on mahdollista muuntaa lähes normaalijakautuneeksi, jolloin muunnettuun kuvaan voidaan soveltaa mitä tahansa normaalijakaumalle suunniteltua kohinanpoistoalgoritmia. Tällöin kuva on kohinanpoiston jälkeen vielä käsiteltävä sopivalla käänteismuunnoksella. Perinteiset käänteismuunnokset tuottavat kuitenkin huonoa jälkeä hämärässä otetuille kuville. Asian korjaamiseksi väitöskirjassa esitellään Poisson- ja Poisson-Gaussisille malleille soveltuvat käänteismuunnokset, joita käyttämällä kohinanpoisto onnistuu tehokkaasti myös hämärässä otetuille kuville.