Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Signal Processing: Image Communication. Журнал имеет второй квартиль, издается в Elsevier, его SJR за 2020 г. равен 0,544, импакт-фактор - 3,526, электронный ISSN - 0923-5965, предметные области - Машинное зрение и распознавание образов, Электротехническая и электронная промышленность, Программное обеспечение, Технология обработки сигналов. Вот так выглядит обложка:
Редактором является Андреа Каллаваро, контактные данные - a.cavallaro@qmul.ac.uk.
Это международный журнал по развитию теории и практики имиджевой коммуникации. Его основные цели заключаются в предоставлении форума для развития теории и практики имиджевой коммуникации. Это необходимо для стимулирования взаимного обогащения между схожими по своей природе областями, которые традиционно были разделены, например, различными аспектами визуальных коммуникаций и информационных систем, а также для способствования быстрому обмену информацией между промышленной и академической средой. Редакционная политика и техническое содержание журнала находятся в ведении главного редактора, региональных редакторов и редакторов-консультантов. Журнал является самоокупаемым за счет доходов от подписки и содержит минимальное количество рекламы. Рекламные объявления подлежат предварительному согласованию с главным редактором. Журнал приветствует материалы из всех стран мира, посвященные обработке сигналов. К публикации принимаются статьи, касающиеся аспектов проектирования, внедрения и использования систем связи с изображениями. В журнале публикуются оригинальные исследовательские работы, учебные и обзорные статьи, а также отчеты о практических разработках. Темы, представляющие интерес, включают кодирование изображений/видео, представление и сжатие 3D-видео, сжатие 3D-графики и анимации, системы HDTV и 3DTV, адаптацию видео, видео по IP, одноранговые видеосети, интерактивную визуальную связь, многопользовательские видеоконференции, беспроводное видеовещание и связь, визуальное наблюдение, измерения качества 2D и 3D изображений/видео, предварительная/постобработка, восстановление видео и суперразрешение, анализ видео с нескольких камер, анализ движения, индексирование и извлечение изображений/видео на основе контента, обработка лиц и жестов, синтез видео, технологии получения и отображения 2D и 3D изображений/видео, архитектуры для обработки изображений/видео и связи.
Адрес издания - https://www.sciencedirect.com/journal/signal-processing-image-communication
Пример статьи, название - A unified framework for damaged image fusion and completion based on low-rank and sparse decomposition. Заголовок (Abstract) - Image fusion can integrate the complementary information of multiple images. However, when the images to be fused are damaged, the existing fusion methods cannot recover the lost information. Matrix completion, on the other hand, can be used to recover the missing information of the image. Therefore, the step-by-step operation of image fusion and completion can fuse the damaged images, but it will cause artifact propagation. In view of this, we develop a unified framework for image fusion and completion. Within this framework, we first assume that the image is superimposed by low-rank and sparse components. To obtain the separation of different components to fuse and restore them separately, we propose a low-rank and sparse dictionary learning model. Specifically, we impose low-rank and sparse constraints on low-rank dictionary and sparse component respectively to improve the discrimination of learned dictionaries and introduce the condition constraints of low-rank and sparse components to promote the separation of different components. Furthermore, we integrate the low-rank characteristic of the image into the decomposition model. Based on this design, the lost information can be recovered with the decomposition of the image without using any additional algorithm. Finally, the maximum l1-norm fusion scheme is adopted to merge the coding coefficients of different components. The proposed method can achieve image fusion and completion simultaneously in the unified framework. Experimental results show that this method can well preserve the brightness and details of images, and is superior to the compared methods according to the performance evaluation. Keywords: Image fusion; Image completion; Image decomposition; Low-rank and sparse representation; Dictionary learning