基于TS-MRF模型的圖像分割.pdf

1、圖像分割是計(jì)算機(jī)視覺(jué)中的關(guān)鍵技術(shù)之一。基于馬爾可夫隨機(jī)場(chǎng)(Markov Random Field，MRF)模型的圖像分割方法，是一種基于統(tǒng)計(jì)的分割方法，具有能充分利用先驗(yàn)知識(shí)，能形成閉合的邊界，模型參數(shù)少且易于和其他方法相結(jié)合等優(yōu)點(diǎn)，所以此方法在圖像分割領(lǐng)域中得到了廣泛的應(yīng)用。
　　 本文研究了基于TS-MRF(Tree Structured-Markov Random Field)的圖像分割算法，重點(diǎn)研究了在基于TS-MRF的

2、圖像分割模型上提出了利用小波變換提取紋理特征來(lái)改善初始分割的方法，小波域TS-MRF--WTS-MRF模型以及利用多尺度積思想的改進(jìn)WTS-MRF模型。
　　 首先，研究了利用小波變換提取紋理特征來(lái)改善初始分割的方法。由于初始分割在TS-MRF模型中有很大的影響，直接決定分割結(jié)果的好壞。小波變換提取圖像中每個(gè)像素點(diǎn)的10維紋理特征，再用聚類的方法對(duì)這些特征向量進(jìn)行分類則得到了比較好的初始分割。
　　 其次，在TS-MRF

3、模型中，所有隨機(jī)場(chǎng)均定義在單一分辨率的格網(wǎng)位置集合上，很難描述圖像的非穩(wěn)態(tài)特性。另外，基于TS-MRF模型進(jìn)行圖像分割時(shí)，當(dāng)前節(jié)點(diǎn)的分割結(jié)果對(duì)于它的祖先節(jié)點(diǎn)的分割結(jié)果依賴性非常嚴(yán)重，如果祖先節(jié)點(diǎn)的分割結(jié)果不好，它的分割結(jié)果也會(huì)較差。基于此，本文采用小波域多尺度圖像分割的思想，將TS-MRF引入到小波空間中，利用小波變換的多尺度、多方向表達(dá)能力來(lái)彌補(bǔ)TS-MRF建模能力上的不足，提出了小波域TS-MRF模型。
　　 最后，WTS-