基于MRF的局部和全局最優(yōu)化圖象分割方法研究.pdf

1、MRF(Markov Random Field，馬爾可大隨機(jī)場)理論已經(jīng)被廣泛地應(yīng)用于計(jì)算機(jī)視覺及圖像處理領(lǐng)域中，它提供了方便而直接的方法，以概率米描述圖像像素之間的空間相關(guān)的特性，MRF與Gibbs(古布斯)分布的等價(jià)性的提出，推廣了其在數(shù)字圖像處理中的應(yīng)用。圖像分割是數(shù)字圖象分析中的重要環(huán)節(jié)，基于MRF的圖像分割方法采用MRF模型為基本模型，并使用MAP(Maximum A Posterior，最大后驗(yàn)概率)這一優(yōu)化準(zhǔn)則米搜尋優(yōu)化解

2、，應(yīng)用MAP準(zhǔn)則可以將圖像的先驗(yàn)分布利數(shù)據(jù)的條件分布(似然分布)結(jié)合起來。這樣將MRF模型與MAP準(zhǔn)則結(jié)合在一起形成了解決問題的特定的MAP-MRF框架(本文提出的算法皆源于該體系結(jié)構(gòu))。 本文主要研究利總結(jié)了MRF的一些有用的模型形式，如，MLL(Multilevel Logistic Model)模型，分層MRF模型，F(xiàn)RAME(Filter，Random Fields，and Maximum Entropy)模型等；重點(diǎn)對

3、基于MRF-MAP框架求解目標(biāo)能鼙函數(shù)的局部利全局最優(yōu)化算法進(jìn)行探索研究。 1.對基T-MRF的圖像分割的局部最優(yōu)算法，如，ICM(Iterated Conditional Mode)算法，RL(Relaxation Labeling)、HCF(Highest Confidence First)算法進(jìn)行了理論和實(shí)驗(yàn)的研究分析，并且對HCF算法加以改進(jìn)。通過實(shí)驗(yàn)可以得出：ICM與HCF算法能快速收斂得出局部能量極小值解，但卻很大程

4、度上依賴于初始分割。從分割性能上分析，ICM算法的分割結(jié)果中會山現(xiàn)一些不連續(xù)區(qū)域，而RL算法缺乏細(xì)節(jié)辨識能力。并且，改進(jìn)后的HCF算法的分割效果要優(yōu)于ICM和RL算法。最后，還給出了這三個算法對于三種不同類型的圖像進(jìn)行分割的性能排序和它們的適用范圍。 2.對分割的全局最優(yōu)求解方法，重點(diǎn)對經(jīng)典的模擬退火算法，SA(Simulated annealing)，進(jìn)行了原理及應(yīng)用研究；提出了動態(tài)參數(shù)方法，對原有的SA算法進(jìn)行了改進(jìn)，并將分

5、割結(jié)果與其他算法進(jìn)行了比較分析。改進(jìn)后的SA方法，在迭代計(jì)算過程中動態(tài)修改系數(shù)參數(shù)，加快原有的收斂過程，可以有效地分割被噪聲污染的圖象，在計(jì)算速度和全局收斂性上都有較好的表現(xiàn)。同時本文也對退火思想利局部優(yōu)化算法相結(jié)合的算法進(jìn)行了相關(guān)方面的研究。 3.利用MRF-MAP框架方法實(shí)現(xiàn)圖像的分割，不僅最后分削效果比較好，而且還可以綜合吸收其他有益算法和理論，具有可伸縮性，可以滿足特定的分割需求。同時，本義也對利用MRF模型解決圖像分割