馬爾可夫隨機(jī)場(chǎng)的小波域圖像建模及應(yīng)用研究.pdf

1、圖像去噪是圖像處理應(yīng)用研究的基礎(chǔ)，噪聲會(huì)影響后續(xù)的圖像處理，因此去噪算法的研究一直受到廣泛的關(guān)注。圖像分割是圖像處理到圖像分析的關(guān)鍵，而獲得理想的分割結(jié)果仍是個(gè)難點(diǎn)，因此有必要對(duì)圖像分割進(jìn)行研究。在眾多圖像分析方法中，馬爾可夫隨機(jī)場(chǎng)（Markov random field，MRF）模型因其能有效刻畫(huà)圖像的空間信息且理論完善而廣泛應(yīng)用，并引起越來(lái)越多研究人員的關(guān)注。小波變換具有方向性、非冗余性和多分辨率分析的特性，是刻畫(huà)圖像非平穩(wěn)性新的處

2、理工具。利用小波的這些特性，將基于MRF模型的圖像分析法與小波變換結(jié)合起來(lái)，能夠提高圖像分析的質(zhì)量。
　　本文首先利用隱馬爾可夫模型(HM MM odel,M arkovHidden）的統(tǒng)計(jì)特性，發(fā)展了小波域隱馬爾可夫樹(shù)(Tree，HM TM arkovHidden）模型，實(shí)現(xiàn)了小波域HMT模型的建立、參數(shù)估計(jì)等算法。將小波域 HMT模型應(yīng)用于 TH-1影像去噪，首先對(duì)影像各波段的小波系數(shù)進(jìn)行建模，然后利用最大期望算法估計(jì)模型參數(shù)

3、，再進(jìn)行小波逆變換，最后通過(guò)波段合成得到去噪后影像。實(shí)驗(yàn)結(jié)果表明，本文方法有效地去除了噪聲，且保留了邊緣和細(xì)節(jié)信息。其次實(shí)現(xiàn)了小波域多分辨率Markov隨機(jī)場(chǎng)（multi-resolution Markov random field，MRMRF）的建模及分割，由于此方法在分割過(guò)程中使用固定的勢(shì)函數(shù)，不同尺度間很難獲得一致的分割結(jié)果，本文對(duì)此進(jìn)行了改進(jìn)，用可變的權(quán)值來(lái)連接特征場(chǎng)及標(biāo)記場(chǎng)模型，每一尺度對(duì)應(yīng)的特征場(chǎng)能量和標(biāo)記場(chǎng)能量對(duì)總能量的貢