基于統(tǒng)計混合模型的圖像分割方法研究.pdf

1、圖像分割是計算機(jī)視覺中一個古老而基礎(chǔ)的研究課題，它已經(jīng)成功的應(yīng)用于很多領(lǐng)域，同時它是特征提取和圖像理解研究的基礎(chǔ)，因此圖像分割受到越來越多研究人員的關(guān)注。圖像分割就是把整個圖像劃分為一些有意義的區(qū)域的過程。在統(tǒng)計領(lǐng)域，圖像分割被稱為聚類分析，它被廣泛的研究并且已經(jīng)提出了許多算法。在聚類分析場景中，混合分布由于具有適合對異構(gòu)現(xiàn)象建模、原理簡單、直觀并且容易實(shí)現(xiàn)等特點(diǎn)，并成功的應(yīng)用于聚類問題，其中包括圖像分割。然而有限混合模型(Finite

2、 Mixture Model, FMM)用于圖像分割時認(rèn)為圖像像素之間沒有任何關(guān)系，在噪聲條件下得到的分割效果不理想?？紤]了像素空間關(guān)系的馬爾科夫隨機(jī)場(Markov Random Field, MRF)模型在圖像分割中得到了成功的應(yīng)用。近年來，研究人員提出了很多FMM結(jié)合MRF的模型，并將這些模型成功的用于圖像分割，然而仍然存在一些問題。本文利用像素之間的 MRF關(guān)系對基于混合模型的圖像分割方法進(jìn)行研究。研究內(nèi)容主要包括基于空間變化有

3、限混合模型(Spatially Variant Finite Mixture Model, SVFMM)的計算效率及抗噪性能；學(xué)生t-分布與SVFMM的結(jié)合及在圖像分割中的應(yīng)用；隱馬爾科夫隨機(jī)場(Hidden Markov Random Field, HMRF)模型的隱含狀態(tài)數(shù)目的確定及抗噪性。同時鑒于圖像處理研究的重要實(shí)用價值，搭建了圖像處理統(tǒng)一平臺，從而為以后的科研構(gòu)建了實(shí)驗平臺。本文對混合模型在圖像分割中的應(yīng)用進(jìn)行了深入研究，取得

4、的研究成果及主要創(chuàng)新點(diǎn)包括以下五點(diǎn)。
　　1．針對空間變化有限混合模型在進(jìn)行參數(shù)推理過程中得到的標(biāo)簽概率比例不是封閉解，需要額外的投影優(yōu)化操作增加了模型的復(fù)雜度和降低了運(yùn)行效率等情況，提出了一種新的空間變化有限混合模型(Spatial Directional Relationships-based GaussianMixtureMode, SDRGMM)，它的標(biāo)簽概率比例被顯示的表示為概率向量從而避免了優(yōu)化操作。在合成圖像和模擬大

5、腦圖像數(shù)據(jù)上的實(shí)驗表明了SDRGMM的有效性。
　　2．利用學(xué)生 t-分布比高斯分布具有更長尾部從而具有更好抗噪性能的特點(diǎn)，結(jié)合空間變化有限混合模型的優(yōu)點(diǎn)，充分考慮圖像像素之間的空間關(guān)系，提出了有向空間變化學(xué)生t-分布混合模型(Directional Spatially Varying Student’s t-distribution Mixture Model, DSVStMM)。DSVStMM與其它一些基于馬爾科夫隨機(jī)場的模型

6、相比具有較少的參數(shù)，因此容易實(shí)現(xiàn)。在合成圖像和真實(shí)圖像上的實(shí)驗表明DSVStMM優(yōu)于一些其它的模型。
　　3．針對學(xué)生t-分布混合模型StMM(Student’s t-distribution Mixture Model)用于圖像分割時未考慮像素之間的空間關(guān)系的缺點(diǎn)，利用像素之間的空間平滑信息，提出了新的學(xué)生t-分布混合模型，即基于空間平滑的學(xué)生t-分布混合模型(Spatially Smooth-based Student's t

7、-distributionMixtureModel, SSStMM)。SSStMM將學(xué)生t-分布完全看成一個整體并利用梯度下降法對模型進(jìn)行推理，而以前的文獻(xiàn)將學(xué)生t-分布看成高斯分布的無限混合模型進(jìn)行推理。圖像分割結(jié)果的視覺和量化對比實(shí)驗都證明了SSStMM的有效性。
　　4．由于隱馬爾科夫隨機(jī)場(Hidden Markov Random Field, HMRF)用于圖像分割時，存在隱含狀態(tài)數(shù)目需要由用戶預(yù)先設(shè)定的缺點(diǎn)，我們選擇

8、Dirichlet過程(無參數(shù)貝葉斯模型)作為HMRF的隱含狀態(tài)的先驗分布，同時結(jié)合學(xué)生t-分布和Dirichlet過程采用折棍表示的模型，提出了在折棍表示下的學(xué)生t-分布隱馬爾科夫隨機(jī)場模型(Stick-breakingRepresentation of HMRF basedon Student's t-distribution, SBHMRF-St)，模型中使用變分貝葉斯推理求解SBHMRF-St的參數(shù)。在伯克利圖像集和微軟劍橋研究

9、院提供的彩色圖像分割結(jié)果表明了SBHMRF-St優(yōu)于其它一些基于Dirichlet過程的模型。
　　5．鑒于圖像處理研究具有重要的實(shí)用性，對已有的軟件資源進(jìn)行充分研究，我們搭建了一個統(tǒng)一的圖像處理平臺，該平臺將三種開源軟件ITK(Insight Segmentation and Registration Toolkit)、VTK(Visualization Toolkit)和Qt進(jìn)行有效的結(jié)合。該平臺能夠方便的實(shí)現(xiàn)軟件包已有算法的