基于非參數(shù)正交多項(xiàng)式的圖像分割和融合研究.pdf

1、論文圍繞非參數(shù)正交多項(xiàng)式密度估計(jì)理論，以圖像數(shù)據(jù)為研究對象，在總結(jié)國內(nèi)外關(guān)于圖像數(shù)據(jù)密度估計(jì)和分割、融合研究的基礎(chǔ)上，提出基于圖像數(shù)據(jù)的非參數(shù)正交多項(xiàng)式密度模型及正交多項(xiàng)式混合模型。在此模型基礎(chǔ)上，研究出針對密度模型的圖像分割和融合方法。
　　 主要內(nèi)容包括以下幾個方面：
　　 1.針對目前圖像擬合時容易造成“模型失配”的問題，提出利用圖像的灰度等特征構(gòu)造圖像的一元和多元非參數(shù)正交多項(xiàng)式密度模型；對于單一的參數(shù)分布難以準(zhǔn)

2、確擬合復(fù)雜圖像的問題，設(shè)計(jì)出一種面向圖像的非參數(shù)二類Chebyshev正交多項(xiàng)式混合模型，利用Fourier分析方法與張量積理論推導(dǎo)出圖像的多元正交多項(xiàng)式，并構(gòu)建出基于圖像的非參數(shù)多元正交多項(xiàng)式混合模型。
　　 2.在圖像的正交多項(xiàng)式密度模型的基礎(chǔ)上，提出新的微粒群(Particle Swarm Optimization，PSO)多峰尋優(yōu)方法。為了求解多峰尋優(yōu)問題，提出改進(jìn)的PSO算法，通過減小傳統(tǒng)PSO算法中的全局因素，增大其

3、局部因素，采用變步長方法增加微粒的多樣性，調(diào)整參數(shù)加快算法收斂速度，在啟發(fā)式搜索尋優(yōu)的基礎(chǔ)上，能夠?qū)崿F(xiàn)多峰優(yōu)化，尋找多個局部最優(yōu)解。
　　 3.在圖像的一元非參數(shù)二類Chebyshev正交多項(xiàng)式混合模型的基礎(chǔ)上，提出基于非參數(shù)的隨機(jī)期望最大(Stochastic NonparametricEstimation Maximization，SNEM)算法和貝葉斯準(zhǔn)則的圖像分割方法。對每一個模型的平滑參數(shù)根據(jù)均值積分平方誤差(Mean

4、 IntegratedSquared Error，MISE)方法進(jìn)行估計(jì)，利用SNEM算法求解正交多項(xiàng)式系數(shù)和每一個模型的權(quán)重，最后根據(jù)貝葉斯準(zhǔn)則對圖像實(shí)現(xiàn)分割。在此模型的基礎(chǔ)上加入了空間鄰域信息，使分割時能有效抑制噪聲點(diǎn)，而且此方法不需要對模型作任何假設(shè)，可以有效克服有參混合模型與實(shí)際數(shù)據(jù)分布不一致的問題。實(shí)驗(yàn)表明該方法比其他分割方法效果好。
　　 4.針對一元正交多項(xiàng)式只能利用圖像的灰度單一特征問題，提出一種基于圖像多特征的

5、多元正交多項(xiàng)式混合模型的圖像分割方法。根據(jù)Fourier分析方法與張量積理論推導(dǎo)出圖像的多元正交多項(xiàng)式，并構(gòu)建多元正交多項(xiàng)式的非參數(shù)混合模型，估計(jì)混合模型的參數(shù)，進(jìn)而實(shí)現(xiàn)圖像的分割。實(shí)驗(yàn)表明，該方法可以對圖像實(shí)現(xiàn)比Mean-shift方法更準(zhǔn)確的分割。
　　 5.針對估計(jì)理論的圖像融合方法都是假設(shè)圖像偏移或噪聲服從高斯混合分布，容易造成模型不匹配和容易丟失局部細(xì)節(jié)等問題，提出一種基于小波的多分辨率非參數(shù)正交多項(xiàng)式圖像融合方法。首

6、先，對圖像進(jìn)行多分辨率分解；然后，根據(jù)圖像信息模型和非參數(shù)正交多項(xiàng)式混合模型，對低頻部分采用非參數(shù)的期望最大(NonparameterExpectation-Maximization，NEM)算法估計(jì)模型參數(shù)，獲得低頻融合結(jié)果；對高頻部分，采用系數(shù)絕對值選大法進(jìn)行融合；最后，將高頻和低頻部分結(jié)果進(jìn)行反變換，得到最終融合圖像。實(shí)驗(yàn)結(jié)果表明，本方法融合質(zhì)量優(yōu)于其他方法，融合時間大大縮短。
　　 本文提出的基于非參數(shù)正交多項(xiàng)式密度模型