基于馬爾科夫隨機(jī)場(chǎng)的紋理圖像分割研究.pdf

1、圖像分割是進(jìn)行目標(biāo)識(shí)別、運(yùn)動(dòng)估計(jì)、場(chǎng)景重構(gòu)等高級(jí)視覺(jué)信息處理的前提和基礎(chǔ)，也是連接低視覺(jué)和高級(jí)視覺(jué)的紐帶。很多圖像都包含著大量的紋理信息，紋理圖像的處理更是在遙感圖像和醫(yī)學(xué)圖像處理、分析等領(lǐng)域有著廣泛的應(yīng)用。如何應(yīng)用適當(dāng)?shù)哪Ｐ蛠?lái)建模描述圖像紋理特征非常關(guān)鍵，而馬爾科夫隨機(jī)場(chǎng)模型有著完善的理論基礎(chǔ)和良好的空間表達(dá)能力，對(duì)于復(fù)雜的紋理特征也可以恰當(dāng)?shù)拿枋?，因此本文重點(diǎn)介紹了以馬爾科夫隨機(jī)場(chǎng)模型為基礎(chǔ)的圖像建模、分割方法，依據(jù)提出的分割方法不

2、同，大致可分為三部分：
　　首先提出了一種基于馬爾科夫隨機(jī)場(chǎng)模型（MRF）的變權(quán)重圖像分割方法。在傳統(tǒng)的鄰域勢(shì)函數(shù)基礎(chǔ)上引入圖像鄰域像素間的關(guān)系，來(lái)描述像素被分入同一類(lèi)的可能性。根據(jù)貝葉斯理論將圖像分割問(wèn)題轉(zhuǎn)化為最大后驗(yàn)概率（MAP）的求極值問(wèn)題，此時(shí)引入一個(gè)可變的權(quán)重參數(shù)來(lái)連接標(biāo)記場(chǎng)模型和特征場(chǎng)模型，運(yùn)用條件迭代模型（ICM）進(jìn)行優(yōu)化，獲得分割結(jié)果。實(shí)驗(yàn)中，將提出的算法與K均值算法和傳統(tǒng)MRF相比較，該文方法具有實(shí)效性和一定抗噪

3、性。
　　然后提出了針對(duì)分層馬爾科夫模型在用期望最大（EM）算法進(jìn)行參數(shù)估計(jì)時(shí)，隱變量之間相互作用而導(dǎo)致求期望值較難的問(wèn)題，本文將均場(chǎng)理論應(yīng)用到GMRF模型的估計(jì)中，使得模型的參數(shù)可以通過(guò)簡(jiǎn)單的線性方程在不必使用窗函數(shù)的情況下求出。而對(duì)于固定勢(shì)函數(shù)和變權(quán)重勢(shì)函數(shù)不能表達(dá)圖像區(qū)域間節(jié)點(diǎn)交互關(guān)系的缺點(diǎn)，本文提出了一種基于貝葉斯傳播算法的交互勢(shì)函數(shù)。實(shí)驗(yàn)證明了本文算法分割后的圖像不僅具有良好的區(qū)域性，而且區(qū)域內(nèi)部平滑，改善了傳統(tǒng)小波域分

4、層馬爾科夫模型在分割區(qū)域內(nèi)部存在混分的現(xiàn)象。
　　最后提出了基于小波域分層Gauss-Markov隨機(jī)場(chǎng)模型（WGMRF）來(lái)描述紋理圖像的非平穩(wěn)性。多尺度隨機(jī)場(chǎng)模型只考慮尺度內(nèi)因果MRF模型來(lái)描述局部統(tǒng)計(jì)信息，這樣的分割結(jié)果是不能令人滿(mǎn)意的。為了改進(jìn)這一問(wèn)題，我們用Gauss-Markov隨機(jī)場(chǎng)模型去建模，同時(shí)考慮尺度間局部空間交互信息。使用無(wú)監(jiān)督的方法訓(xùn)練圖像參數(shù)并且用多目標(biāo)解決方法優(yōu)化最大后驗(yàn)參數(shù)估計(jì)。實(shí)驗(yàn)結(jié)果表明無(wú)論在紋理圖