基于統(tǒng)計(jì)混合模型的圖像分割方法研究.pdf

1、圖像分割是計(jì)算機(jī)視覺(jué)中一個(gè)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(shí)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(lái)越多研究人員的關(guān)注。圖像分割就是把整個(gè)圖像劃分為一些有意義的區(qū)域的過(guò)程。在統(tǒng)計(jì)領(lǐng)域，圖像分割被稱(chēng)為聚類(lèi)分析，它被廣泛的研究并且已經(jīng)提出了許多算法。在聚類(lèi)分析場(chǎng)景中，混合分布由于具有適合對(duì)異構(gòu)現(xiàn)象建模、原理簡(jiǎn)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(lèi)問(wèn)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(shí)認(rèn)為圖像像素之間沒(méi)有任何關(guān)系，在噪聲條件下得到的分割效果不理想。考慮了像素空間關(guān)系的馬爾科夫隨機(jī)場(chǎng)(Markov Random Field, MRF)模型在圖像分割中得到了成功的應(yīng)用。近年來(lái)，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(wèn)題。本文利用像素之間的 MRF關(guān)系對(duì)基于混合模型的圖像分割方法進(jìn)行研究。研究?jī)?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(jì)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(chǎng)(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(shí)鑒于圖像處理研究的重要實(shí)用價(jià)值，搭建了圖像處理統(tǒng)一平臺(tái)，從而為以后的科研構(gòu)建了實(shí)驗(yàn)平臺(tái)。本文對(duì)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?jiǎng)?chuàng)新點(diǎn)包括以下五點(diǎn)。
　　1．針對(duì)空間變化有限混合模型在進(jìn)行參數(shù)推理過(guò)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(yàn)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(zhǎng)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(chǎng)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(yàn)表明DSVStMM優(yōu)于一些其它的模型。
　　3．針對(duì)學(xué)生t-分布混合模型StMM(Student’s t-distribution Mixture Model)用于圖像分割時(shí)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(gè)整體并利用梯度下降法對(duì)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(wú)限混合模型進(jìn)行推理。圖像分割結(jié)果的視覺(jué)和量化對(duì)比實(shí)驗(yàn)都證明了SSStMM的有效性。
　　4．由于隱馬爾科夫隨機(jī)場(chǎng)(Hidden Markov Random Field, HMRF)用于圖像分割時(shí)，存在隱含狀態(tài)數(shù)目需要由用戶(hù)預(yù)先設(shè)定的缺點(diǎn)，我們選擇

8、Dirichlet過(guò)程(無(wú)參數(shù)貝葉斯模型)作為HMRF的隱含狀態(tài)的先驗(yàn)分布，同時(shí)結(jié)合學(xué)生t-分布和Dirichlet過(guò)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(chǎng)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(guò)程的模型。
　　5．鑒于圖像處理研究具有重要的實(shí)用性，對(duì)已有的軟件資源進(jìn)行充分研究，我們搭建了一個(gè)統(tǒng)一的圖像處理平臺(tái)，該平臺(tái)將三種開(kāi)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(tái)能夠方便的實(shí)現(xiàn)軟件包已有算法的