基于高斯混合模型的圖像分割的研究.pdf

1、圖像分割是計算機(jī)視覺中的重要內(nèi)容，廣泛的應(yīng)用在圖像識別體系中。經(jīng)過幾十年的研究，關(guān)于圖像分割許多學(xué)者提出了各種方法和理論。其中基于模型的圖像分割技術(shù)是分割方法中的一個熱點，而高斯混合模型(GMM)又是圖像分割模型中的一個有效且著名的模型?；诟咚够旌夏Ｐ偷木垲惙治龇椒梢越鉀Q存在不確定性分類以及具有復(fù)雜內(nèi)容的圖像分割的問題?？墒腔诟咚够旌夏Ｐ偷南闰灨怕史植紱]有引入鄰域像素之間的空間關(guān)系，從而導(dǎo)致了使用該方法進(jìn)行圖像分割得到的結(jié)果對于噪

2、聲的干擾比較敏感。因此，空間可變有限混合模型SVFMM首次提出了引入鄰域像素之間的空間關(guān)系到混合模型的先驗概率分布中，使得模型具有較好抗噪性。之后也有學(xué)者提出了許多對SVFMM模型的改進(jìn)，以提高抗噪性。為了克服GMM對噪聲的敏感問題，需要對GMM的先驗概率分布進(jìn)行空間關(guān)系約束，有兩種途徑可以進(jìn)行先驗概率的約束。
　　本文首先對基于高斯混合模型的圖像分割方法進(jìn)行了研究，介紹馬爾科夫隨機(jī)場以及將馬爾科夫隨機(jī)場引入到高斯混合模型的先驗概

3、率分布中去。介紹了兩種進(jìn)行參數(shù)估計的方法，期望最大化(EM)算法和梯度下降算法。并對高斯混合模型進(jìn)行圖像分割的優(yōu)點以及缺點進(jìn)行闡述，為本文深入研究提供基礎(chǔ)。
　　其次研究了高斯混合模型中進(jìn)行先驗概率約束的第一種途徑的一種方法，一種拓展的高斯混合模型?；谙噜彽南袼氐南闰灨怕史植几赡苁勤呌谙嗤蛘呦嗨频乃枷?，提出了一種利用像素在鄰域空間內(nèi)的均值取代像素本身的值的方法構(gòu)造先驗概率分布，將鄰域權(quán)重函數(shù)的均值作用到先驗概率分布中，提高模