基于馬爾科夫隨機(jī)場(chǎng)模型的圖像分割算法研究.pdf

1、隨著科技社會(huì)的飛速發(fā)展，數(shù)字圖像處理在計(jì)算機(jī)科學(xué)、電子技術(shù)、生物醫(yī)療、自動(dòng)化、衛(wèi)星定位等方面得到了廣泛的應(yīng)用。其中數(shù)字圖像處理主要可以分為三個(gè)層次：狹義圖像處理、圖像分析和圖像理解。其中圖像分割是連接圖像處理和圖像分析的關(guān)鍵步驟，圖像分割的準(zhǔn)確程度嚴(yán)重影響后續(xù)圖像分析和圖像理解的應(yīng)用，凡是需要對(duì)圖像信息進(jìn)行特征提取或追蹤的，都需要圖像分割這一步驟，所以說圖像分割技術(shù)在圖像處理領(lǐng)域的地位是十分重要的。
　　馬爾科夫模型因其能夠刻畫圖

2、像的空間信息，并且有著完備的數(shù)學(xué)理論而在圖像分割上得到廣泛的應(yīng)用。馬爾科夫隨機(jī)場(chǎng)可以利用圖像本身的特性（例如，灰度值，顏色，紋理特征）來對(duì)圖像進(jìn)行建模，它可以將圖像的交互信息融合到圖像分割的過程中去。本文主要針對(duì)單尺度馬爾科夫模型、多分辨率馬爾科夫模型和基于分層的馬爾科夫模型進(jìn)行分析和改進(jìn)，重點(diǎn)研究了基于小波域的多尺度馬爾科夫模型。
　　論文的主要工作和創(chuàng)新如下：
　　首先介紹了馬爾科夫隨機(jī)場(chǎng)模型的基本知識(shí)和幾種常見的MRF

3、隨機(jī)場(chǎng)類型，說明了參數(shù)估計(jì)方法和具體計(jì)算過程。最后我們介紹了幾種圖像分割的最優(yōu)準(zhǔn)則并講述了不同準(zhǔn)則的代價(jià)函數(shù)構(gòu)成及其在使用上的優(yōu)缺點(diǎn)。
　　然后本文將基于偏微分方程的各向異性的擴(kuò)散方程引入到馬爾科夫模型中，作為該算法的預(yù)處理過程，本文將傳統(tǒng)的各向異性的擴(kuò)散方程進(jìn)行改進(jìn)，采用數(shù)學(xué)形態(tài)學(xué)非線性濾波來代替高斯濾波，這樣不僅能在保留邊緣特征的同時(shí)有效濾除噪聲，消除細(xì)小孤立點(diǎn)，而且還能解決高斯濾波后邊界移位問題。在對(duì)圖像進(jìn)行預(yù)處理去噪之后，

4、利用模糊C均值聚類對(duì)圖像進(jìn)行初始分割，分別采用混合高斯模型和Potts模型對(duì)特征場(chǎng)和標(biāo)記場(chǎng)進(jìn)行建模，然后通過MAP準(zhǔn)則對(duì)標(biāo)號(hào)場(chǎng)和特征場(chǎng)的能量和進(jìn)行最小化，最后通過ICM算法對(duì)圖像進(jìn)行最終分割。
　　接著，我們研究了在多分辨率下馬爾科夫模型的原理及特點(diǎn)。首先分析了利用小波變換的圖像多分辨率表示方法，通過將圖像的特征場(chǎng)和標(biāo)記場(chǎng)建立在一系列小波系數(shù)上，來使得每一尺度的特征場(chǎng)都能利用本尺度的標(biāo)記場(chǎng)，然后分別利用 MLL模型和GMRF模型對(duì)

5、標(biāo)記場(chǎng)和特征場(chǎng)進(jìn)行建模，并采用EM算法進(jìn)行參數(shù)估計(jì)，最后根據(jù)MAP準(zhǔn)則求能量和的最小值。該模型從最大尺度開始，求得該尺度圖像的分割結(jié)果，并將本尺度的分割結(jié)果直接映射到與它相鄰的較小尺度，作為較小尺度的初始分割，經(jīng)過這樣的層層迭代，就得到了最終的分割結(jié)果。為了解決基于多分辨率馬爾科夫模型中將標(biāo)記場(chǎng)和特征場(chǎng)能量進(jìn)行加權(quán)為1的簡(jiǎn)單加和給分割結(jié)果帶來的影響，本文提出了一種變權(quán)重的多尺度馬爾科夫隨機(jī)場(chǎng)模型，該權(quán)重綜合了分割尺度、迭代次數(shù)和分割類別

6、數(shù)對(duì)標(biāo)記場(chǎng)能量和特征場(chǎng)能量作用大小的影響，最后通過實(shí)驗(yàn)證明了該算法的可行性。
　　最后，我們對(duì)基于分層的馬爾科夫模型進(jìn)行了深入研究和算法改進(jìn)。首先介紹了簡(jiǎn)單的基于分層的馬爾科夫模型，它是將標(biāo)記場(chǎng)建立在一系列小波系數(shù)上，這樣就形成了標(biāo)記場(chǎng)在各尺度間的因果關(guān)系，在該模型中只采用最高分辨率下的特征場(chǎng)，最后利用SMAP準(zhǔn)則完成圖像的分割。為了解決簡(jiǎn)單的基于多尺度的馬爾科夫模型很難描述圖像冗余性的缺點(diǎn)，產(chǎn)生了基于小波域的分層馬爾科夫隨機(jī)場(chǎng)模

7、型，該模型的特征場(chǎng)和標(biāo)記場(chǎng)均建立在多層次的小波域上，每一層的標(biāo)號(hào)場(chǎng)都利用了本尺度的特征場(chǎng)，這樣就很好地描述了紋理圖像的非平穩(wěn)特性。這雖然解決了非平穩(wěn)性和方向性的問題，但是局部空間信息也沒有得到解決。為此，本文提出了一種基于自適應(yīng)可變勢(shì)函數(shù)的小波域分層馬爾科夫模型，該模型采用了結(jié)合尺度間的因果馬爾科夫模型和尺度內(nèi)的非因果馬爾科夫模型的雙馬爾科夫模型，這樣既保留了原有模型的優(yōu)點(diǎn)，又將局部空間信息引入到分割過程中，通過EM算法估計(jì)尺度間的交互