非監(jiān)督貝葉斯彩色圖像分割.pdf

1、馬爾可夫隨機(jī)場(chǎng)因結(jié)合局部信息與空間信息的特性，被廣泛應(yīng)用于機(jī)器視覺與圖像處理相關(guān)領(lǐng)域中。然而馬爾可夫隨機(jī)場(chǎng)被證明是NP問(wèn)題。隨著MRF與Gibbs分布等價(jià)性的提出，使得計(jì)算變成可能。因此本文使用Markov隨機(jī)場(chǎng)作為模型對(duì)圖像進(jìn)行基于色彩分割。然而原始Markov隨機(jī)場(chǎng)的計(jì)算需要監(jiān)督獲得局部信息。為了解決此問(wèn)題，本文使用基于Dirichlet過(guò)程的非監(jiān)督貝葉斯模型來(lái)求局部信息。
　　 Dirichlet過(guò)程聚類算法實(shí)現(xiàn)貝葉斯混合

2、模型，本算法的主要思想是使用概率混合模型來(lái)解釋觀測(cè)數(shù)據(jù)。每個(gè)觀測(cè)數(shù)據(jù)被認(rèn)為隸屬于其中模型，然而并不確切知道屬于那一個(gè)模型，在此情況下處理一個(gè)被稱作隱參數(shù)問(wèn)題，此隱參數(shù)用于指明觀測(cè)數(shù)據(jù)是由哪一個(gè)模型隨機(jī)產(chǎn)生的。然而具體如何確定模型的個(gè)數(shù)成為本問(wèn)題的核心。若模型選擇太少，此概率模型將不能表述復(fù)雜分布。反之，若模型選擇過(guò)多，將產(chǎn)生過(guò)適定問(wèn)題。因此使用Dirichle分布進(jìn)行先驗(yàn)概率選擇。Dirichlet分布是一個(gè)基于多參數(shù)的分布，可以看作b

3、eta分布的一般化形式。Dirichlet分布是分布的分布，也就是說(shuō)從Dirichlet分布的采樣序列屬于離散分布空間。設(shè)模型的個(gè)數(shù)為K，當(dāng)時(shí)DP依然成立。因?yàn)镵的個(gè)數(shù)與觀測(cè)數(shù)據(jù)的個(gè)數(shù)有關(guān)，故屬于非參數(shù)估計(jì)。并且k的個(gè)數(shù)呈指數(shù)速度下降，因此通常不會(huì)產(chǎn)生過(guò)適定問(wèn)題。在最優(yōu)化問(wèn)題中，本文使用blei的變分推導(dǎo)(variantional inference)方法處理DP混合模型問(wèn)題，以使在可以接受的時(shí)間內(nèi)，可以良好的處理圖像的聚類問(wèn)題。

4、>　　 決定基于色彩的分割正確率一個(gè)重要步驟就是如何衡量?jī)蓚€(gè)像素視覺差距的測(cè)度函數(shù)，傳統(tǒng)的方法是使用歐拉距離，然而本文認(rèn)為這種方法不符合視覺習(xí)慣。通過(guò)色彩空間的觀測(cè)與試驗(yàn)發(fā)現(xiàn)，相對(duì)于歐拉距離，兩個(gè)像素之間的夾角距離扮演更重要的角色。然而夾角距離也存在其缺點(diǎn)，如在純黑與純白像素，若使用夾角距離計(jì)算，則會(huì)認(rèn)為兩個(gè)像素完全類似。為了克服上述問(wèn)題，本文依據(jù)歐拉距離與夾角距離的性質(zhì)，結(jié)合兩者的特點(diǎn)設(shè)計(jì)一個(gè)基于夾角距離與歐拉距離的分布。并將此分布

5、用于Dirichlet過(guò)程中作為分布模型。因?yàn)楸疚目紤]到選擇了更恰當(dāng)?shù)南袼乇容^模型，并結(jié)合空間局部信息，實(shí)驗(yàn)證明本文提高分割的視覺效果。
　　 然而圖像分割所需要處理的數(shù)據(jù)量巨大，在MRF中，本文討論了Yuri Boykov的圖切割算法的并行能力，設(shè)計(jì)并實(shí)現(xiàn)了其增長(zhǎng)(Grow)和收養(yǎng)(Adopt)步驟的并行算法。在增長(zhǎng)函數(shù)中本文使用分支界限法的廣度優(yōu)先搜索，并使用擴(kuò)展終止線程函數(shù)，提升算法的執(zhí)行效率，并在上述兩個(gè)函數(shù)中調(diào)用Ope