基于MRF和非采樣小波變換的動態(tài)紋理分割.pdf

1、動態(tài)紋理是時間上具有相關(guān)性,空間上具有重復(fù)性的紋理圖像序列。關(guān)于動態(tài)紋理的研究有很多方面,包括動態(tài)紋理的分類、分割、合成等。由于動態(tài)紋理普遍存在于人們生活的各個方面,因此具有廣泛的應(yīng)用。
　　動態(tài)紋理分割即是對紋理圖像序列中的互不相疊、紋理均勻一致的若干區(qū)域重新標(biāo)號的過程。馬爾可夫隨機場(markov random field,MRF)模型能夠有效地描述動態(tài)紋理特征,因此,本文深入研究基于馬爾可夫隨機場模型的動態(tài)紋理分割算法,并將

2、結(jié)合小波域的多分辨性,形成了非采樣小波變換的馬爾可夫隨機場(NSMRF)模型。本文的工作如下:
　　1、基于馬爾可夫隨機場模型的動態(tài)紋理分割:根據(jù)選取的鄰域系統(tǒng)和能量函數(shù)來描述動態(tài)紋理的特性,分別采用服從吉布斯分布的標(biāo)記場以及服從高斯分布的觀察場來描述動態(tài)紋理,利用馬爾可夫鏈蒙特卡洛(markov chain monte carlo,MCMC)方法實現(xiàn)參數(shù)估計,形成基于MCMC方法的MRF動態(tài)紋理分割模型,運用最大后驗準(zhǔn)則(MAP

3、)分割動態(tài)紋理。仿真實驗驗證MRF模型的有效性。
　　2、基于NSMRF模型的動態(tài)紋理分割:根據(jù)非采樣小波變換具有平移不變性,非采樣小波變換更適合于動態(tài)紋理分割,提出了基于非采樣小波變換的動態(tài)紋理分割算法。該算法還考慮到MCMC方法用于參數(shù)估計的耗時性,提出了改進的MCMC算法用于實現(xiàn)參數(shù)估計,從而減少動態(tài)紋理分割的計算復(fù)雜性。同時該算法考慮了同一尺度各個子帶小波系數(shù)的關(guān)系,建立了NSMRF模型。仿真實驗驗證了NSMRF模型用于動