統(tǒng)計(jì)圖像建模與分割算法研究.pdf

1、為了有效地處理和分析圖像，人們始終對(duì)統(tǒng)計(jì)圖像建模技術(shù)給予了極大的關(guān)注。在圖像分割領(lǐng)域，統(tǒng)計(jì)圖像建模技術(shù)通過(guò)簡(jiǎn)單的數(shù)學(xué)模型捕獲了圖像中的關(guān)鍵信息，達(dá)到了良好的應(yīng)用效果，其相關(guān)技術(shù)的研究已成為了當(dāng)前國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。本文圍繞圖像分割這一應(yīng)用領(lǐng)域?qū)臻g域和小波域統(tǒng)計(jì)圖像建模進(jìn)行了研究，提出了自己新的模型和紋理圖像分割方法。本文的研究工作主要包括以下幾個(gè)方面：
　　 (1)提出了Enhanced Hidden Markov Mode

2、l-Hidden Markov Tree(EHMM-HMT)模型和基于EHMM-HMT模型的圖像分割方法。為了改進(jìn)HMM對(duì)圖像宏觀結(jié)構(gòu)的描述能力，在空間域我們提出了EHMM模型；而后，我們運(yùn)用EHMM和小波域HMT分別對(duì)圖像塊間的相關(guān)性和圖像塊內(nèi)紋理特征建模，提出了EHMM-HMT模型。實(shí)驗(yàn)結(jié)果表明EHMM模型改善了模型對(duì)圖像的宏觀(塊間)特征的描述。
　　 (2)提出了 Enhanced Hidden Markov Model

3、-Hidden MarkovTree-3S(EHMM-HMT3S)模型和基于EHMM-HMT3S模型的圖像分割方法。本文從如何進(jìn)一步提高EHMM-HMT模型對(duì)塊內(nèi)紋理特征建模的準(zhǔn)確度出發(fā)，分析了HMT和HMT-3S兩個(gè)模型對(duì)紋理描述的能力，認(rèn)為HMT-3S模型比HMT模型能更全面地捕獲Discrete Wavelet Transform(DWT)子帶間統(tǒng)計(jì)相關(guān)性。于是，我們將EHMM模型與HMT-3S模型相結(jié)合提出了EHMM-HMT3S

4、模型，實(shí)驗(yàn)結(jié)果表明該模型在紋理特征描述方面的有效性。
　　 (3)為了提高模型在細(xì)尺度上邊界檢測(cè)的能力和降低EHMM-HMT模型的計(jì)算復(fù)雜度，本文提出了基于EHMM-HMT模型和Multi-States Weighted HiddenMarkov Tree(MSWHMT)的多尺度圖像分割方法。鑒于基于EHMM-HMT模型的圖像分割方法有計(jì)算復(fù)雜度較高、邊界感知能力較弱的不足，我們提出了基于MSWHMT模型的多尺度圖像分割方法。M

5、SWHMT模型著重描述了圖像中不同類型紋理子結(jié)構(gòu)的統(tǒng)計(jì)關(guān)系，舍棄了對(duì)紋理子結(jié)構(gòu)間的空間結(jié)構(gòu)關(guān)系的捕捉，將各類型紋理子結(jié)構(gòu)的宏觀估計(jì)與局部描述有機(jī)結(jié)合。相比HMT模型MSWHMT增強(qiáng)了對(duì)不同類別紋理的判別能力，相比EHMM-HMT模型則去除了圖像塊間的相互作用，提高了模型對(duì)邊界的感知能力。實(shí)驗(yàn)表明該模型在各細(xì)尺度上達(dá)到了減少區(qū)域邊界誤分的目的，并有效地降低了模型的計(jì)算復(fù)雜度。
　　 (4)在多尺度融合策略方面，提出了結(jié)合邊界信息的

6、多尺度貝葉斯融合策略。該策略的提出基于兩點(diǎn)考慮：一方面，基于EHMM模型在最粗尺度上的初分割比較可靠，區(qū)域一致性好；另一方面，基于MSWHMT模型在各細(xì)尺度上的初分割的邊界保持效果好。該融合策略結(jié)合初分割結(jié)果和似然從圖像分割的角度給出了邊界新的定義，并區(qū)別處理邊界節(jié)點(diǎn)和非邊界節(jié)點(diǎn)。實(shí)驗(yàn)結(jié)果表明該策略綜合了區(qū)域一致性和邊界保持兩方面因素，取得了良好的融合效果。
　　 本文工作得到了國(guó)家自然科學(xué)基金(No.60673097)、國(guó)家8