Markov隨機(jī)場在圖像處理中應(yīng)用的研究.pdf

1、Markov隨機(jī)場(MarkovRandomField,即MRF)理論已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺及圖像處理領(lǐng)域中，它提供了方便而直接的方法以概率來描述圖像像素具有的一些空間相關(guān)的特性，MRF與Gibbs分布的等價(jià)性的提出極大的推廣了其在數(shù)字圖像處理中的應(yīng)用，MRF中聯(lián)合分布的概念提出又為研究者提供了在貝葉斯體系下進(jìn)行圖像處理的MRF模型。本文應(yīng)用MRF理論解決數(shù)字圖像處理中的三個(gè)典型的問題：二值圖像復(fù)原有著廣泛的應(yīng)用,例如指紋圖像預(yù)處理,

2、文本圖像復(fù)原等，基于MRF的復(fù)原算法將原圖像看成是一個(gè)Markov場,以此作為先驗(yàn)知識(shí)來進(jìn)行最大后驗(yàn)概率密度估計(jì)。如何進(jìn)行最大后驗(yàn)概率密度估計(jì)（MAP）的計(jì)算是圖像復(fù)原的關(guān)鍵之一，經(jīng)典的確定性松弛算法和隨即松弛算法在收斂速度和全局收斂性上各有優(yōu)勢，本文提出一種改進(jìn)的模擬退火算法，在迭代計(jì)算過程中動(dòng)態(tài)修改ISING模型中的耦合系數(shù)，加快其收斂過程，有效的復(fù)原被強(qiáng)高斯噪聲污染的文本圖像。圖像分割是數(shù)字圖像分析中的重要環(huán)節(jié)，基于MRF的圖像分

3、割方法用Gibbs分布中的參數(shù)表征圖像的不同紋理特征，對(duì)圖像中噪聲的影響有較好的抑制作用，本文討論一種有別于經(jīng)典模擬退火（SA）算法、Gibbs采樣算法和條件迭代模式（ICM）算法的偽統(tǒng)計(jì)松弛算法，該算法通過首先用一個(gè)近統(tǒng)計(jì)過程的計(jì)算為近確定過程提供一個(gè)好的初始分割，然后通過近確定性過程的計(jì)算快速收斂到局部極值點(diǎn)，得到最后的分割結(jié)果，實(shí)驗(yàn)證明該算法在計(jì)算速度和全局收斂性上都有較好表現(xiàn)。目標(biāo)單幀檢測算法利用單幀圖像內(nèi)部信息，根據(jù)圖像平面內(nèi)