基于馬爾科夫隨機場的紋理圖像分割研究.pdf

1、圖像分割是進行目標識別、運動估計、場景重構(gòu)等高級視覺信息處理的前提和基礎(chǔ)，也是連接低視覺和高級視覺的紐帶。很多圖像都包含著大量的紋理信息，紋理圖像的處理更是在遙感圖像和醫(yī)學(xué)圖像處理、分析等領(lǐng)域有著廣泛的應(yīng)用。如何應(yīng)用適當(dāng)?shù)哪Ｐ蛠斫Ｃ枋鰣D像紋理特征非常關(guān)鍵，而馬爾科夫隨機場模型有著完善的理論基礎(chǔ)和良好的空間表達能力，對于復(fù)雜的紋理特征也可以恰當(dāng)?shù)拿枋觯虼吮疚闹攸c介紹了以馬爾科夫隨機場模型為基礎(chǔ)的圖像建模、分割方法，依據(jù)提出的分割方法不

2、同，大致可分為三部分：
　　首先提出了一種基于馬爾科夫隨機場模型（MRF）的變權(quán)重圖像分割方法。在傳統(tǒng)的鄰域勢函數(shù)基礎(chǔ)上引入圖像鄰域像素間的關(guān)系，來描述像素被分入同一類的可能性。根據(jù)貝葉斯理論將圖像分割問題轉(zhuǎn)化為最大后驗概率（MAP）的求極值問題，此時引入一個可變的權(quán)重參數(shù)來連接標記場模型和特征場模型，運用條件迭代模型（ICM）進行優(yōu)化，獲得分割結(jié)果。實驗中，將提出的算法與K均值算法和傳統(tǒng)MRF相比較，該文方法具有實效性和一定抗噪

3、性。
　　然后提出了針對分層馬爾科夫模型在用期望最大（EM）算法進行參數(shù)估計時，隱變量之間相互作用而導(dǎo)致求期望值較難的問題，本文將均場理論應(yīng)用到GMRF模型的估計中，使得模型的參數(shù)可以通過簡單的線性方程在不必使用窗函數(shù)的情況下求出。而對于固定勢函數(shù)和變權(quán)重勢函數(shù)不能表達圖像區(qū)域間節(jié)點交互關(guān)系的缺點，本文提出了一種基于貝葉斯傳播算法的交互勢函數(shù)。實驗證明了本文算法分割后的圖像不僅具有良好的區(qū)域性，而且區(qū)域內(nèi)部平滑，改善了傳統(tǒng)小波域分

4、層馬爾科夫模型在分割區(qū)域內(nèi)部存在混分的現(xiàn)象。
　　最后提出了基于小波域分層Gauss-Markov隨機場模型（WGMRF）來描述紋理圖像的非平穩(wěn)性。多尺度隨機場模型只考慮尺度內(nèi)因果MRF模型來描述局部統(tǒng)計信息，這樣的分割結(jié)果是不能令人滿意的。為了改進這一問題，我們用Gauss-Markov隨機場模型去建模，同時考慮尺度間局部空間交互信息。使用無監(jiān)督的方法訓(xùn)練圖像參數(shù)并且用多目標解決方法優(yōu)化最大后驗參數(shù)估計。實驗結(jié)果表明無論在紋理圖