基于证据马尔可夫随机场模型的图像分割

图像分割是计算机视觉中的经典问题,在许多领域都有重要应用.由于图像信息存在不确定性,难以获得精确的分割结果,为应对图像分割中的不确定性问题,将证据理论这一不确定性建模与推理工具与马尔可夫随机场相结合,提出证据马尔可夫随机场(EMRF)模型,并基于此提出新的图像分割算法.EMRF利用证据标号场描述像素标号的含混性,以证据距离描述相邻像素间的标号关系,利用条件迭代模型(ICM)算法进行优化.实验结果表明,EMRF相较于传统马尔可夫随机场、模糊马尔可夫随机场和传统的基于证据理论的方法,能获得更好的分割效果.     

概率图模型表示理论

概率图模型结合概率论与图论的知识,利用图来表示与模型有关的变量的联合概率分布。近年它已成为不确定性推理的研究热点,在人工智能、机器学习和计算机视觉等领域有广阔的应用前景。主要研究概率图模型的表示方法,讨论如何利用概率网络中的独立性来简化联合概率分布的方法表示。首先介绍了单个节点上的条件概率分布的表示模型及其引起的独立性,包括表格CPD、确定性CPD、特定上下文CPD、因果影响CPD、高斯模型和混合模型,并把单个分布模型推广到指数分布族中。然后详细介绍贝叶斯网络中的独立性以及图与概率分布的关系,讨论了高斯分布和指数分布族的贝叶斯网络表示理论。再详细描述马尔可夫网络的参数化问题及其独立性,也讨论高斯分布和指数分布族的马尔可夫网络表示理论。还给出两种局部有向图模型:条件随机场和链图。并且描述基于模板的概率模型表示,包括动态贝叶斯网络和状态观测模型这两种暂态模型,以及盘模型和概率关系模型这两种对象关系领域的有向概率模型,而且给出对象关系领域的无向表示。最后对概率图模型表示理论和方法所面临的问题及前景进行展望。     

基于高斯马尔可夫随机场的MAP估计在高斯噪声滤波中的应用

提出了基于高斯马尔可夫随机场(GMRF)的最大后验概率(MAP)估计在图像高斯噪声滤波中的应用方法。根据高斯噪声的先验特点，建立基于高斯马尔可夫随机场的退化图像恢复模型，从而将图像高斯噪声滤波问题转化为求解最大后验概率问题。先验概率可以根据马尔可夫随机场(MRF)和吉布斯分布(GD)的等效性, 用GD的概率估计。为了求解最大后验概率，第一，通过期望最大化(EM）算法对GMRF模型进行参数估计。第二，用共轭梯度法将目标函数最小化。实验结果表明，与其他滤波器（如高斯滤波、维纳滤波等）相比，本文所阐述的方法在滤除高斯噪声、保持图像原有结构方面效果更好。     

基于高阶马尔可夫随机场的图像分割

图像分割是个病态问题,精确化的图像分割需要用户提供足够多的约束信息才能实现.近年来随着马尔可夫随机场吉布斯能量函数最小化图割求解技术的突破,许多国外研究人员开展基于图割方法的交互式图像分割技术的研究.在众多交互式图像分割技术中,由于用户友好性和潜在应用价值,采用矩形框约束的交互式图像分割方法非常吸引人.从超像素马尔可夫随机场模型和网格马尔可夫随机场模型出发,在吉布斯能量函数中引入高阶势能项,高阶势能项的引入使得新的模型既能捕捉细粒度的单个像素信息又能捕捉单像素一定范围内的关联信息,从而提高了矩形框限制条件下的图像分割性能.实验表明:与GrabCut算法相比,所提算法准确性上有一定提高.最后,将所提算法应用在视频对象分割上也取得了不错的效果.     

一种新的纹理图像Gibbs模型

马尔可夫随机场-Gibbs模型在计算机视觉领域,得到了广泛的应用.传统形式的Gibbs模型多以空间灰度信息的线性干涉关系为描述基础.由于实际图像中空间灰度信息的非线性关系,这类模型在诸如多纹理分割这样的应用中,有较大的局限性.本文提出了一种新的Gibbs模型形式,并结合Gabor技术和矢量量化技术来完成模型的估计.该模型具有形式简单、包含信息量大的优点.在利用Brodatz标准纹理进行的分割实验中,得到了理想的分割结果.     

基于马尔可夫随机场的运动目标检测

精确的目标检测是目标跟踪和识别的重要前提。提出了一种基于固定摄像机环境下的运动目标检测方案,利用多高斯和马尔可夫随机场的混合模型对视频序列进行前景分割,以达到对运动目标检测的目的。建立了马尔可夫随机场用以刻画图像中每个像素点与一定范围的领域内其他各点的关系,同时考虑一定的时域中的关系从而构建一个全局的约束,弥补多高斯模型只考虑单点信息的不足,使得前景分割更为准确。还给出了一种基于多高斯和马尔可夫随机场的新的能量函数形式,并给出了模拟退火方法对模型进行求解的方法。结果表明,利用该文的方法对运动目标进行检测,结果要优于多高斯模型。     

基于马尔可夫随机场的运动分割研究

运动对象的分割技术一直是图像处理和计算机视觉领域的重要研究课题。采用一种将运动估计方法与马尔可夫随机场（MRF）模型相结合的运动分割方法。采用鲁棒统计技术与误差模型相结合构成运动估计的目标函数,运动模型为仿射运动,通过过松弛算法获得每种运动的运动参数;根据误差最小原则确定运动对应区域的初值,采用马尔可夫随机场（MRF）模型对运动估计结果进行平滑去噪。最后给出了该方法在通用图像实例上的实验结果。     

一种使用稀疏约束和连续约束的前景检测算法

对带有动态背景的前景检测,特别是在没有干净背景可用情况下的前景检测一直是计算机视觉领域中具有挑战性的难题。本文基于稀疏表示(SR)和马尔可夫随机场(MRF)提出了一种新的前景检测方法。首先,用前一帧的稀疏组合来表示静态背景,而在稀疏表示模型的残差中包含稀疏的前景和动态背景。然后,用马尔可夫随机场方法,利用其聚集的性质,抑制分散的噪声和保护前景信号。最后,将增强拉格朗日乘子(ALM)和图割法结合,形成一种有效的自适应算法。大量的实验数据表明该方法的有效性和鲁棒性。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

影像纹理分类的马尔可夫随机场方法与试验研究

针对马尔可夫随机场方法用于影像纹理分类进行了探讨。主要探讨了以下三个方面的问题：（１）如何从备选马尔可夫随机场模型中找出最适合的模型;（２）马尔可夫随机场模型参数的估计问题;（３）如何利用马尔可夫随机场模型参数进行影像纹理分类。最后以实际试验情况表明所提出的方法是可行的。     

概率图模型及其图像与视频应用研究

概率图模型及其应用作为一个具有挑战性的研究领域目前已成为一个新的研究热点。概率图模型为解决智能信息领域的不确定性问题提供了重要途径。尽管目前概率图模型还处于不断发展之中,但近年来基于概率图模型的图像和视频智能信息处理的应用研究受到人们的关注,出现了许多有效的算法,这些算法为解决一些传统的图像和视频智能信息处理问题提供了新的途径。本文首先对概率图模型的3种重要表现形式、特性和主要技术进行了分析和讨论,在此基础上,以概率图模型在图像和视频中的应用为线索,对目前基于概率图模型的图像和视频智能信息处理的主要技术进行了概述和比较研究;最后对概率图模型所存在的一些问题及进一步的发展进行了展望。     

MTRF:融合空间信息的主题模型

针对主题模型中词汇独立性和主题独立性假设忽略了视觉词汇间空间关系的问题,提出了一种融合了视觉词汇空间信息的主题模型,称为马尔可夫主题随机场(MTRF),并且提出了主题在图像处理中的表现形式为对象的组成部件。根据相邻视觉词汇以很大概率产生于同一主题的特点,该算法在产生主题的过程中,通过视觉词汇间是否产生于同一主题,来判断主题产生于马尔可夫随机场(MRF),还是产生于多项式分布。同时,从理论和实验两方面论证了主题并非对象的实例,而是以中层特征的形式表达对象的各个组成部件。与隐狄利克雷分配(LDA)相比,MTRF在Caltech101上的平均准确率提高了3.91%;在VOC2007数据集上的平均精度均值(mAP)提高了2.03%;此外,MTRF更准确地为视觉词汇分配了主题,能产生更有效表达对象的组成部件的中层特征。实验结果表明,MTRF有效地利用了空间信息,提高了模型的准确率。     

一种新的SAR图像无监督分割方法

马尔可夫随机场（MRF）在SAR图像分割中有着广泛的应用。由于合成孔径雷达（SAR）图像本身所固有的相干斑噪声的影响,传统方法很难获得准确的分割,因此提出了一种新的基于MRF（Markov Random Field）融合Gaussian-Hermite矩（GHM）的SAR图像无监督分割算法。利用Gaussian-Hermite矩的不同阶矩作为SAR图像特征得到初始分割;将得到的初始分割结果作为MRF随机场的先验模型,通过引入一个基于两成分权重参数的能量函数,利用最大后验概率（MAP）得到最终的分割结果。通过对合成图像及SAR图像分割实验结果的比较,表明了该方法在误分率、抗噪性以及视觉效果上具有更好的效果。     

复小波域混合概率图模型的超声医学图像分割

针对存在大量不规则斑点噪声、目标边缘弱化的超声医学图像分割中较难识别目标的问题, 提出了一种复小波域中混合概率图模型的超声医学图像分割算法.采用具有近似平移不变性和良好方向选择性的双树复小波变换(Dual tree-complex wavelet transform, DT-CWT)提取超声医学图像6个方向的高频特征信息; 其次, 为关联目标的弱特征信息并抑制统计独立的高频噪声, 构建了复小波域混合概率图模型; 尺度间"父—子"节点间标记采用贝叶斯网络进行建模, 尺度内邻域间标记采用马尔科夫随机场(Markov random field, MRF)无向图建模, 对复小波域中同尺度的特征系数采用高斯混合模型建模, 尺度内同标记的观测特征采用高斯模型建模; 最后, 用迭代条件模式(Iterated conditional mode, ICM)实现MRF中误分割率最小的能量函数最优解, 获取标记场, 实现超声医学图像分割.实验结果从视觉效果和定量分析两方面验证表明, 本文算法能有效地提取超声图像的弱目标信息, 较好地定位目标区域, 具有较高的分割精度和鲁棒性.     

基于图像分割的立体匹配算法

基于马尔可夫随机场（MRF）的立体匹配算法利用MRF模型来对匹配取值进行连续性约束。然而,MRF模型是产生式模型,图像自身特征难以得到准确描述。提出了一种基于图像分割的立体匹配算法SGC。SGC算法预先对图像进行分割,基于图像分割信息建立立体匹配的MRF模型,从而连续性（平滑）约束可以保留视差图中分割的边缘信息;并针对图像的深度连续性约束,定义了一个反映图像自身特征的新能量函数,应用于图割算法,提高了视差计算精度。实验结果表明,与以往算法相比,SGC算法更准确地反映了图像中深度信息,避免了平滑约束所引入的误差,有效提高了视差计算精度。     

一种基于多尺度马尔可夫随机场的SAR图像分割算法

利用小波变换模大值边缘检测算法得到SAR图像不同尺度下的边缘信息,再利用MRF分割算法对SAR图像进行分割。实验结果表明,该方法改善了SAR图像分割的质量,有效地改善了MRF图像分割算法的方向灵敏性。     

基于轮廓线统计量的前景分割Markov随机场模型

提出了一种基于轮廓线统计量的前景分割Markov随机场(Markov random field, MRF)模型. 和Grabcut等以往模型不同, 本文模型通过在分割标签的编码中加入对轮廓线方向的考虑, 将Gestalt知觉组织的原则加入分割约束中去, 从而使分割边界更为平滑. 作为前景分割和Gestalt知觉组织原则研究的基本框架, 本文模型的系统结构分为前景分割、注意力选择和信息整合三个子模块, 与相关神经生理研究的结论相一致. 最后, 分别给出了基于本文模型的自动和半自动前景分割实现, 结果好于Grabcut等相关算法的结果.     

一种新的基于大尺寸信息的MRF先验模型

基于马尔可夫随机场理论,Bayesian重建被认为是一种解决图像复原和重建中的病态问题的有效方法。通常,大部分先验模型中的信息都来自小邻域内像素灰度值的简单加权,因此仅能提供给正则化有限的信息。在研究大尺寸信息的过程中,本文提出一种新的非局部先验。在发射断层成像的相关实验表明,该MRF非邻域先验能比传统先验提供更为有效的正则化处理。     

联合显著性与MRF的SAR建筑物分割算法

针对经典马尔可夫随机场（MRF）在进行高分辨率SAR图像分割时存在容易受到斑点噪声干扰等问题,提出一种基于建筑物指数相似度距离及MRF模型（BISD-MRF）的高分辨率SAR建筑物分割算法。基于较复杂SAR场景下建筑物目标可能呈现多种形态结构的问题,设计一种多尺度显著性建筑物指数（MSBI）方案来提取建筑物目标的显著性特征,并通过强度信息重构、纹理显著性提取、频谱显著性信息统计来分别提取不同类型区域的显著性信息,构建适用于SAR建筑物目标的显著性模型。在此基础上,将MSBI值引入到改进的基于改进余弦函数的势函数模型中,利用余弦函数对邻域像素MSBI值进行相似性度量,同时利用特征空间语义信息对像素及其邻域像素标签信息进行有效约束,以提升势函数模型对高分辨率SAR建筑物目标的表征能力。不同平台下的建筑物分割实验结果表明,与MRF、MBI、FRFCM等算法相比,本文算法分割性能平均提升了4.3~10.7个百分点,更适用于较复杂场景下高分辨率SAR建筑物的分割任务。     

基于边缘约束局部区域MRF的图像分割方法

针对常规马尔科夫随机场（MRF）模型对复杂自然图像分割时,存在对噪声敏感且边缘模糊的问题,构建一种基于边缘约束局部区域MRF（ECLRMRF）的图像分割模型。利用欧氏距离度量局部区域内邻接像素的相似度,依据其相似度构建局部空间来约束高斯混合模型,有效描述丰富的局部区域统计特征,并建立MRF模型的局部区域一致性约束项。利用Canny边缘检测算子提取图像的边缘特征,并在分割过程中建立图像分割区域的边缘约束,通过在MRF模型框架下将局部区域统计特征和图像边缘特征相融合,解决局部区域MRF模型对图像分割边缘模糊的问题,再采用Gibbs采样算法实现对复杂自然图像的准确分割。实验结果表明,该模型能够更好地保留图像边缘信息,并且具有更好的分割效果。