基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

结合混合符号压力函数的活动轮廓模型

为分割灰度不均图像和各类噪声图像,本文提出了一个结合混合符号压力函数的活动轮廓模型.首先,利用图像的全局和局部信息,根据当前活动轮廓的位置,构造一个混合符号压力函数,该函数通过自适应权值线性组合一个全局压力项和一个局部压力项,得到图像相对于当前活动轮廓的混合压力.然后,结合此混合符号压力函数,构造活动轮廓的演化方程,最后通过交替迭代算法求解模型.实验中采用不同的人造、医学和自然图像对模型进行了测试,实验结果表明,该模型对初始轮廓有较强的鲁棒性,能有效分割灰度不均图像及各类噪声图像,并且相对于其他活动轮廓模型,本文模型具有最好的实验效果.     

基于区域活动轮廓模型的高光谱图像分割方法

针对高光谱图像特点,提出了一种基于区域活动轮廓模型的高光谱图像分割方法。综合考虑高光谱图像的空间信息和光谱信息,对Chan\|Vese方法中的能量函数加以改进,利用空间全局信息和同质区域的灰度一致性,约束能量函数空间项;利用目标光谱信息相似性,约束能量函数光谱项,最后通过能量函数最小化实现图像分割。该方法能够有效提取高光谱图像中的模糊轮廓,从而降低混合像元和目标周围阴影对分割造成的影响。利用两幅AVIRIS图像进行仿真实验,实验结果表明,提出的方法能够获得令人满意的分割效果,并且对复杂场景具有一定适应性。     

基于领域关系广义混合模型图像分割的研究

针对高斯混合模型不能有效处理复杂噪声图像分割问题,提出了基于领域关系广义混合模型.在高斯混合模型基础上引入形状参数r提高混合模型对不同噪声适应能力,另外该方法结合图像中像素点邻域关系,融入像素点间的互动信息.与混合模型通常采用EM算法估计参数不同,该模型参数估计采用梯度方法,通过最小化负似然对数优化参数.实验结果表明,广义混合模型在处理高斯噪声,重尾噪声,混合噪声以及脉冲噪声图像分割问题都取得了很好的效果.     

基于方向气球力活动轮廓模型的图像分割

针对传统参数活动轮廓模型存在对轮廓线初始位置敏感的缺点,提出了方向气球力活动轮廓模型并应用于MRI图像分割。该模型利用底层图像分割的结果确定外力的方向,使气球力方向始终指向目标边界,引导轮廓线变形。当轮廓线运动到目标边界附近时,在高斯势力作用下继续变形,完成图像高层分割。实验结果表明,该模型与轮廓线初始位置无关,能实现MRI图像的自动分割。     

利用区域信息融合混合活动轮廓模型的 河流遥感图像分割

目的 河流遥感图像是背景复杂的非匀质图像,利用传统的活动轮廓模型进行分割往往不够准确。针对这一问题,提出了基于区域信息融合的混合活动轮廓模型来分割河流遥感图像。方法 该混合模型将Chan-Vese(CV)模型和基于交叉熵的活动轮廓模型的外部能量约束项相结合,并赋予归一化调节比例系数。通过计算轮廓曲线内外区域像素灰度的方差和交叉熵,指导曲线逼近目标边缘。为了加速混合模型的演化,引入曲线内外区域像素灰度的类内绝对差,取代原有的内外区域能量权值,以提高混合模型的分割效率。结果 大量实验结果表明,相较于CV模型、测地线模型、基于交叉熵的活动轮廓模型、CV模型和测地线模型的混合模型以及局部全局灰度拟合能量模型(LGIF),本文混合模型分割河流遥感图像的灵敏度和上述方法都接近于100%,准确率大幅提升,在90%以上,虚警率则下降了约50%,且所需迭代次数和运行时间更少。结论 本文提出的混合模型主要适用于具有一定对比度的河流遥感图像,在分割性能和分割效率两个方面,都有明显的优势。     

基于高斯混合分布和区域竞争主动轮廓的医学目标分割

提出了一种基于高斯混合分布和区域竞争主动轮廓的医学目标提取模型。这一模型,把主动轮廓的能量函数表示为像素属于目标或背景的子类的最大概率的区域积分,在水平集合框架下使能量函数最小化,得到在高斯子类区域间竞争演化的分割迭代方程。同时,附加的速度约束项使主动轮廓在越过目标边缘时速度降低,提高了分割的收敛性。通过大量肝脏CT图像的分割实验以及与几种经典模型和手工提取的比较,表明该模型在医学图像分割中具有较好的健壮性、准确性和灵活性均较好。     

一种基于Graph Cuts的多尺度乳腺肿块分割方法

提出一种基于Graph Cuts的多尺度乳腺肿块自动分割方法.首先,应用区域统计融合方法对图像进行粗分割,将得到的粗轮廓作为后续Graph Cuts分割的初始轮廓.在迭代优化阶段,引入多尺度分析方法,以高斯金字塔分解得到的多尺度图像序列代替固定尺度的原始图像序列估计高斯混合模型(GMM)参数,将粗糙尺度的易分割性与精细...     

分水岭优化的Snake模型肝脏图像分割

Snake算法是主动轮廓模型的经典算法,是近年来图像分割和视频领域研究的热点。针对Snake模型中存在的初始轮廓敏感和能量函数中曲率约束不足等问题,提出将分水岭变换和主动轮廓模型相结合的主动轮廓分割算法。首先通过引入标记函数和强制最小值技术解决传统分水岭变换可能导致的过分割问题,然后利用改进的强制标记分水岭算法优化Snake模型的初始轮廓曲线,最后通过在Snake模型中增加一项与曲线形状相关的外部力弥补能量约束函数中曲率约束的不足,从而实现更精确的图像分割。改进后的Snake模型应用于腹部MR图像中,对肝脏图像的识别和分割取得了良好效果。     

基于混合高斯模型MRF场的CT图像分割*

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法.此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型.实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好.     

用于说话人识别的基于可变因子整合的高斯混合模型

针对传统高斯混合模型在噪声环境下识别率明显下降的问题,在借鉴随机概率分布模型间的α因子融合机制基础上,提出基于可变因子α整合的高斯混合模型。该模型通过引入可变因子使得混合模型中不同成分所占的比重又得到一次调整。实验结果表明,通过对该模型参数进行重估计,在TIMIT/NTIMIT两种不同语料库和不同样本集的情况下识别率较传统高斯模型均有提高。尤其在噪声环境和α因子取最优值时,识别率可提高8%,在NIST评测数据集上与GMM-UBM系统对比,识别率也有提高。     

基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器

提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。     

Robust Sequential Data Modeling Using an Outlier Tolerant Hidden Markov Model

Hidden Markov (chain) models using finite Gaussian mixture models as their hidden state distributions have been successfully applied in sequential data modeling and classification applications. Nevertheless, Gaussian mixture models are well known to be highly intolerant to the presence of untypical data within the fitting data sets used for their estimation. Finite Student's t-mixture models have recently emerged as a heavier-tailed, robust alternative to Gaussian mixture models, overcoming these hurdles. To exploit these merits of Student's t-mixture models in the context of a sequential data modeling setting, we introduce, in this paper, a novel hidden Markov model where the hidden state distributions are considered to be finite mixtures of multivariate Student's t-densities. We derive an algorithm for the model parameters estimation under a maximum likelihood framework, assuming full, diagonal, and factor-analyzed covariance matrices. The advantages of the proposed model over conventional approaches are experimentally demonstrated through a series of sequential data modeling applications.     

基于YOLOv5+DeepSORT检测数据的车头时距混合分布模型研究

为提高车头时距分布模型的准确性,提出一种基于YOLOv5+DeepSORT算法的样本采集方法,并拟合出一种双高斯-移位负指数混合分布模型。训练YOLOv5检测器模型和DeepSORT算法中的ReID模型对车头时距进行自动精确采集,建立双高斯-移位负指数混合分布模型来描述实际交通流中3种车辆驾驶状态:强跟驰、弱跟驰和自由流,对自动采集的车头时距样本进行拟合,利用最大期望算法对模型参数进行标定。经实例验证表明,基于YOLOv5+DeepSORT方法采集的车头时距样本与视频人工逐帧记录的样本之间的平均相对误差为1.94%,满足车头时距样本采集准确率的要求;所提出的双高斯-移位负指数混合模型对自动采集车头时距样本的拟合结果通过了K-S检验,且拟合结果优于三元混合分布、二元混合分布和威布尔分布模型。     

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

From a Gaussian Mixture Model to Nonadditive Fuzzy Systems

This paper presents the formulation of nonadditive generalized fuzzy model (GFM) by using the framework of the Gaussian mixture model, which provides the membership functions for the input fuzzy sets. By treating the consequent part as a function of fuzzy measures, we derive its coefficients. The defuzzified output constructed from both the premise and consequent parts of the GFM rules takes the form of Choquet integral. The computational burden involved with the solution of lambda-measure is mitigated using Q-measure. This nonadditive fuzzy model is applied on two benchmark applications, and the results are found to be better than those obtained from the additive fuzzy models.     

基于自适应高斯混合模型的软件测试用例集约简算法研究

为了最大化的找出软件测试用例集中的相似用例,实现对用例的最优精简,提出了一种自适应的高斯混合模型;提出的模型使用K-means初始化EM,自适应地确定聚类簇数目,在此过程中能够评判聚类结果,同时给出式高斯混合模型的所有参数,这些参数作为各个聚类簇进行新一轮迭代计算的参数,最终得到的结果更趋于最优解;实验结果表明,相对现有的高斯混合模型和模糊K-Means聚类模型等算法,文章提出的自适应高斯混合模型算法能够最小化软件测试用例集,约简后的用例所覆盖的范围相对更广,测试出的软件错误率较高,对软件测试用例集多变的适应性好。     

一种改进的基于混合高斯模型的运动目标检测算法

运动目标检测是实现目标跟踪和行为分析等任务的基础。在运动目标检测中,消除背景与噪声的干扰,从而将运动目标从图像中分离出来一直是研究的重点。混合高斯模型法被广泛地应用于运动目标检测,对存在小幅度运动的背景有较好的抗干扰能力,并且能提取出较完整的运动目标,但是同时存在噪声干扰,且对阴影抑制效果较差。针对传统混合高斯模型法的不足,提出一种改进的基于混合高斯模型的运动目标检测算法,利用帧差法对光照突变适应性较好和算法简单的特点,将传统混合高斯模型法与和四帧差法结合。实验结果表明,该方法能够有效地消除复杂环境中的噪声,并对阴影有一定的抑制作用,提高了运动目标检测的准确性和完整性。     

Variational Bayesian Mixture Model on a Subspace of Exponential Family Distributions

Exponential principal component analysis (e-PCA) has been proposed to reduce the dimension of the parameters of probability distributions using Kullback information as a distance between two distributions. It also provides a framework for dealing with various data types such as binary and integer for which the Gaussian assumption on the data distribution is inappropriate. In this paper, we introduce a latent variable model for the e-PCA. Assuming the discrete distribution on the latent variable leads to mixture models with constraint on their parameters. This provides a framework for clustering on the lower dimensional subspace of exponential family distributions. We derive a learning algorithm for those mixture models based on the variational Bayes (VB) method. Although intractable integration is required to implement the algorithm for a subspace, an approximation technique using Laplace's method allows us to carry out clustering on an arbitrary subspace. Combined with the estimation of the subspace, the resulting algorithm performs simultaneous dimensionality reduction and clustering. Numerical experiments on synthetic and real data demonstrate its effectiveness for extracting the structures of data as a visualization technique and its high generalization ability as a density estimation model.      

基于双因子高斯过程动态模型的声道谱转换方法

针对作者已经提出的双因子高斯过程隐变量模型（Two-factor Gaussian process latent variable model,TF-GPLVM）用于语音转换时未考虑语音的动态特征,并且模型训练时需要估计的参数较多的问题,提出引入隐马尔科夫模型（Hidden Markov model,HMM）对语音动态特征进行建模,并利用HMM隐状态对各帧语音进行关于语义内容的概率软分类,建立了分离精度更高、运算负荷较小的双因子高斯过程动态模型（Two-factor Gaussian process dynamic model,TF-GPDM）.基于此模型,设计了一种全新的基于说话人特征替换的语音声道谱转换方案.主、客观实验结果表明,无论是与传统的统计映射和频率弯折转换方法相比,还是与双因子高斯过程隐变量模型方法相比,本文方法都获得了语音质量和转换相似度的提升,以及两项性能的更佳平衡.