贝叶斯框架下的非参数估计Graph Cuts分割算法

假设图像中各像素灰度值是具有一定概率分布的随机变量，由贝叶斯定理，正确分割观测图像等价于求出具有最大后验概率的实际图像估计。在此框架下，提出了一种改进型Graph Cuts图像分割算法。与传统Graph Cuts分割算法相比，该算法在模型建立上有两个方面的改进：1)将模糊C均值聚类引入数据约束能量函数来得到各像素在某个标记下的概率，改善了收敛性能;2)使用非参数方法估计图像的统计分布，然后用此统计量构成图像分割的先验概率，并保证分割结果的局部平滑。由于非参数估计是由样本直接估计得到的结果，特别适用于小样本和分布函数不恒定的情况，因此拓展了算法的适用范围。实验结果表明，改进算法在遥感图像分割和医学图像分割中均提高了分割精度，证明了该算法的有效性。

Graph Cuts segmentation based on Bayesian nonparametric estimation

Suppose each pixel of an image is a random variable under some kind of probability distribution,according to the Bayes theorem,the segmentation of the original images is equivalent to their maximum a posteriori probability estimation.In this framework,we proposed an improved image segmentation algorithm based on Graph Cuts.The construction of the original Graph Cuts model is improved in two aspects.First,fuzzy C-means clustering is introduced into the energy function of data restriction.With the help of fuz...