基于马尔可夫随机场的快速图象分割

根据卫星遥感图象的特点,讨论了基于马可夫随机场的图象分割方法,建立了相应的基于马可夫随机场的图象分割模型,以实现复杂遥感图象的快速分割,并由此将图象分割问题转化成图象标记问题,进而转化成求解图象的最大后验概率估计的问题。虽然传统的模拟退火算法（SA）能达到后验概率的全局最大,但是时间复杂度太高,实际分割中经常采用次优算法,文中还引进了一种基于博弈理论的决定性退火算法（GSA）和一种基于竞争理论的算法（CA）,取得了快速分割图象的效果。试验证明,该两种算法完全可应用于复杂遥感图象的快速分割。     

基于小波域高斯-马尔可夫随机场的纹理分割

提出了一种基于小波域高斯—马尔可夫随机场(GMRF)模型的无监督纹理图像分割算法。该算法首先利用纹理的小波特性并结合模糊C—均值聚类方法完成纹理在最小分辨率层的初始分类,接着逐层应用同步进行参数估计和像素标签的近似最大后验分割算法,得到原始图像的第一次完整分割。为了进一步提高分割效果,对每个像素邻域内的标签作统计,利用最大值原则,从而获得满意的分割结果。实验证明此算法与基于高斯金字塔GMRF模型的算法相比,分割结果有了很大的提高。     

基于马尔可夫随机场的单目图像深度估计

图像深度获取是机器视觉领域活跃的研究课题。将图像深度估计问题归结为模式识别问题,以单目图像深度为待分连续模式类,在多尺度下对图像块提取绝对和相对深度特征,选择表征上下文关系的MRF（Markov Random Field）-MAP（Maximum a posteriori）方法,建立拉普拉斯模型,表述某图像块的深度和其邻域深度之间的关系。实验得到了某一类单目图像对应的深度图像,证明了该算法的有效性。     

对马尔可夫随机场特征级图像融合的改进

提出了一种基于MAP的Markov随机场的图像融合方法。将感兴趣区特征的均值与方差作为马尔可夫随机场的概率参数,选取合适的模型,根据优化算法快速求得MAP解,完成图像初始标记过程,根据最大后验概率模型,对图像进行特征层融合。通过两组遥感图像的实验,证明MAP-MRF模型在遥感图像特征层融合中,具有较目前常用方法更好的效果。     

基于动态金字塔标记随机场模型的非监督纹理分割算法

在马尔可夫随机场纹理模型的基础上，提出一个基于金字塔结构的动态多尺度标记随机场模型，应用这个模型实现纹理图像分割．算法应用由粗至细的处理策略，实现了图像的区域紧凑性，克服了一层GRF标记场结构的运算复杂性，减少了运算时间，并且能够获得较好的分割结果。     

基于马尔可夫随机场最大后验估计的去块效应方法

基于块离散余弦变换(BDCT)是国际上大多数图像、视频压缩标准的核心部分,它的主要缺点是在低比特率时其恢复图像的块边界上会出现明显可见的方块效应,降低了图像的视觉质量。文章提出了一种新的基于马尔可夫随机场最大后验估计(MRF-MAP)的块效应消除算法,目的是实现在尽量消除块效应的同时充分地保护图像的边缘信息。文中通过线性回归,给出了设置MRF算法中的Huber函数阈值的数学公式,由该公式得到的阈值可以在保护图像边缘和提高图像质量之间有较好的折中。仿真结果验证了该文算法的有效性。     

基于非下采样Brushlet和马尔可夫随机场的图像分割

针对传统小波域马尔可夫随机场图像分割算法的纹理图像分割能力的不足,提出一种将非下采样Brushlet变换和马尔可夫随机场相结合的纹理图像分割方法。用非下采样Brushlet变换作为图像分割的特征场,有效地提取纹理图像中的高维奇异信息;利用高斯马尔可夫模型提取特征场的参数,考察图像中的光谱信息以及像素点的空间相关性对分割结果的影响。实验表明,本文算法可以有效地实现纹理图像分割,在检测纹理方向信息和区域一致性上较传统算法有较大的提高。     

基于区域确定的分层马尔可夫模型及其MPM算法

基于四叉树的分层马尔可夫随机场 (Markov random field, MRF) 模型在层间存在因果性, 不需要像非因果马尔可夫随机场模型那样的迭代算法, 但是传统的分层 MRF 模型常常导致分割结果具有块状现象和非连续边缘. 本文提出一种新的基于区域确定的半树分层 MRF 算法, 并推导出它的最大后验边缘概率 (Maximizer of the posteriori marginal, MPM) 算法. 在流域算法过分割结果的基础上, 该模型将层间的点概率转换为区域概率, 采用区域概率实现各层图像分割. 从 SAR 图像的监督分割实验结果来看, 本文提出的模型较好地克服了基于像素分层模型和单分辨率 MRF 模型带来的块现象和非连续边界, 因而具有更好的分割结果.     

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.     

Minimization of MRF Energy with Relaxation Labeling

Recently, there has been increasing interest in Markovrandom field (MRF) modeling for solving a variety of computer visionproblems formulated in terms of the maximum a posteriori(MAP) probability. When the label set is discrete, such as in imagesegmentation and matching, the minimization is combinatorial. Theobjective of this paper is twofold: Firstly, we propose to use thecontinuous relaxation labeling (RL) as an alternative approach forthe minimization. The motivation is that it provides a goodcompromise between the solution quality and the computational cost.We show how the original combinatorial optimization can be convertedinto a form suitable for continuous RL. Secondly, we compare variousminimization algorithms, namely, the RL algorithms proposed byRosenfeld et al., and by Hummel and Zucker, the mean field annealing ofPeterson and Soderberg, simulated annealing of Kirkpatrick, theiterative conditional modes (ICM) of Besag and an annealing versionof ICM proposed in this paper. The comparisons are in terms of theminimized energy value (i.e., the solution quality), the requirednumber of iterations (i.e., the computational cost), and also thedependence of each algorithm on heuristics.     

基于小波域层次Markov模型的图像分割

针对两个状态的有限高斯混合模型逼近小波系数的不足和小波域隐马尔可夫树标号场相互独立的缺点,提出了一种基于小波域层次马尔可夫模型的图像分割算法,这种模型用有限通用混合模型逼近小波系数的分布,使有限高斯混合模型只是其一种特殊情况;在标号场的先验模型确定上,利用马尔可夫模型描述标号场的局部作用关系,给出标号场的具体表达式,克服了小波域马尔可夫树模型标号场相互独立的不足,然后利用贝叶斯准则,给出相应的分割因果算法。该模型不仅具有空域马尔可夫模型有效的递归算法的优点,同时具有小波域隐马尔可夫树模型中的马尔可夫参数变尺度行为。最后用真实的图像和合成图像同几种分割方法进行了对比实验,实验结果表明了本文算法的有效性和优异性。     

基于模糊分类的MRF图像恢复方法

运用马尔科夫随机场(MRF)进行图像处理时,对图像平滑区域与边缘区域所采用的处理方法不加区别,会导致大量冗余程序且运行时间过长。针对该问题,提出基于模糊分类的MRF图像恢复方法,根据图像子块内服从不同分布的像素统计特征,对图像子块进行模糊分类,在分类基础上应用MRF进行图像恢复。对退化的二值图像进行恢复实验,结果表明,与MRF方法相比,基于模糊分类的MRF方法能减少程序运行时间,改善去噪效果。     

多层次MRF重标记及映射法则下的图像分割

针对彩色图像分割问题,研究Markov 随机场(Markov random fields, MRF)模型内迭代条件模式(Iterative conditional mode, ICM)方法的标记推理策略. 通过小波分解构造图像多尺度表达,针对顶层图像先验标记获取问题,改进原始谱聚类算法, 通过近邻传播自动确定图像的聚类参数,运用集成学习提高算法的稳定性和准确度. 对其他各尺度图像,通过分析尺度关联下的区域特征变化,结合不同尺度间的特征相似性和同一尺度内空间邻域的一致性, 提出一种立体结构描述下的尺度--空间映射法则.通过定量和定性的分割实验,结果表明本文算法具有良好的准确性、鲁棒性和普适性.     

基于CNN和MRF的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性,提出了一种基于细胞神经网络(CNN)和马尔可夫随机场(MRF)的目标分割方法.首先根据细胞神经网络与马尔可夫随机场能量函数的相似性,将马尔可夫随机场的最大后验概率模型映射到细胞神经网络近邻系统模型中.然后建立图像每一像素点的邻域系统模型,并且构造相应的能量函数.为使能量函数达到快速收敛,再利用模拟退火算法实现能量函数的最小值,以达到对运动目标的提取.由于CNN是由局部互连的细胞组成,因此易于用VLSI实现.实验的结果表明,该方法能够有效地抑制图像的噪声,对于运动目标的提取有较好的分割效果.     

An MRF-Based Approach to Generation of Super-Resolution Images from Blurred Observations

This paper presents a new technique for generating a high resolution image from a blurred image sequence; this is also referred to as super-resolution restoration of images. The image sequence consists of decimated, blurred and noisy versions of the high resolution image. The high resolution image is modeled as a Markov random field (MRF) and a maximum a posteriori (MAP) estimation technique is used for super-resolution restoration. Unlike other super-resolution imaging methods, the proposed technique does not require sub-pixel registration of given observations. A simple gradient descent method is used to optimize the functional. The discontinuities in the intensity process can be preserved by introducing suitable line processes. Superiority of this technique to standard methods of image expansion like pixel replication and spline interpolation is illustrated.     

马尔可夫随机场在低信噪比图像恢复中的应用

提出一种基于马尔可夫随机场的二值图像恢复算法。该算法在迭代计算中对ISING模型中耦合系数J动态修改,是一种求解最大后验概率（MAP）的随机松弛算法,该算法兼顾条件迭代（ICM）算法计算量少和模拟退火（SA）算法全局收敛的优点。利用该方法恢复被加性高斯噪声污染的低信噪比图像,取得良好的实验结果。     

无线传感器网络中目标跟踪的马尔可夫模型与预测方法

针对目标运动是一个包含许多不确定因素的非线性非高斯随机过程,提出基于马尔可夫随机场模型与粒子滤波的WSN分布式目标跟踪方法(MRF-PF)。把目标跟踪过程看作是一个马尔可夫过程,基于贝叶斯规则,建立目标状态分布函数,用粒子滤波估计目标状态,实现目标跟踪。实验结果:对于泊松白噪声,MRF-PF方法的跟踪均方根误差RMSE相比卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)方法分别降低52.6%、49.2%;对于方差σ2由0.3→3的高斯噪声,GM-PF方法的RMSE相比KF、EKF分别降低54.5%～77.2%和23.5%～54.2%。这表明MRF-PF方法在非线性非高斯噪声或高斯噪声变化较大时具有较好的抗噪能力及跟踪性能。     

基于MRF模型的NSCT域SAR图像分割

针对复杂背景下的合成孔径雷达（SAR）图像的分割问题,提出一种基于非降采样Contourlet变换（NSCT）域马尔可夫（MRF）模型的算法。该算法综合利用了MRF模型在影像分割中的优势和图像的多分辨率描述的信息,采用高斯混合模型建模各个尺度的特征场,Potts模型建模各个尺度的标记场,大尺度的分割结果直接投影到小尺度上,作为分割的初始结果。实验部分与经典的阈值分割算法和马尔可夫分割算法进行比较、分析,结果表明该算法可准确地分割目标,同时保留目标的细节信息。