用于图像分割的滤波EM算法

利用邻近像素类别上的相关性,在采用EM算法对模型参数求解的过程中,以滤波方法引入像素的空间位置信息,降低了EM对初始值选择的敏感性.该算法在引入了像素的位置信息的同时,保持了EM算法的简单性,并为混合分量个数的选择提供了一种新的实现途径.对实际图像的分割结果证实了算法的有效性.     

引入模糊因子的EM图像分割

基于有限高斯混合模型,在采用EM算法对混合模型参数求解的过程中,引入模糊因子,改善图像分割方法.该方法可以降低其对初选值的依赖和像素点值对混合模型分量间参数的干扰.结果表明,对含有高斯噪声影响的图像有较好的分割结果,目标图像的区域形状保持好、相对位置明确.     

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.     

空间约束层次加权Gamma混合模型的SAR图像分割

目的 合成孔径雷达（SAR）图像中像素强度统计分布呈现出复杂的特性,而传统混合模型难以建模非对称、重尾或多峰等特性的分布。为了准确建模SAR图像统计分布并得到高精度分割结果,本文提出一种利用空间约束层次加权Gamma混合模型（HWGaMM）的SAR图像分割算法。方法 采用Gamma分布的加权和定义混合组份;考虑到同质区域内像素强度的差异性和异质区域间像素强度的相似性,采用混合组份加权和定义HWGaMM结构。采用马尔可夫随机场（MRF）建模像素空间位置关系,利用中心像素及其邻域像素的后验概率定义混合权重以将像素邻域关系引入HWGaMM,构建空间约束HWGaMM,以降低SAR图像内固有斑点噪声的影响。提出算法结合M-H（Metropolis-Hastings）和期望最大化算法（EM）求解模型参数,以实现快速SAR图像分割。该求解方法避免了M-H算法效率低的缺陷,同时克服了EM算法难以求解Gamma分布中形状参数的问题。结果 采用3种传统混合模型分割算法作为对比算法进行分割实验。拟合直方图结果表明本文算法具有准确建模复杂统计分布的能力。在分割精度上,本文算法比基于高斯混合模型（GMM）、Gamma分布和Gamma混合模型（GaMM）分割算法分别提高33%,29%和9%。在分割时间上,本文算法虽然比GMM算法多64 s,但与基于Gamma分布和GaMM算法相比较分别快600 s和420 s。因此,本文算法比传统M-H算法的分割效率有很大的提高。结论 提出一种空间约束HWGaMM的SAR图像分割算法,实验结果表明提出的HWGaMM算法具有准确建模复杂统计分布的能力,且具有较高的精度和效率。     

基于自适应空间邻域信息高斯混合模型的图像分割

针对高斯混合模型用于图像分割时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分割现象,提出一种自适应空间邻域信息高斯混合模型的图像分割法.该方法定义了一个能够有力抑制噪声点、很好保留边界特性的自适应空间邻域信息函数.在此基础上,设计了每个像素由某个类生成的邻域信息加权概率,并证明了该加权概率满足归一性和空间连续性2个准则;最后,利用EM优化算法给出模型参数E步和M步迭代求解公式.通过人工合成图像与真实图像的实验表明,该方法具有满意的分割效果.     

一种快速的空间约束混合模型图像分割算法

采用滤波方法在EM算法中引入像素的位置信息，利用图像减采样方法以提高EM算法的收敛速度。为了避免小样本情况下混合分量选择的不稳定性问题，在所给出的受位置约束混合模型基础上，对采样数据进行加权处理。该方法在获得与原始分辨率分割效果相接近的情况下，能够明显地提高算法的运行速度。     

基于多特征的EM算法在昆虫图像分割中的应用

提出了一种基于多特征的EM(Expectation-maximizarion)聚类的昆虫图像分割方法.与一般的EM算法不同,这种方法首先选用适当的彩色空间对图像中的每个像素抽取颜色、纹理及空间位置等综合特征,形成基于像素的8维综合特征空间,然后采用高斯混合模型,通过EM算法估计高斯混合模型参数,利用图像像素点特征的相似度在特征空间中得到初步的区域分割,最后利用连接原理对图像区域进一步分割.实验结果表明, 算法能较好地分割昆虫图像.     

基于Legendre正交多项式非参数混合模型的图像分割

针对有限混合模型中参数估计方法对先验假设存在过分依赖的问题,提出了一种非参数的Legendre正交多项式图像混合模型分割方法。首先,设计了一种基于Legendre正交多项式的图像非参数混合模型,并用最小均方差(MISE)估计每一个模型的平滑参数;其次,利用EM算法求解正交多项式系数和模型的混合比。此方法不需要对模型作任何假设,可以有效克服模型失配问题。通过图像的分割实验表明,该方法比其他非参数混合模型分割效果更好。     

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.     

区域GMM聚类的SAR图像分割

高斯混合模型(GMM)聚类算法近年来广泛应用于图像分割领域。但在SAR图像分割中,由于忽略了图像像素间的空间相关性,使其对相干斑噪声十分敏感。提出一种基于区域的GMM聚类算法,它将空间相关性引入聚类分类中,利用分水岭分割得到基本同质区域,计算区域的灰度均值作为GMM聚类算法的输入样本,将聚类特征从像素水平提升到区域水平,减少了噪声对分割结果的影响;并将自身反馈机制引入期望最大化(EM)算法中,进一步提高了GMM模型参数估计的精度。还对合成图像和真实SAR图像进行了分割实验,结果表明新算法可有效地提高分割的     

基于[t]分布混合模型的半监督网络流分类方法

针对传统高斯分布容易受到数据样本边缘值和离群点噪声的影响,改用t分布替代原有的高斯混合模型,并使用期望最大化（Expectation Maximization,EM）算法对网络流数据样本进行t分布混合模型的建模。为降低EM算法的迭代次数,对t分布混合模型进行了改进,用理论和实验验证了算法的有效性,并对网络多媒体业务流进行了分类研究。实验表明,提出的算法有较高的分类准确率,拟合的模型要优于传统的K-Means算法和传统的高斯混合模型的EM算法。     

拉普拉斯混合分布语音模型研究

针对具有超重尾特性的语音信号,提出了混合拉普拉斯分布语音模型。从理论上探讨了混合拉普拉斯分布模型的参数估计,从原理与算法得以实现。通过最大期望（Expectation Maximization,EM）算法取得了良好效果。创新运用混合拉普拉斯模型研究语音信号处理。     

An automatic statistical segmentation algorithm for extraction of fire and smoke regions

Estimation of the extent and spread of wildland fires is an important application of high spatial resolution multispectral images. This work addresses a fuzzy segmentation algorithm to map fire extent, active fire front, hot burn scar, and smoke regions based on a statistical model. The fuzzy results are useful data sources for integrated fire behavior and propagation models built using Dynamic Data Driven Applications Systems (DDDAS) concepts that use data assimilation techniques which require error estimates or probabilities for the data parameters. The Hidden Markov Random Field (HMRF) model has been used widely in image segmentation, but it is assumed that each pixel has a particular class label belonging to a prescribed finite set. The mixed pixel problem can be addressed by modeling the fuzzy membership process as a continuous Multivariate Gaussian Markov Random Field. Techniques for estimating the class membership and model parameters are discussed. Experimental results obtained by applying this technique to two Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) images show that the proposed methodology is robust with regard to noise and variation in fire characteristics as well as background. The segmentation results of our algorithm are compared with the results of a K-means algorithm, an Expectation Maximization (EM) algorithm (which is very similar to the Fuzzy C-Means Clustering algorithm with entropy regularization), and an MRF-MAP algorithm. Our fuzzy algorithm achieves more consistent segmentation results than the comparison algorithms for these test images with the added advantage of simultaneously providing a proportion or error map needed for the data assimilation problem.     

朴素贝叶斯分类算法的改进及应用

针对朴素贝叶斯分类算法中缺失数据填补问题,提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分类算法。该算法首先根据灰色相关度对缺失数据一个估计,估计值作为执行EM算法的初始值,迭代执行E步M步后完成缺失数据的填补,然后用朴素贝叶斯分类算法对样本进行分类。实验结果表明,改进算法具有较高的分类准确度。并将改进的算法应用于高校教师岗位等级的评定。     

聚类模型参数自动选择的图库索引

提出一种基于模式聚类和混合模型参数自动选择的图库索引方法。因为传统的EM（Expectation Maximization）算法为混合模型聚类问题中的参数估计提供了一个很好的解决方法,但需要事先指定聚类数,影响了高维数据索引的精度和效率。综合利用改进的CEM2（Component-wise EM of Mixture）混合模型自动选择算法、矢量量化和概率近似的索引机制,在保证准确率同时有效提高了检索效率。     

维纳滤波和调整EM算法在COSM中的应用

用基于深度变化成像模型的调整EM算法进行三维显微图像复原,不能更好地复原图像细节,而且耗时长。为提高图像的复原质量,缩短时间,提出把维纳滤波和调整EM算法相结合的算法。该算法首先利用加权小波去除图像的部分离焦模糊,再用维纳滤波算法进行滤波复原,最后用基于深度变化成像模型的调整EM算法对序列图进行复原。实验表明复原效果得到了明显改善,并减少了迭代次数,效率明显提高。     

Statistical mixture model for documents skew angle estimation

We present a statistical approach to skew detection, where the distribution of textual features of document images is modeled as a mixture of straight lines in Gaussian noise. The Expectation Maximization (EM) algorithm is used to estimate the parameters of the statistical model and the estimated skew angle is extracted from the estimated parameters. Experiments demonstrate that our method is favorably comparable to other existing methods in terms of accuracy and efficiency.     

一类非线性周期时间序列模型

为了描述周期时间序列中的偏倚和多峰等非线性特征,结合有限混合模型方法,提出混合周期自回归滑动平均时间序列模型（MPARMA）,给出了MPARMA模型的平稳性条件,讨论了期望最大化（EM）算法的应用,通过PM10浓度序列分析,评估了MPARMA模型的表现。     

改进的概率潜在语义分析下的文本聚类算法

概率潜在语义分析(PLSA)模型用期望最大化(EM)算法进行参数训练,由于算法参数的随机初始化,致使聚类的效果过度拟合且过分依赖于参数初始值。将潜在语义分析(LSA)模型参数概率化,用以初始化概率潜在语义分析模型的参数,得到的改进算法有效解决了参数随机初始化问题。经实验验证,所提出的方法对文本聚类的归一化互信息(NMI)和准确度都有明显提高。     

An adaptive speech source separation algorithm under overcomplete-cases using Laplacian mixture modeling for mixture matrix estimation by adaptive EM-type algorithm in wavelet packet domain

Speech process has benefited a great deal from the wavelet transforms. Wavelet packets decompose signals in to broader components using linear spectral bisecting. In this paper, mixtures of speech signals are decomposed using wavelet packets, the phase difference between the two mixtures are investigated in wavelet domain. In our method Laplacian Mixture Model (LMM) is defined. An Expectation Maximization (EM) algorithm is used for training of the model and calculation of model parameters which is the mixture matrix. And then we compare estimation of mixing matrix by LMM-EM with different wavelets. And then we use adaptive algorithm in each wavelet packet for speech separation and we see better results are obtained. Therefore individual speech components of speech mixtures are separated.