混合空间新型贝叶斯网络模型的图像分割应用研究

现有研究工作没有确定概率向量模型的混合部分比例,所以无法解决MCMC方法的迭代收敛性问题。在具有空间平滑约束的高斯混合模型GMM基础上提出新型贝叶斯网络模型并应用于图像分割领域。模型应用隐Dirichlet分布LDA的概率密度模型和Gauss-Markov随机域MRF的隐Dirichlet参数混合过程来实现参数平滑过程,具有如下优点:针对空间平滑约束规范概率向量模型比例;使用最大后验概率MAP和期望最大化算法EM完成闭合参数的更新操作过程。实验表明,本模型比其他应用GMM方法的图像分割效果好。该模型已成功应用到自然图像和有噪声干扰的自然艺术图像分割过程中。     

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。     

一种基于混合概率模型的视频分割方法

该文提出一种新的基于混合概率模型视频分割方法。这个方法主要利用两个概率模型：隐马尔可夫模型和概率图模型建立一个混合的贝叶斯网概率模型,对视频输入中背景变化的时间和空间局部相关性（同现性）进行学习。在建立正确模型参数的基础上,贝叶斯信念传播算法根据图像输入预测当前背景状态的后验分布。并根据预测得到的背景状态对输入图像进行分割,实验结果显示方法的有效性和在复杂背景变化下的鲁棒性。     

结合加权混合模型和马尔可夫随机场的光学遥感影像分割

针对遥感影像分割中存在的统计建模不准确,以及分割精度和效率低的问题,提出一种结合加权混合模型和马尔可夫随机场的光学遥感影像分割算法.考虑到遥感影像内像素强度统计分布具有复杂的特性,以多个高斯分布加权作为模型组份,采用加权高斯混合模型构建影像统计模型,克服传统高斯混合模型以单一高斯分布作为模型组份而导致建模不准确的问题;然后利用类属先验概率构建平滑因子,在马尔可夫随机场中将其引入吉布斯分布以建模组份权重的概率分布,该分布结构简单、易于实现;最后采用最大条件期望方法求解最优模型参数,而组份权重分布的结构有利于推导出其解析式,降低算法的计算量.选取Cartosat和Worldview影像进行分割实验,与模糊C均值、高斯混合模型和学生t混合模型分割算法进行对比.结果表明,所提算法可更加准确地建模遥感影像非对称和重尾等复杂统计分布,平均总分割精度分别高于对比算法16.44%, 16.00%和16.17%.     

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。     

非参数图像分割算法的研究及改进

对传统的Dirichlet过程混合(MDP)非参数算法进行改进,提出一种新的MDP非参数图像分割算法。引入马尔可夫随机场(MRF)空间领域关系,并将其作为空间先验约束条件对图像后验概率加以约束。该算法能够光滑图像中的边缘部分、控制分类数并加快收敛速度。实验结果表明,与传统算法相比,该算法的分割准确度较高。     

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。     

基于Markov随机场模型的运动对象分割研究

本文探讨了一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法.该算法采用高斯混合分布描述视频序列的差分图像,对标准MAP算法进行了改进,使用快速方法计算后验边缘。首先对视频处理对象进行初始分割,获取初始运动数目以及相应的运动模型的初始参数,然后通过参数估计,不断更新模型参数,之后通过把每个运动区域和运动模型相关联,来同时估计多个运动区域,最终达到分割的目的.实验结果证明,本文所提的方法对运动目标分割具有较好的分割效果.     

一种基于高斯混合模型的距离图像分割算法

提出了一种基于表面法向的高斯混合模型的距离图像分割算法.它充分利用了表面法向高斯混合模型的物理含义,使数据聚类的次数减少,并利用Expectation-Maximization(EM)算法估计出的模型参数计算模型的后验概率实现了自动模型选择.算法针对两种距离相机的60幅真实距离图像进行了实验.将实验结果与几个流行的分割算法进行了客观比较.     

基于MRF-MAP的运动矢量恢复差错掩盖算法

针对帧间编码模式下出现图像块丢失的情况,提出一种有效的时间域运动矢量恢复差错掩盖算法。把运动矢量场建模为高斯马尔科夫随机场,对丢失图像块的运动矢量采用最大后验概率方法恢复,其权值能够根据空间和时间信息而自适应选择。仿真结果表明,该算法在客观和主观上都能获得高质量的图像。     

基于MAP算法的OFDM系统迭代信道估计

提出一种运用在OFDM系统中的迭代最大后验概率信道估计方法。译码器利用信道估计值形成译码模块的软信息,通过交织,反馈到信道估计模块中,使外信息在信道估计模块和译码模块之间循环迭代。信道估计模块中采用线性最小均方误差算法对信道参数进行估计。通过信道估计模块和译码器之间软信息的循环迭代,充分利用有效的外信息,降低误码率,提高OFDM系统的性能。     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

SAR图像序列目标检测方法

提出一种合成孔径雷达（SAR）图像序列目标检测方法,采用最大后验概率准则完成第1帧SAR图像的目标提取,同时获得所需参数向量。在此基础上,对图像进行目标检测,利用前一帧图像的目标检测信息和参数向量,实现后一帧图像的目标检测,并对SAR图像杂波数据的参数向量进行修正。仿真实验结果说明,该方法具有良好的目标分割性能。     

结合上下文特征与CNN多层特征融合的语义分割

目的 针对基于区域的语义分割方法在进行语义分割时容易缺失细节信息,造成图像语义分割结果粗糙、准确度低的问题,提出结合上下文特征与卷积神经网络（CNN）多层特征融合的语义分割方法。方法 首先,采用选择搜索方法从图像中生成不同尺度的候选区域,得到区域特征掩膜;其次,采用卷积神经网络提取每个区域的特征,并行融合高层特征与低层特征。由于不同层提取的特征图大小不同,采用RefineNet模型将不同分辨率的特征图进行融合;最后将区域特征掩膜和融合后的特征图输入到自由形式感兴趣区域池化层,经过softmax分类层得到图像的像素级分类标签。结果 采用上下文特征与CNN多层特征融合作为算法的基本框架,得到了较好的性能,实验内容主要包括CNN多层特征融合、结合背景信息和融合特征以及dropout值对实验结果的影响分析,在Siftflow数据集上进行测试,像素准确率达到82.3%,平均准确率达到63.1%。与当前基于区域的端到端语义分割模型相比,像素准确率提高了10.6%,平均准确率提高了0.6%。结论 本文算法结合了区域的前景信息和上下文信息,充分利用了区域的语境信息,采用弃权原则降低网络的参数量,避免过拟合,同时利用RefineNet网络模型对CNN多层特征进行融合,有效地将图像的多层细节信息用于分割,增强了模型对于区域中小目标物体的判别能力,对于有遮挡和复杂背景的图像表现出较好的分割效果。     

基于边缘关注模型的语义分割方法

肝脏是人体代谢功能的主要器官,目前机器学习在肝脏影像语义分割研究中的难点有：1）肝脏中间部位有下腔静脉、软组织和血管,甚至有坏死或肝裂等情况;2）肝脏与一些邻近器官之间的边界模糊,难以分辨。针对这些问题,提出了边缘关注模型（EAM）及边缘关注网络（EANet）。该网络采用了Encoder-Decoder（编码-解码）的模型框架：在编码器中运用了在ImageNet上预训练好的残差网络ResNet34和EAM,由此来充分获取肝脏边缘的细节特征信息;在解码器中则运用了反卷积操作和EAM对有效信息进行特征提取,进而得到肝脏影像的语义分割图。最后,对分割后噪声较大的图片实施了平滑处理。在三个数据集上与AHCNet进行对比,结果显示：在3Dircadb数据集上,EANet的体积重叠误差（VOE）和相对体积差异（RVD）分别降低了1.95个百分点和0.11个百分点,且DICE精度提高了1.58个百分点;在Sliver07数据集上,EANet的VOE、最大表面距离（MSD）和均方差对称表面距离（RMSD）分别降低了大约1个百分点、3.3 mm和0.2 mm;在某医院临床MRI肝脏影像数据集上,EANet的VOE和RVD分别降低了0.88个百分点和0.31个百分点,且DICE精度提高了1.48个百分点。实验结果表明,所提出的EANet具有较好的肝脏图像分割效果。     

鉴别性最大后验概率声学模型自适应

为了更加准确地估计最小音素错误最大后验概率(MPE-MAP)自适应算法中的先验分布中心,使自适应后的声学模型参数更为准确,从而提高系统的识别性能,分别采用最大互信息最大后验概率(MMI-MAP)自适应和基于最大互信息准则与最大似然准则相结合的H-criterion最大后验概率(H-MAP)自适应估计先验分布中心,提出了基于最大互信息最大后验概率先验的最小音素错误最大后验概率(MPE-MMI-MAP)和基于H-criterion最大后验概率先验的最小音素错误最大后验概率(MPE-H-MAP)算法。任务自适应实验结果表明,MPE-MMI-MAP和MPE-H-MAP算法的自适应性能均优于MPE-MAP、MMI-MAP和最大后验概率(MAP)自适应方法,分别比MPE-MAP相对提高3.4%和2.7%。