基于抽样的正交多项式混合模型图像分割

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和图像数据量大的问题,提出了一种基于抽样的非参数余弦正交序列的图像混合模型分割方法.首先,基于图像的直方图进行分层随机抽样得到样本数据,根据样本数据构建非参数正交多项式混合模型,对于模型的平滑参数采用最小均方差方法进行估计;其次,采用NEM(Nonparametric Expectation Maximum)算法求解混合模型中正交多项式系数和模型的混合比;最后,根据贝叶斯准则进行图像分割.此方法能够克服参数模型的基本假设与实际的物理模型之间存在的差异,实验表明该方法比GMM和Hermite混合模型分割方法分割质量高,而且分割速度快.     

空间约束混合伽马模型的SAR影像分割算法北大核心CSCD

为了避免斑点噪声的影响并实现高效且精确的合成孔径雷达(synthetic aperture radar,SAR)影像分割,提出一种结合空间约束混合伽马模型和共轭梯度的SAR影像分割方法。根据SAR影像强度统计特性,采用混合伽马模型建模像素强度统计分布。为了降低SAR影像斑点噪声的影响,利用局部像素类属性定义组份权重,构建空间约束混合伽马模型。考虑到伽马分布自身结构,构建条件期望函数,并采用共轭梯度估计模型参数,以实现高效且精确的SAR影像分割。为了验证所提出算法的分割性能,与对比算法进行分割实验,并定量和定性地评价分割结果。实验结果表明,所提出算法可获得高精度分割结果,且具有较高的分割效率。     

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。     

基于改进高斯混合模型的运动目标检测方法

基于高斯混合模型,提出了一种自适应的运动目标检测算法。首先,根据各像素点的像素值的集中程度,自适应地选择高斯分布的个数对背景模型进行学习与更新,再通过背景差分获取差分图像;其次,在对图像二值化的过程中,提出了一种改进的自动调整阈值的方法,用以对差分图像的像素进行分类后分别进行阈值化分割,这样就能得到前景目标;接着采用形态学重构的方法对阴影进行有效消除,从而使前景目标分割的效果得到有效的提高。实验证明,该方法具有较好的鲁棒性和检测效果,同时也具有较好的自适应性,特别是在检测目标本身灰度变化比较大等特殊情况下,更能体现出本算法的优越性。     

一种新的基于多级混合模型的图像分割方法

本文将统计模型和动态轮廓模型合理有效地集成,提出了一种基于多层混合模型的图像分割方法。应用统计模型能够对目标图像进行快速的定位,但是由于统计方法的应用以及采用基于边缘灰度的搜索匹配方法,使其无法得到精确的轮廓信息。提出通过给动态轮廓模型增加有效参数的方法,进行图像轮廓点之间平滑的控制。该方法可以实现对图像快速、精确的分割。     

基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

基于t混合模型和Greedy EM算法的彩色图像分割

为了快速更好地进行彩色图像分割,以图像的颜色、纹理及空间位置作为综合特征,基于t混合模型,提出了一种自适应的图像分割方法,即先采用贪婪的EM(Greedy EM)算法估计混合模型的参数,然后根据贝叶斯最小错误率准则对图像进行分割。由于t混合模型的稳健性和Greedy EM算法对于数据的初始化不敏感,且能收敛到全局最优,因此与其他的方法相比,不仅速度提高,而且能取得更好的分割结果。     

多元Chebyshev正交多项式混合模型及其在医学图像分割中的应用

针对原有一元正交多项式混合模型只能根据灰度特征分割图像的问题,提出一种基于多元Chebyshev正交 多项式混合模型的多维特征的医学图像分割方法。首先,根据Fouricr分析方法与张量积理论推导出图像的多元 Chcbyshcv正交多项式,并构建多元正交多项式的非参数混合模型,用最小均方差(MISE)估计每一个模型的平滑参 数;然后,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。通过实验,表明了该分割方法的有效性。     

基于二类切比雪夫正交多项式非参数混合模型的图像分割

有参混合模型需要假设模型为某种已知的参数模型,而实际数据往往很难假设出这种参数模型的分布.为此,提出一种二类切比雪夫正交多项式的非参数图像混合模型分割方法.首先,设计出一种基于二类切比雪夫正交多项式的图像非参数混合模型,每一个模型的平滑参数根据误差方法和最小的准则进行计算.然后,利用随机期望最大(SEM)算法求解正交多项式系数和每一个模型的权重.此方法不需要对模型作任何假设,可以有效克服有参混合模型与实际数据分布不一致的问题.实验表明,该方法比高斯混合模型分割效率更高,并比其他非参数正交多项式混合模型有更好的分割效果.     

遥感图像的有向空间高斯混合模型分割方法

针对传统高斯混合模型没有考虑像素间的空间关系,使得遥感图像分割算法对噪声不具备健壮性的问题,提出了一种基于有向空间关系高斯混合模型的遥感图像分割方法。首先,根据图像区域特征,利用像素之间的空间信息对高斯混合模型的先验概率和后验概率进行约束,定义的空间约束能够确保图像空间更新时算法结构的稳定;其次,根据像素区域分类信息,通过能量函数中灰度信息的分量控制,确保图像灰度和空间信息的自适应分配;最后,利用K均值算法初始化分割模型参数,通过交替进行评估像素与类别之间的对应关系和空间约束变换,实现图像的精准分割。利用遥感样本图像对该算法进行性能测试实验,与当前流行的3种算法相比,该算法展现出卓越的分割性能。     

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.     

SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR（Synthetic Aperture Radar）图像的空间变化混合多尺度自回归（Spatially Variant Mixture Multiscale Auto Regressive,SVMMAR）模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理沧上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量。     

基于多阶抽样的高斯混合模型彩色图像分割

针对传统高斯混合模型应用于彩色图像分割时计算复杂度高等问题, 提出一种多阶抽样的高斯混合模型的彩色图像分割算法。首先,给出采样数定理及其证明,并推导出与聚类类别数和最小聚类相关的最小采样数目;其次,设计一罚函数判断抽样优劣,消除抽样对聚类模型影响,根据最小采样数数目,对像素点进行均匀采样,并利用高斯混合模型对采样像素点进行聚类;最后,定义像素点和类之间的距离,对剩余的像素点按距离最近原则进行划分。实验结果表明算法具有有效性。     

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。     

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.     

基于多项式有限混合模型的Slope One算法改进

针对多项式有限混合模型参数估计过程中存在的初始化依赖、参数易收敛到边界值以及容易陷入局部最优等问题,引入了最小信息长度准则,优化多项式有限混合模型的参数估计过程。在此基础上,采用基于多项式有限混合模型的聚类算法对用户评分行为进行聚类,利用模型求解得到的聚类归属概率对Slope One算法实施改进。实验结果表明:应用最小信息长度准则对多项式有限混合模型进行优化后,聚类效果明显提高;同时,相比于基于用户聚类的Slope One推荐算法,改进算法具有明显的改进效果。     

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。     

高斯混合模型、求解算法及视觉应用综述

高斯混合模型(GMMs)是统计学习理论的基本模型,在可视媒体领域应用广泛。近些年来,随着可视媒体信息的增长和分析技术的深入,GMMs在(纹理)图像分割、视频分析、图像配准、聚类等领域有了进一步的发展。从GMMs的基本模型出发,从理论和应用的角度讨论和分析了GMMs的求解算法,包括EM算法、变化形式等,论述了GMMs的模型选择问题:在线学习和模型约简。在视觉应用领域,介绍了GMMs在图像分段、视频分析、图像配准、图像降噪等领域的扩展模型与方法,详细地阐述了一些最新的典型模型的原理与过程,如用于图像分段的空间约束GMMs、图像配准中的关联点漂移算法。最后,讨论了一些潜在的发展方向与存在的困难问题。     

基于IGA与GMM的图像多阈值分割方法*

为了实现图像的有效分割,提出了一种自适应多阈值图像分割方法,能够自动获得最佳分割阈值数目和阈值。该方法对灰度直方图进行合适尺度的连续小波变换,将小波变换曲线中幅值为负的波谷点构成阈值候选集;再应用免疫遗传算法从阈值候选集中选取准阈值,准阈值的个数对应为最佳分割类数;根据准阈值构建灰度直方图的高斯混合模型,由最小误差准则求得分割阈值。仿真实验表明,该方法能够实现图像的自动多阈值分割,能够得到很好的分割结果且分割效率高,在多目标图像分割中能够得到很好的应用。