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。     

基于广义变分模型的自适应图像去噪算法

通过分析全变分(TV)去噪模型的优缺点,提出了一种新的改进算法。该算法根据最大后验概率(MAP)和马尔可夫随机场(MRF)的理论,推导出一个广义变分的图像去噪模型,并对平衡正则化项和数据保真项的Lagrange乘子λ进行了自适应改进,最后采用了一种鲁棒性好和边缘保持能力强的势函数,结合梯度加权最速下降法和半点格式的数值迭代算法对自适应的广义变分去噪模型寻优求解。实验结果表明,新模型能很好地应用于图像去噪,与现有的算法相比,在峰值信噪比有所提高的同时,图像的主观视觉效果也更好。     

基于HMRF先验模型的超分辨率重建

针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。     

一种最大后验概率条件下的运动目标检测方法

提出一种最大后验概率条件下的运动目标检测方法.首先根据条件随机场模型和马尔可夫随机场模型建立了一个最大后验概率框架.在该框架内融入了连续标记场的时域信息、颜色信息和每个标记场的空域信息.考虑到传统方法融入的特征信息不够,提取目标的准确度不高,在目标模型中充分融入了颜色信息和边缘特征,以便获得更好的检测效果.实验结果表明提出的方法能正确检测到运动目标.     

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。     

基于迭代条件模型算法的图像超分辨率重建

图像超分辨重建是从一系列降质的低分辨率图像中获取高分辨率的图像。在最大后验概率算法基础上提出了一种基于马尔可夫随机场的超分辨率重建算法,并通过迭代条件模型实现超分辨率图像重建。实验结果表明,与传统的超分辨率重建算法相比,该算法是一种快速的计算最大后验概率的方法,采用Potts-Strauss模型作为图像的先验概率密度函数,经过五、六次的迭代就能达到理想的迭代效果,解决了最大后验概率算法计算量大的缺点,是一种高效的超分辨率重建算法,具有一定的实用价值。     

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。     

基于非负矩阵分解与相似性分析的运动目标检测

提出一种结合修正的非负矩阵分解与向量相似性分析进行运动目标检测的方法。该方法首先使用修正后的非负矩阵分解算法从连续图像序列中恢复出背景图像,然后分析待检测帧像素点与恢复出来的背景模型之间的相似性,根据相似性的高低区分背景与前景。为了减少计算量,降低动态背景对检测结果的干扰,该方法在进行相似性分析之前,通过核密度估计的方法对运动区域进行估计。实验结果表明,该方法能够较为精确地恢复出背景图像,并有效地检测出运动目标。     

聚类差分图像核密度估计前景目标检测

针对非参数核密度估计学习阶段信息冗余与重复计算,估计阶段的估计错误噪声和计算量大的问题,提出了一种基于聚类分析的差分图像核密度估计前景目标检测算法.该方法在非参数核密度估计的学习阶段基于最大最小聚类原理从原采样全样本中提取那些具有较高频度和多样件的小样本来包含尽可能多的关键样本信息,在估计阶段采用基于自适应阈值的图像差分滤去非典型的运动像素,再利用高斯核密度估计进行运动像素分类.实验结果表明该方法限制了非典型运动像素估计错误产生的噪声,并减少了核密度估计计算量,提高了算法的实时性.     

一种动态场景下运动对象分割新算法

视频运动对象分割是计算机视觉和视频处理的基本问题。在摄像机存在全局运动的动态场景下,准确分割运动对象依然是难点和热点问题。本文提出一种基于全局运动补偿和核密度检测的动态场景下视频运动对象分割算法。首先,提出匹配加权的全局运动估计补偿算法,消除动态场景下背景运动对运动对象分割的影响;其次,采用非参数核密度估计方法分别估计各像素属于前景与背景的概率密度,通过比较属于前景和属于背景的概率及形态学处理得到运动对象分割结果。实验结果证明,该方法实现简单,有效地提高了动态场景下运动对象分割的准确性。     

工业场景中背景特征的建模要素分析

随着现代制造业对产品质量、生产效率和操作安全性要求的提高,视频监控在现代制造业中的应用越来越广泛,对视频处理的精度与速度要求也越来越高.运动目标检测是视频理解和分析的基础,因此面向工业场景的运动目标检测算法一直是一个研究热点.作为算法的重要组成部分,运动目标检测所用到的背景特征在以往并没有受到足够的重视.为此本文,从像素数据和已有算法中获取背景特征,给出相关特征和数据的可视形态表示,支持更直观的方式辅助获取这些背景特征之间的关系,进一步给出背景特征模型,同时本文得到的背景特征关系可以指导算法设计.     

基于自适应阈值设置的运动目标检测算法

提出一种基于自适应阈值设置的运动目标检测算法,该算法不同干传统的全局阈值设置方法,而是利用核密度对背景像素点进行密度估计,给出一种新的全局和局部阈值相结合的自适应阈值设置方法。该方法考虑不同位置的像素颜色分布复杂度不同,针对每个像素点自适应设置局部阈值,能克服全局阈值的不足,提高检测的精度。对多个标准视频进行实验,实验结果证明了该算法的有效性。     

双模型背景建模与目标检测研究

基于像素的背景建模方法速度较快但不能很好地描述背景运动,光流能准确描述物体运动但计算量大,难以满足实时的要求.提出一种结合基于像素的背景建模方法速度快以及光流描述物体运动准确优点的背景建模和目标检测方法.具体来说,为静止背景建立传统基于像素的灰度背景模型,为运动背景建立光流背景模型,通过2种背景模型的有效结合快速准确地实现目标检测.实验结果表明,提出的方法建模速度与基于像素背景建模方法相当,同时,又有光流准确描述背景运动的优点,综合性能超越上述2种方法.     

基于特征通道建模的目标检测方法

针对直接利用多尺度融合特征图进行目标检测时鲁棒性较差的问题,提出一种对图像全局信息进行多维建模的检测方法。采用多阶段的特征复用和特征融合减少特征间相关性损失,设计广度通道建模分支（BCMB）与深度通道建模分支（DCMB）弥补因感受野变化造成的图像空间信息不足,并丰富图像中各个目标间的上下文信息。通过BCMB建立宽高方向的二维通道矩阵,对多层级的感受野进行建模,进而丰富模型对图像的空间感知,完成目标定位。使用DCMB建立深度方向的一维通道向量,提炼图像的全局特征,丰富模型对图像的上下文描述,完成目标分类。将2个分支生成的通道图与输入特征进行加权融合,增强图像通道表达力,使输出的特征对目标的位置和类别信息更敏感。在PASCAL VOC 2007测试数据集上的实验结果表明,该方法的mAP值为85.8%,与未使用通道建模的Baseline方法相比,最高可提升3.2个百分点。     

基于模糊推理背景分割的目标检测方法

为解决传统背景差分法存在的背景更新缓慢问题,提出基于模糊推理背景分割的目标检测方法。该方法在传统的背景差分方法中引入帧间差分方法,结合IF THEN推理规则进行模糊推理,实现了背景的快速更新及目标的正确检测。引入抗噪声推理机制,抑制跟踪目标抖动,增强方法鲁棒性。通过对鱼的运动检测实验表明,该方法能有效快速地提取干净的背景,对运动目标进行实时检测。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

一种改进的基于背景抽取的运动目标检测算法

视频监控针对的场景是安静的场景,但是具有随机的扰动,如树木摇动、杂物抖动等;针对这种场景,提出了对基于混合高斯模型的运动目标检测算法的改进方法,在混合高斯模型检测到运动目标的初步结果基础上,采用锐化处理、平滑处理、二值化处理等手段,保留图像固有特征,滤除随机抖动;对处理后的图像运用背景帧差法,弥补混合高斯模型的不足,最终检测到准确的运动目标;实验结果表明,该方法能从具有随机扰动的视频流中准确的检测到运动目标。