基于Markov随机场的脑部三维磁共振血管造影数据的分割

文章提出了脑部核磁共振血管造影(Magnetic Resonance Angiography,MRA)的全自动分割方法,该方法有效增强了现有的基于Markov随机场(Markov Random Field,MRF)的分割技术。现有的三维Markov分割模型通常面临的挑战是:(1)低级MRF模型参数初始化不够准确;(2)普通的MRF邻域系统无法探测精细的血管结构。针对这两类问题,分别提出了基于多尺度滤波响应阈值分析和多模式邻域系统进行解决,使得MRF模型的血管分辨率提高到2个体素的细小血管。实验中,低级模型参数的精确估计采用了最大期望算法,高阶MRF参数的估计采用最大伪似然估计方法;通过三维仿真数据和实际脑部MRA数据进行验证,分割结果显示了较小的全局误差。     

基于层次MRF的MR图像分割

核磁共振图像(MRI)的定量分析在神经疾病的早期治疗中有很重要作用.提出了一种基于层次Markov随机场模型的MRI图像分割新方法.在高层次的标记图象中采用了混合模型,即区域的内部用各向同性均匀MRF来建模,边界用各向异性非均匀MRF来建模.所以方向性被引入到边界信息中,这样可以更准确的表达标记图象的特性;在低层次的像素图像中,不同区域中像素的灰度分布用不同的高斯纹理来描述.分割问题可以被转换成一种最大后验概率估计问题.采用基于直方图的DAEM算法来估计SNFM参数的全局最优值;并基于MRF先验参数的实际意义,提出一种近似的方法来简化这些参数的估计,实验显示该方法能获得更好的结果.     

基于马尔可夫随机场的SAR图象目标分割

运动、静止目标获取与识别（MSTAR）计划表明，将合成孔径雷达（SAP）图象分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段。但是由于SAP图象所固有的斑点噪声的影响，传统的分割方法很难获得准确的分割。为此提出了一种基于MRF(Markov random field)模型的SAP图象分割算法。用MRF模型描述待分割图象的先验知识，利用最大似然（ML）估计从训练数据中获得图象各区域的先验概率分布，采用Bayes方法，在观测数据基础上，根据分割图象的后验分布所对应的MRF模型的条件概率，利用Metroplis采样器获得最大后验概率（MAP）准则下的图象分割。通过对MSTAR的样本目标图象应用该算法，结果表明它可以获得稳健和准确的分割效果。     

具有细节保护的自适应邻域SAR图像分割

为了保护图像中边缘或其它细节信息,改善MRF的分割效果,提出自适应邻域方法.该方法利用Bayes推理实现将像素点周围的局部图像信息结合,此过程引入模糊隶属度作为像素相似度度量方法,提高置信度的可靠性和分割过程的自适应性,使得分割过程中的邻域选择可以不依赖于某些预知的先验知识.对于待选择的邻域系统,具有最高置信度且满足置信度阈值的邻域作为MRF类别标识分割过程适用的最小邻域.实验结果表明,与固定邻域MRF和隐Markov随机场相比,本文方法改善了图像分割效果,有效保护了图像中的细节信息.     

基于EM和Mean-shift的肺结节分割

针对结节与血管相连且两者CT值相近造成分割困难的问题,提出了一种基于期望最大(estimationmaximum,EM)的自适应带宽参数选择的方法,并采用均值漂移(Mean-shift)算法解决结节分割.与基于统计分析规则的带宽选择方法和基于最优化的带宽选择方法相比,该方法能直接求得正确带宽参数,且时间复杂度低.应用血管梯度的法向量方向服从正态分布,而结节梯度的法向量方向服从均匀分布,建立血管粘连型结节模型,并用期望最大估计模型参数,根据均匀分布的权重和带宽选择定理确定带宽参数.该方法对仿真数据和CT数据(19个粘连血管性肺结节)进行评估实验,都取得了正确的分割结果.结果表明,该方法对分割粘连血管型结节是有效的.     

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.     

基于隐条件随机场的自适应视频分割算法

视频目标分割是视频监视与视频目标跟踪、视频目标识别以及视频编辑的基础. 本文提出了一种基于隐条件随机场 (Hidden conditional random fields, HCRF) 的自适应视频分割算法, 利用 HCRF 模型对视频序列中的时空邻域关系建模. 使用在线学习的方式对相应的参数进行调整, 实现对时空邻域约束关系的权重调整, 提高视频目标分割细节上的效果. 大量的数据测试表明, 与高斯混合模型 (Gaussian mixture model, GMM) 和联合时空的马尔可夫随机场 (Markov random fields, MRF) 等算法相比, 该算法的分割错误率分别降低了23\%和19\%.     

基于隐马尔科夫随机场邻域选择的细节保护图像分割

由于马尔科夫随机场（Markov Random Fields,MRF）区域标识模型的滤波效应,在合成孔径雷达（SAR）图像处理过程中,细节结构会被部分保留或者完全丢失。本文提出一种基于散射描述子的自适应邻域系统隐MRF（Hidden MRF,HMRF）图像分割方法,以实现更好地保留图像细节特征和边缘区域,从而改善图像的分割效果。为了提高可靠性和自适应性,将模糊c均值（Fuzzy c-means,FCM）聚类算法与散射变换相结合,实现邻域形状的自适应选择。从不同的邻域形状中,选择具有最高模糊隶属度的邻域形状进行HMRF区域标识过程。实验结果表明,相比较于一般HMRF使用固定形状的邻域系统,本文所提出的算法改善了分割效果,特别是图像细节结构信息得到了很好的保护。     

基于MRF和神经网络的三维运动参数估计

为解决非刚体三维运动中运动参数估计的问题,结合了马尔科夫随机场(MRF)和神经网络的方法。其中,MRF用于建立各个特征点的局部运动相关性模型,求出各个特征点的三维坐标;神经网络方法用于对特征点进行聚类,并求出运动参数;最后根据求出的运动参数修正各个特征点的邻域系,实验结果表明该算法能够正确估计出非刚体的运动参数。     

一种鲁棒的MRF-MAP图象分割框架研究

提出了一种新颖的基于马尔可夫随机场(MRF)空间上下文信息的图象分割方法。该方法利用马尔可夫随机场表示图象标记场,并在传统的邻域势函数基础上,引入观测场中邻域像素间强度关系,由此描述像素被分入同一类的可能性。通过贝叶斯(Bayes)定理将分割问题转化为最大后验(MAP)估计的问题。运用迭代条件模型(ICM)求取最大后验估计的解。用人工合成图象及真实图象进行实验,同时与传统的期望最大化(EM)方法以及传统的马尔可夫随机场方法相比较,由实验结果及信噪比(SNR)-误分率(MCR)曲线可以看出,该文的方法对噪声图象分割更为有效。     

MRF model and FRAME model-based unsupervised image segmentation

This paper presents a method for unsupervised segmentation of images consisting of multiple textures. The images under study are modeled by a proposed hierarchical random field model, which has two layers. The first layer is modeled as a Markov Random Field (MRF) representing an unobservable region image and the second layer uses "Filters, Random and Maximum Entropy (Abb. FRAME)" model to represent multiple textures which cover each region. Compared with the traditional Hierarchical Markov Random Field (HMRF), the FRAME can use a bigger neighborhood system and model more complex patterns. The segmentation problem is formulated as Maximum a Posteriori (MAP) estimation according to the Bayesian rule. The iterated conditional modes (ICM) algorithm is carried out to find the solution of the MAP estimation. An algorithm based on the local entropy rate is proposed to simplify the estimation of the parameters of MRF. The parameters of FRAME are estimated by the ExpectationMaximum (EM) algorithm. Finally, an exp     

Spatially Varying Mixtures Incorporating Line Processes for Image Segmentation

Spatially varying mixture models are characterized by the dependence of their mixing proportions on location (contextual mixing proportions) and they have been widely used in image segmentation. In this work, Gauss-Markov random field (MRF) priors are employed along with spatially varying mixture models to ensure the preservation of region boundaries in image segmentation. To preserve region boundaries, two distinct models for a line process involved in the MRF prior are proposed. The first model considers edge preservation by imposing a Bernoulli prior on the normally distributed local differences of the contextual mixing proportions. It is a discrete line process model whose parameters are computed by variational inference. The second model imposes Gamma prior on the Student’s-t distributed local differences of the contextual mixing proportions. It is a continuous line process whose parameters are also automatically estimated by the Expectation-Maximization (EM) algorithm. The proposed models are numerically evaluated and two important issues in image segmentation by mixture models are also investigated and discussed: the constraints to be imposed on the contextual mixing proportions to be probability vectors and the MRF optimization strategy in the frameworks of the standard and variational EM algorithm.     

改进的分层马尔可夫随机场彩色图像分割算法

针对传统的分层马尔可夫随机场（MRF）算法难以描述彩色图像像素值分布等问题,提出一种基于RGB色彩统计分布的分层MRF分割算法。在分层MRF模型的基础上,设定了相关参数并对分割过程进行了公式推导;结合RGB色彩统计分布模型,重写了分层MRF能量函数,利用k-means算法作为预分割算法,实现了算法的无监督分割。相比传统的分层MRF分割模型,该算法充分利用了彩色图像的像素值的信息,可有效地减少颜色分布参数和计算成本,能更准确地描述各分割对象的颜色分布;且该算法不受目标和背景颜色区间分布、目标空间分布的限制,能够很好地描述不同目标和背景。通过大量实验验证了算法的有效性,其在运算速度、分割精度等方面均优于传统MRF算法和模糊C均值（FCM）算法。     

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.     

基于灰度共生矩阵和多尺度MRF的纹理图像分割

针对纹理图像分割问题的研究,经典的多尺度MRF方法是对不同尺度的纹理特征仅通过多尺度序列下的MRF邻域系统进行描述。为了更加准确地描述纹理特征,将从空间分布特性与MRF邻域系统两个方面综合考虑,提出一种带有联合灰度信息的灰度共生矩阵与多尺度MRF相结合的方法。实验结果表明,该方法能够有效地提高分割准确度。     

Grayscale image segmentation by spatially variant mixture model with student’s t-distribution

A spatially variant finite mixture model with Student’s t-distribution component function is proposed for grayscale image segmentation. This model employs a new weight function which contains the information along the different spatial directions indicating the relationship of the pixels in the neighborhood. The label probability proportions are explicitly represented as probability vectors in the model. Gradient descend method is used to update the unknown parameters. The proposed model contains fewer parameters and it is easy to be implemented compare with the Markov random field (MRF) models. Comprehensive experiments on synthetic and natural images are carried out to demonstrate that the proposed model outperforms some other related ones.     

基于局部空间自适应MRF模型的图像分割

针对固定参数的点对马尔可夫随机场(Pairwise MRF)模型不能充分描述图像丰富的统计特征的问题,在研究 Pairwise MRF 模型的基础上,提出一种自适应分割算法.该算法首先建立一种空间自适应的局部区域 MRF 分割模型,并对局部区域的先验知识进行自适应估计;然后通过局部收敛的循环置信度传播(LBP)算法最大化自适应 MRF 模型的全局后验概率.实验结果表明所提出算法具有较好的分割结果.     

Unsupervised image segmentation using a simple MRF model with a new implementation scheme

A simple Markov random field model with a new implementation scheme is proposed for unsupervised image segmentation based on image features. The traditional two-component MRF model for segmentation requires training data to estimate necessary model parameters and is thus unsuitable for unsupervised segmentation. The new implementation scheme solves this problem by introducing a function-based weighting parameter between the two components. Using this method, the simple MRF model is able to automatically estimate model parameters and produce accurate unsupervised segmentation results. Experiments demonstrate that the proposed algorithm is able to segment various types of images (gray scale, color, texture) and achieves an improvement over the traditional method.     

融入空间信息的医学图像优质分割

传统的FCM分割算法只考虑到图像的灰度信息,而忽略了灰度的空间信息,对于迭加了噪声的图像,难以得到准确的结果。从马尔可夫随机场（MRF）中得到启示,考虑到图像灰度信息及其空间分布出发,提出了一种新的基于邻域（Neighbor）信息FCM分割算法,即NFCM算法。实验结果表明该算法所得到的目标图像的边界特征保持完好,图像边界细腻、连续且定位性能好。