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。     

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。     

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。     

基于多尺度马尔可夫随机场的图像分割

离散马尔可夫随机场(MRF)模型是贝叶斯图像分割中最常用的工具。一般采用双MRF,一个随机场对应于观测图像,另一个随机场对应于未知的分类标号,通过迭代的算法将图像的局部信息逐步传递到整个图像,以求得分割标号的最大后验概率(MAP)或最大后验边缘概率(MPM)估计。近年来提出的多尺度MRF模型(或称因果MRF、分层MRF模     

基于多节点拓扑重叠测度高阶MRF模型的图像分割

针对低阶马尔科夫随机场(Markov random field, MRF)模型难以有效表达自然图像中复杂的先验知识而造成误分割问题, 提出一种基于多节点拓扑重叠测度高阶MRF模型(Higher-order MRF model with multi-node topological overlap measure, MTOM-HMRF)的图像分割方法. 首先, 为描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息, 利用多节点拓扑重叠测度建立图像局部区域的高阶先验模型; 其次, 利用较大的局部区域包含更多的标签节点信息能力, 基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型, 提高分割模型的抗噪能力; 再次, 为有效描述观察图像场与其标签场的似然特征分布, 研究利用局部区域内邻接像素的Hamming距离引入图像局部空间相关性, 建立局部空间一致性约束的高斯混合分布; 最后, 基于MRF框架建立用于图像分割的多节点拓扑重叠测度高阶MRF模型, 采用Gibbs采样算法对提出模型进行优化. 实验结果表明, 提出模型不仅能有效抵抗图像强噪声和复杂的纹理突变干扰, 鲁棒性更好, 而且具有更准确的图像分割结果.     

基于马尔科夫随机场的改变势函数的SAR图像分割

随着合成孔径雷达(Synthetic aperture radar)技术的发展,合成孔径雷达技术常应用于地表检测、灾害检测、环保检测工作等方面.SAR图像的分割处理也变得尤为重要.因为马尔科夫随机场(Markov Random Field)结合了邻域像素的空间相关性,所以基于MRF的图像分割法在SAR图像方面得到了广泛地应用.但由于该方法的势函数通常选用固定的经验值,导致了分割效果不佳.文章将邻域像素点的相关性引入到了势函数中,得到了一种基于马尔科夫随机场的改变势函数的SAR图像分割方法.     

应用标签域的贝叶斯网络图像分割算法

通过把概率等级的融合模型和马尔可夫随机场MRF应用于聚类分析模型上来实现图像分割方法,该方法能够更加准确地进行图像分割过程,并最终获得相关融合模型.结合先验概率分布,这种基于能量的Gibbs模型允许指定参数,最大概率等级估计与简单快捷的估计方法进行融合得到分割结果.将此融合框架成功应用在Berkeley图像标准数据库,相关实验结果表明了该方法有效的视觉评价和定量的性能指标,执行结果相比现有分割方法更为突出.     

多主体框架下结合最大期望值和遗传算法的SAR图像分割

目的 SAR图像中固有的相干斑噪声增加了图像分割的困难.为此,提出一种分布式SAR图像分割算法.方法 首先假设图像中同质区域内像素满足同一独立的Gamma分布,依此建立SAR图像模型;为了刻画SAR图像中像素的类属性,建立标号场的MRF(Markov Random Field)模型;在Bayesian理论框架下建立图像分割模型;在多主体系统(MAS)框架下,结合MRF模型和遗传算法(GA)模拟分割模型.MAS结构由分割主体和协调主体组成,其中分割主体利用最大期望值( EM)算法估计MRF模型参数,从而实现全局分割;协调主体利用GA实现全局最优.结果 为了验证提出方法的有效性,分别对模拟和RADARSAT-I/II SAR图像进行实验,并与EM和RJMCMC算法比较.本文算法的用户精度、产品精度、总精度及kappa系数均高于EM算法.定性和定量分析结果验证了本文算法的鲁棒性和有效性.结论 实验结果表明提出的分布式MAS框架下SAR图像分割方法,能够提高分割精度.该方法适用于中高分辨率单极化的SAR图像,且具有很好的抗噪性.     

融合上下文信息的多尺度贝叶斯图像分割

提出了一种融合上下文信息的多尺度贝叶斯图像分割算法,基于多尺度MRF图像模型,将模型中各结点的邻域结点类别信息抽象为上下文,求得结点的后验边缘概率之后,在各尺度融合表征了同一尺度内及相邻尺度的邻域信息的上下文,结点在相邻结点信息的指导下,得到的分割结果在均匀区域内部及区域边界都大为改善,而且没有增加模型的复杂度,算法仍然是快速的、非迭代的．融合过程中的参数采用EM算法估计．分析和实验结果表明算法是有效的．     

心脑血管三维分割研究进展

心脑血管疾病是严重威胁人类健康的常见疾病,居各种死亡病因之首.分割作为后续血管三维可视化的关键环节,对于相关疾病的辅助诊疗具有重要意义.鉴于心脑血管位置的特殊性、形态的复杂性及其灰度信息的多变性,对其进行分割仍是一个具有挑战性的课题.文中对当前基于磁共振血管造影术(magnetic resonance angiograph,MRA)和CT血管造影术(computed tomographic angiography,CTA)图像的三维心脑血管分割算法进行了回顾和总结.首先对包括模式识别、基于管状结构的分割、基于中心线的分割和基于活动轮廓模型分割4类技术进行了讨论;进而给出了每类技术的优缺点、适用范围及待改进之处;最后,探讨了该领域研究的发展方向及应注意的问题.     

基于局部特征约束的TEM图像分割算法

神经细胞图像分割对于神经科学研究具有重要应用价值。神经细胞亚显微结构的复杂性,以及透射电子显微成像（Transmission electron microscope,TEM）易出现的边界丢失、模糊等质量问题,使得神经细胞TEM图像的自动分割成为一个医学图像处理难题。基于神经细胞TEM图像的局部聚簇性特点,应用超像素技术,本文研究设计了一种基于局部特征约束的TEM图像分割算法。首先构建基于图模型的超像素图像结构表示,然后应用Markov随机场（Markov random field,MRF）模型提取超像素局部空间信息,从而有效地解决超像素图像分割方法中超像素点间邻域信息和空间结构复杂的问题,最后通过MRF模型优化和超像素合并处理获取图像分割结果。研究结果表明,该算法分割精度较高、鲁棒性强,且能很好地表征图像亚显微结构信息。     

基于邻域信息的B样条密度模型的医学图像分割研究

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型而存在模型不匹配及应用于图像分割时对噪声比较敏感的问题,提出了一种基于空间邻域信息的B样条密度模型的图像分割方法。首先,通过构建基于规范化的B样条密度函数的非参数混合模型,定义空间信息函数,使得分割模型具有空间邻域信息;其次,利用非参数B样条期望最大(NNBEM)算法估计密度模型的未知参数;最后根据贝叶斯准则实现图像的分割。该图像分割方法不需要假设图像符合某种模型,就可以克服实际数据分布与假设图像模型不一致的问题。此方法有效克服了"模型失配"问题,而且有力抑制了噪声点,同时很好地保留了边界的特性。分别对模拟图像进行仿真,验证了基于空间邻域信息的B样条密度模型的分割方法的有效性。     

基于多分辨率马尔可夫随机场运动目标分割

提出一种基于三维时空小波变换和马尔可夫随机场(Markov Random Field)模型的多分辨率运动目标分割算法.该算法利用三维时空小波变换对图像序列进行分解得到多分辨率的图像序列,并在此基础上建立多分辨率的马尔可夫随机场模型,构造相应的能量函数.通过条件迭代模型优化算法(Iterated Conditional Modes)求解能量函数的最优解,得出标记场,提取出运动目标.实验结果证明,该算法能够很好地消除了单一分辨率的MRF运动检测结果中"空洞"现象,对运动目标分割具有很好的分割效果.