基于混合模型和DAEM算法的自适应图像分割

图像分割是图像处理中最基本且具有挑战性的问题。基于高斯混合模型,提出了一种自适应的图像分割方法。采用DAEM(deterministicannealingexpectation-maximization)算法估计混合模型的参数,利用直方图信息确定图像的类别数并给出DAEM算法的初始值,最后根据Bayes最小错误率准则对图像进行分割。由于DAEM算法在传统的EM算法中引入了退火机制,DAEM算法能够收敛到全局最优值,使得分割结果更加准确。实验结果说明了此方法的有效性。     

一种改进的高斯混合模型的玻璃缺陷分割方法

针对传统玻璃缺陷检测技术准确率较低、时间长、精度低等难点,提出了一种改进高斯混合模型的玻璃缺陷图像分割方法.首先,基于分数阶微分运算获取灰度特征,并利用灰度共生矩阵提取纹理特征,构建玻璃缺陷完整的双特征观测数据;然后,引入相邻像素间的空间关联性和约束性,通过交替进行基于双特征随机场评估像素点与标号场之间的对应关系和空间...     

结合概率密度函数和主动轮廓模型的磁共振图像分割

为了提高大脑磁共振图像的分割精度,提出了一种新的图像分割算法。首先,分析了常用于大脑磁共振图像分割的高斯混合模型和主动轮廓模型的优缺点,联合高斯混合模型的概率密度函数和主动轮廓模型的能量函数构造了一个新的能量函数。然后,利用遗传算法和最大期望算法获取概率密度函数的参数值。最后,利用水平集方法和梯度下降流法,对获得的能量函数进行最小化,从而得到最终的分割结果。与传统方法相比,本文算法对脑组织中的白质和灰质的分割精度分别提高了6.73%和14.07%。该算法利用像素点的区域信息和概率值驱动主动轮廓曲线的演化,能有效区分具有相近灰度值的不同区域,从而提高了大脑磁共振图像的分割精度。     

基于几何形变模型的三维肺血管图像分割方法

肺血管分割一直是重要而困难的工作,因此,提出了一种新的基于几何形变模型的三维肺血管图像分割方法。现有几何形变模型方法仅仅包含了图像区域与边缘属性中的一种,而新方法能够同时包含上述两种图像属性。首先,定位血管内外同质区域;然后,通过目标边缘能量的计算使曲面沿着图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘;最后,根据上述步骤,建立三维血管分割形变模型。通过多组CT图像的实验表明,该方法快速、准确,对背景噪声具有较好的适应性。     

利用高斯混合模型的多光谱图像模糊聚类分割

针对传统分割算法难以实现高分辨率多光谱图像分割的问题,本文提出一种利用高斯混合模型的多光谱图像模糊聚类分割算法。该算法采用高斯混合模型定义像素对类属的非相似性测度,由于该算法具有高精度拟合数据统计分布能力,故可以有效剔除噪声对分割结果的影响。同时,引入隐马尔科夫随机场(Hidden Markov Random Field,HMRF)定义邻域作用的先验概率,并将其作为各高斯分量权值以及KL(Kullback-Leibler)信息中控制聚类尺度的参数,从而增强了算法对复杂场景遥感图像的鲁棒性,进一步提高了算法的分割精度。对模拟图像和高分辨多光谱图像分割结果进行了定性定量分析。实验结果表明:模拟图像的总精度达96.8%以上。这验证了本文算法在分割高分辨率多光谱图像时具有保留细节信息的能力,而且也证实了算法的有效性和可行性。该算法能够实现高分辨率多光谱图像的精确分割。     

基于t分布混合模型的点集非刚性配准算法

考虑高斯混合模型(TMM)的点集非刚性配准算法易受异常点和重尾点的影响,提出了基于t分布混合模型的运动一致性非刚性配准算法.通过期望最大化(EM)框架的完整数据定义将高斯混合模型推广为t分布混合模型,使用EM算法最小化参数的条件期望获得非刚性配准参数的闭合解.在EM算法中计算浮动点集各个点的先验权重,减小异常点和重尾点对配准结果的影响;计算浮动点集各个点的自由度,自适应地改变每个点的概率密度分布模型,提高算法的鲁棒性,并避免了异常点水平估计误差对配准结果的影响.在t分布混合模型的条件期望函数中加入点集位移的正则项,使邻近点具有运动一致性(CPD).仿真数据表明,当噪声水平很高时,TMM-CPD仍可以精确配准点集,且误差仅为对比算法的1/10.真实图像的近似椭圆状分布、管状分布和三维点云状分布的点集配准结果表明,TMM-CPD的配准误差仅为对比算法的42.0％、80.1％和77.5％.实验表明,TMM-CPD配准含有重尾点和异常点的点集,具有精度高、鲁棒性好和受重尾点与异常点干扰小等优点.     

结合高斯混合模型的改进暗通道图像去雾方法

针对经典的暗通道先验方法在处理含有大面积天空的有雾图像时,去雾图像的天空区域出现不同程度的颜色失真等问题,提出了一种结合高斯混合模型的改进暗通道图像去雾方法。首先,采用高斯混合模型对有雾图像进行建模,然后用期望最大化(Expectation maximization,EM)算法优化模型参数,从而将有雾图像分割成天空区域和非天空区域。其次,根据天空区域暗通道值的不同将其分为淡雾区、中雾区和浓雾区,分别估计透射率。并结合大气散射模型得到复原图像。最后,采用高动态范围图像自适应局部色调映射方法提升复原图像的亮度。实验结果表明,该方法有效地解决了经典暗通道先验方法去雾时产生的天空失真问题,且复原后的图像更清晰、视觉效果更好。