基于非下采样Brushlet和马尔可夫随机场的图像分割

针对传统小波域马尔可夫随机场图像分割算法的纹理图像分割能力的不足,提出一种将非下采样Brushlet变换和马尔可夫随机场相结合的纹理图像分割方法。用非下采样Brushlet变换作为图像分割的特征场,有效地提取纹理图像中的高维奇异信息;利用高斯马尔可夫模型提取特征场的参数,考察图像中的光谱信息以及像素点的空间相关性对分割结果的影响。实验表明,本文算法可以有效地实现纹理图像分割,在检测纹理方向信息和区域一致性上较传统算法有较大的提高。     

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。     

基于简化随机场模型的高分辨率遥感影像分割方法

提出了一种灰度分割的基础上添加辅助的纹理分割的基于简化随机场模型的遥感影像目标分割方法,即用常用的描述局部图像特点的特征代替MRF中定义的特征,将这些特征组合成特征向量进行模糊C均值聚类完成分割。给出了算法流程和实验结果,并将该结果与基于高斯马尔可夫随机场模型法分割的结果进行比较,实验结果表明简化随机场模型法在保证一定的分割精度的情况下,分割速度明显快于高斯马尔可夫随机场模型法。     

一种无接缝纹理映射算法

针对基于图像三维重构得到的三维形状的纹理映射算法通常存在接缝现象的问题,提出一种无接缝纹理映射算法。该算法通过建立三维网格顶点和视点之间的马尔可夫随机场模型,利用重心坐标权重插值进行颜色填充,构造出一个无接缝的纹理图像。实验结果表明,马尔可夫随机场模型可以在保证纹理图像质量的同时最小化接缝现象,在此基础上的权重颜色插值方法能够完全消除接缝现象。     

基于证据马尔可夫随机场模型的图像分割

图像分割是计算机视觉中的经典问题,在许多领域都有重要应用.由于图像信息存在不确定性,难以获得精确的分割结果,为应对图像分割中的不确定性问题,将证据理论这一不确定性建模与推理工具与马尔可夫随机场相结合,提出证据马尔可夫随机场(EMRF)模型,并基于此提出新的图像分割算法.EMRF利用证据标号场描述像素标号的含混性,以证据距离描述相邻像素间的标号关系,利用条件迭代模型(ICM)算法进行优化.实验结果表明,EMRF相较于传统马尔可夫随机场、模糊马尔可夫随机场和传统的基于证据理论的方法,能获得更好的分割效果.     

一种基于图像上下文信息的无监督彩色图像分割算法

提出一种基于图像上下文信息的彩色图像无监督分割算法.根据传统马尔可夫随机场(MRF)势函数的定义,引入图像邻域内每两像素问亮度欧氏距离及空间位置信息,完善传统马尔可夫随机场模型中的势函数.将分割问题转化为最大后验问题并运用迭代条件模型求解.运用K均值算法在设定的分类数范围内初始化分割,运用最小消息长度准则选择最佳分类数,实现无监督分割.实验中,将合成图像及真实图像用于分割过程并与其它算法比较,证明本文算法更具优势.     

一种基于小波变换的马尔可夫随机场的视频对象分割

马尔可夫随机场（Markov Random Field,MRF）理论已经被广泛地应用于视频图像的分割。提出一种基于小波变换的马尔可夫随机场模型的视频对象分割算法。该算法利用小波变换将图像序列分解到小波域,并在此基础上建立马尔可夫随机场模型,构造相应的能量函数。通过迭代求解能量函数的最优解,得出标记场,提取出运动对象。仿真结果表明,该算法能够有效地抑制噪声,提高构成对象边界像素的数量,快速有效地提取出视频对象。     

基于马尔可夫模型的多分辨率图像分割算法

为解决图像分割中过分割、欠分割和依赖初始分割问题,提出一种基于马尔可夫模型的多分辨率图像分割算法。利用变权重方法改进多分辨率马尔可夫随机场算法,结合曲波和小波变换对图像进行多分辨率分析,并通过区域合并减少图像中的区域数。实验结果表明,与经典算法相比,该算法的分割性能较好。     

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的纹理图像并行分割

基于消息传递接口（Message Passing Interface,MPI）和消息传递并行编程模型,提出了一种针对计算机集群（Cluster）的纹理图像并行分割算法。该算法使用马尔可夫随机场作为纹理特征,通过将图像分块,把特征提取的计算量均匀的分布到并行系统中的各个节点上,从而极大地减少了计算时间。在遥感图像上的实验发现,该算法在4机并行的环境下可以取得与单机串行程序一样精确的分割,而耗时仅为串行程序的31.95％。令人满意的实验结果表明该并行算法不但可以有效的应用于纹理图像分割,而且也为使用计算机集群实现高时间复杂度的图像处理提供了有益的启示。     

一种新的SAR图像无监督分割方法

马尔可夫随机场（MRF）在SAR图像分割中有着广泛的应用。由于合成孔径雷达（SAR）图像本身所固有的相干斑噪声的影响,传统方法很难获得准确的分割,因此提出了一种新的基于MRF（Markov Random Field）融合Gaussian-Hermite矩（GHM）的SAR图像无监督分割算法。利用Gaussian-Hermite矩的不同阶矩作为SAR图像特征得到初始分割;将得到的初始分割结果作为MRF随机场的先验模型,通过引入一个基于两成分权重参数的能量函数,利用最大后验概率（MAP）得到最终的分割结果。通过对合成图像及SAR图像分割实验结果的比较,表明了该方法在误分率、抗噪性以及视觉效果上具有更好的效果。     

HMGMRF模型及其在高分辨率影像分割中的应用

通过修改离差预测的方式,对高斯马尔可夫随机场(Gauss Markov Random Field)模型加以改进,提出层次型多光谱高斯马尔可夫随机场 (Hierarchical Multispectral Gauss Markov Random Field,HMGMRF) 模型及其相应的分割算法。影像分割时,先通过HMGMRF模型分析地物在各波段光谱特征的变化趋势（即地物各波段的纹理特征）,期间结合了"谱间相关"这一特性,将离差预测时的邻域空间由原先的单层扩展为多层,增加了纹理特征的维度,从而提高了模型在描述纹理特征方面的能力;接着,基于贝叶斯原理,采用EM (Expectation Maximization)算法对各类地物的模型参数进行迭代估算;最后,基于增强型纹理特征,依据MAP (Maximum A Posteriori)原则,实现影像分割。实验结果表明,所提出的基于HMGMRF模型的分割算法具有较强的识别地物能力,可以获得较高的分割精度。     

基于局部区域能量最小化模型的图像分割

在马尔可夫随机场(MRF)和概率理论的基础上,提出局部区域能量最小化模型,将传统基于像素的分割转化为基于区域的分割,能减小均匀区域中的误分类率。在该模型和MRF模型下,使用ICM算法、Gibbs采样算法、Metropolis采样算法对图像进行分割,结果表明该模型能取得更精确的分割结果,可有效拟制图像噪音和纹理对分割的影响。     

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     

基于改进粗糙集概率模型的鲁棒医学图像分割算法*

基于参数化模型的图像分割算法对复杂的医学图像分割精度较低,对此提出一种基于改进粗糙集概率模型的鲁棒医学图像分割算法。首先,将粗糙集的上下逼近与概率边界区引入最大期望算法中,表征每个类簇;然后,将图像的灰度分布建模为一个有限数量的混合粗糙集概率分布;最终,通过马尔可夫随机场引入图像的空间信息,提高图像分割算法的鲁棒性。基于合成脑部MR(核磁共振)图像库与真实脑部MR图像库的分割实验结果显示,本算法的分割精度与鲁棒性均优于其他参数化模型的分割算法及其他专门的脑部MR图像分割算法。     

结合MRF模型与粒子群优化算法的遥感影像纹理分割

影像纹理的马尔可夫随机场(MRF)模型是一种分析纹理较为经典的方法,已被广泛用于影像纹理的模拟和分割。由于传统的模拟退火算法在计算全局最优解时,处理效率较低,无法满足纹理分析与处理的性能要求。设计了一种判定纹理类别的适应度函数,提出了利用粒子群优化算法计算适应度函数的最优解,应用该算法对遥感影像数据进行了纹理分割实验。实验结果表明,该算法与模拟退火算法比较,具有寻优速度快的优点,是一种有效的图像分割优化方法。     

An automatic statistical segmentation algorithm for extraction of fire and smoke regions

Estimation of the extent and spread of wildland fires is an important application of high spatial resolution multispectral images. This work addresses a fuzzy segmentation algorithm to map fire extent, active fire front, hot burn scar, and smoke regions based on a statistical model. The fuzzy results are useful data sources for integrated fire behavior and propagation models built using Dynamic Data Driven Applications Systems (DDDAS) concepts that use data assimilation techniques which require error estimates or probabilities for the data parameters. The Hidden Markov Random Field (HMRF) model has been used widely in image segmentation, but it is assumed that each pixel has a particular class label belonging to a prescribed finite set. The mixed pixel problem can be addressed by modeling the fuzzy membership process as a continuous Multivariate Gaussian Markov Random Field. Techniques for estimating the class membership and model parameters are discussed. Experimental results obtained by applying this technique to two Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) images show that the proposed methodology is robust with regard to noise and variation in fire characteristics as well as background. The segmentation results of our algorithm are compared with the results of a K-means algorithm, an Expectation Maximization (EM) algorithm (which is very similar to the Fuzzy C-Means Clustering algorithm with entropy regularization), and an MRF-MAP algorithm. Our fuzzy algorithm achieves more consistent segmentation results than the comparison algorithms for these test images with the added advantage of simultaneously providing a proportion or error map needed for the data assimilation problem.