基于边缘约束局部区域MRF的图像分割方法

针对常规马尔科夫随机场(MRF)模型对复杂自然图像分割时,存在对噪声敏感且边缘模糊的问题,构建一种基于边缘约束局部区域MRF(ECLRMRF)的图像分割模型.利用欧氏距离度量局部区域内邻接像素的相似度,依据其相似度构建局部空间来约束高斯混合模型,有效描述丰富的局部区域统计特征,并建立MRF模型的局部区域一致性约束项.利...     

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.     

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。     

基于MRF模型的遥感图像建筑物分割研究

为了快速有效地从遥感图像中提取目标建筑物,采用小波分析和Markov随机场(MRF)相结合的方法进行遥感图像建筑物目标分割。首先将小波分解得到图像的多尺度序列作为各个尺度特征场的观测值,采用高斯混合模型建模特征场,以MRF模型作为标记场先验概率分布模型,通过EM算法迭代使得参数估计和图像分割交替进行,最后采用模板匹配检测建筑物目标的位置。选择多幅遥感图片进行实验,结果表明,采用分解层数为3的Haar小波,类别数为2,MLL模型势函数β为1时,该方法能够完成复杂背景下的建筑物目标分割并能对规则目标进行检测。     

基于TS-MRF与模糊MLL模型的图像分割

基于树结构的马尔可夫随机场（TS-MRF）,提出模糊多级逻辑模型（fuzzy MLL）,并提出了一种新的图像分割算法——模糊TS-MRF算法。与传统的MRF分割算法和TS-MRF算法比较,该方法在计算耗时增加很少的情况下,对分割精度提高较大。更为重要的是,该方法提供了一个新思路,使得基于MRF的先验信息的描述更为精细。     

一种各向异性Wells算法脑核磁共振图像分割模型

核磁共振图像分析已经成为主要的医疗辅助手段之一.然而,由于偏移场的影响导致该类图像的分析较为困难,去偏移场已成为图像分析的必要步骤.Wells算法将图像分割和去偏移场放入同一个框架内并取得较好的结果.然而该算法没有考虑像素间的位置信息,因而导致该算法对图像噪声比较敏感.为了克服其局限性,利用Gibbs理论和图像结构信息构造各向异性Gibbs随机场,并将其引入到Wells算法的框架中,完善其分类效果,使其克服噪声影响的同时还能够保持细长拓扑结构区域信息以及角点区域信息.实验证明提出的算法可以得到较好的分类结果.     

基于快速收敛LBP算法的图像分割

针对循环信度传播(LBP)算法计算量大及误分率高的问题,提出了一种基于快速局部区域收敛的LBP算法的图像分割方法。首先建立局部区域Gibbs能量模型,然后采用局部收敛的LBP算法对区域消息进行传播。为了提高LBP算法的运行速度,提出了一个有效的加速技术。最后,使用局部区域能量的最大后验准则(MAP)得到分割结果。实验结果表明,提出的算法得到了较好的分割结果,特别是在噪声和纹理区域,分割效果明显提升,同时具有较快的速度。     

结合边缘信息的多尺度MRF图像分割

针对采用多尺度马尔可夫随机场分割图像后还存在误分类的特点，提出了结合边缘信息进一步减少误分类，并设计了一种基于平稳小波变换、两个相邻尺度相乘的边缘提取算法。分析和实验结果表明，该边缘提取算法达到了既能提取出较完整、真实的边缘，又较好地抑制噪声，计算量少的要求。在分割算法中结合提取出的边缘信息，使图像在均匀区域中的误分类大大减少，得到了更好的分割结果，而增加的计算量只是由边缘提取带来的．该边缘提取算法和结合边缘的图像分割算法更适合于强的噪声图像。     

手腕骨X线片兴趣区域图像分割的研究

提出了一种准确分割骨骺兴趣区域边缘位置的方法。针对手腕骨X线片图像的特征,采用Gibbs 随机场对兴趣区域进行初始分割,将骨从图像中分割出来;针对骨与软组织的灰度值相差不大,Gibbs 随机场正确分割困难的问题,再进一步利用主动轮廓法对初始轮廓进行改善,将软骨与软组织准确分割开,从而得到了正确的骨的边缘位置。实验验证了该方法对分割出的底部区域骨的轮廓线有较大的改善,同时这种联合的方法具有较强的抗噪声能力。     

基于对偶树复小波和MRF模型的纹理图像分割

基于对偶树复小波（DT-CWT）和马尔可夫随机场（MRF）模型提出了一种监督纹理图像分割算法,算法包括两个步骤,首先对复小波变换系数进行较为精确的建模,提取其一阶统计信息作为纹理特征,综合多个尺度的信息,基于极大似然标准进行初始分割;其次,将初始分割结果用MRF模型表示,基于贝叶斯最大后验（MAP）融合初始分割结果,得到最终的分割结果。算法应用于合成纹理图像和实际图像得到了良好的结果,对比实验表明算法所采用的纹理特征的提取方法、小波变换方式、用MRF模型来建模标号等是算法简洁有效的基础。     

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     

A spatially constrained mixture model for image segmentation

Gaussian mixture models (GMMs) constitute a well-known type of probabilistic neural networks. One of their many successful applications is in image segmentation, where spatially constrained mixture models have been trained using the expectation-maximization (EM) framework. In this letter, we elaborate on this method and propose a new methodology for the M-step of the EM algorithm that is based on a novel constrained optimization formulation. Numerical experiments using simulated images illustrate the superior performance of our method in terms of the attained maximum value of the objective function and segmentation accuracy compared to previous implementations of this approach.     

基于MRF模型的NSCT域SAR图像分割

针对复杂背景下的合成孔径雷达（SAR）图像的分割问题,提出一种基于非降采样Contourlet变换（NSCT）域马尔可夫（MRF）模型的算法。该算法综合利用了MRF模型在影像分割中的优势和图像的多分辨率描述的信息,采用高斯混合模型建模各个尺度的特征场,Potts模型建模各个尺度的标记场,大尺度的分割结果直接投影到小尺度上,作为分割的初始结果。实验部分与经典的阈值分割算法和马尔可夫分割算法进行比较、分析,结果表明该算法可准确地分割目标,同时保留目标的细节信息。     

A non-stationary MRF model for image segmentation from a soft boundary map

In this paper, we address the problem of estimating a segmentation map into regions from a soft (or possibly probabilistic) boundary representation. For this purpose, we have defined a simple non-stationary MRF model with long-range pairwise interactions whose potentials are estimated from the likelihood of the presence of an edge at each considered pair of pixels. Another contribution of this paper is also to demonstrate that an efficient and interesting alternative strategy to complex and elaborate region-based segmentation models consists in averaging several (quickly estimated) soft contour maps (obtained, for example, with simpler edge-based segmentation models) and to use this MRF reconstruction model to achieve a reliable and accurate segmentation map into regions. This model has been successfully applied on the Berkeley image database. The experiments reported in this paper demonstrate that the proposed segmentation model from an edge map is reliable and that this segmentation strategy is efficient (in terms of visual evaluation and quantitative performance measures) and performs well compared with the best existing state-of-the-art segmentation methods recently proposed in the literature.     

改进的MRF彩色图像分割算法

为了解决彩色图像中实现不同目标、不同背景的分割问题,提出了一种基于RGB色彩统计分布的MRF分割算法。在MRF模型的基础上,设定了MRF模型的关键参数并对相关公式进行了推导。对RGB颜色分布模型进行了介绍,重写了能量函数,大大降低了算法的计算难度。由于该算法在RGB彩色空间下充分表达了像素值的信息,使得该算法在分割准确性、适应性及快速性上均有提高。通过与其他算法在同等环境下进行分割实验定量对比,验证了该算法的有效性。     

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.     

图像分割中改进空间约束贝叶斯网络模型的应用

针对马尔可夫链蒙特卡罗方法普遍存在的迭代收敛性问题,在具有空间平滑约束的高斯混合模型条件上提出改进空间约束贝叶斯网络模型并在图像分割领域进行具体应用。所提模型应用隐狄利克雷分布（LDA）概率密度模型和高斯-马尔可夫定理的随机域参数混合过程来实现参数平滑。所提方法根据空间信息先验平滑变换操作,在待处理像素点的上下文混合结构中引入LDA符合多项式分布,用来替换传统期望最大化算法中映射操作。LDA参数采用闭合形式将有利于准确估计最大后验概率（MAP）框架与上下文混合结构的相关比例。实验结果表明,应用PRI、VoI、GCE和BDE指标进行效果比较,该方法比联合系统工程组（JSEG）、当前变换矩阵（CTM）和最大后验概率-最大似然法（MM）方法的图像分割应用效果较好,高斯噪声对于该算法的鲁棒性影响较小。     

Robust interactive image segmentation via graph-based manifold ranking

Computational Visual Media - Interactive image segmentation aims at classifying the image pixels into foreground and background classes given some foreground and background markers. In this paper,...     

一种基于灰度分布马尔可夫模型的图像分割

传统的马尔可夫随机场（MRF）图像分割在优化求解的过程中存在运算量较大,运算时间过长,算法不收敛等问题。针对这些问题,提出一种改进算法。首先根据图像灰度分布建立标号场的更新概率模型,然后再根据此模型进行标号场的更新,从而有效地加快迭代收敛速度。实验结果证明了本算法的有效性。