用于图像分割的局部区域一致性流形约束MRF模型

针对区域马尔可夫随机场(MRF)模型难以有效描述图像复杂先验知识的问题,提出一种基于局部区域一致性流形约束MRF(LRCMC-MRF)模型.首先,所提模型利用高维数据的低维流形分布表征图像局部区域的复杂几何结构先验,建立图像局部区域的流形先验约束;其次,基于Pairwise MRF模型,建立一种包含更多图像局部信息的局部空间自适应MRF模型;最后,基于贝叶斯理论,将复杂局部区域几何结构先验和局部空间自适应统计特征融合,利用Gibbs采样算法对所提出模型进行优化.实验结果表明,与基于常规区域的MRF模型相比,所提出的分割算法具有较好的分割效果.     

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.     

基于局部自适应先验MRF模型的快速BP图像分割算法

针对常规MRF分割模型不能有效描述图像的局部特征、常导致图像的过分割现象,提出了一种局部自适应先验的MRF模型。该模型利用图像的邻接区域信息建立了一种局部自适应特征MRF模型。基于提出的模型,建立了一种具有快速收敛策略的区域BP算法对MRF模型的区域消息进行传递,有效解决了区域BP算法的计算量大的问题。实验结果表明,与常规区域BP算法相比,提出的分割方法具有更快的分割速度和精度。     

基于图像分割的立体匹配算法

基于马尔可夫随机场（MRF）的立体匹配算法利用MRF模型来对匹配取值进行连续性约束。然而,MRF模型是产生式模型,图像自身特征难以得到准确描述。提出了一种基于图像分割的立体匹配算法SGC。SGC算法预先对图像进行分割,基于图像分割信息建立立体匹配的MRF模型,从而连续性（平滑）约束可以保留视差图中分割的边缘信息;并针对图像的深度连续性约束,定义了一个反映图像自身特征的新能量函数,应用于图割算法,提高了视差计算精度。实验结果表明,与以往算法相比,SGC算法更准确地反映了图像中深度信息,避免了平滑约束所引入的误差,有效提高了视差计算精度。     

联合显著性与MRF的SAR建筑物分割算法

针对经典马尔可夫随机场（MRF）在进行高分辨率SAR图像分割时存在容易受到斑点噪声干扰等问题,提出一种基于建筑物指数相似度距离及MRF模型（BISD-MRF）的高分辨率SAR建筑物分割算法。基于较复杂SAR场景下建筑物目标可能呈现多种形态结构的问题,设计一种多尺度显著性建筑物指数（MSBI）方案来提取建筑物目标的显著性特征,并通过强度信息重构、纹理显著性提取、频谱显著性信息统计来分别提取不同类型区域的显著性信息,构建适用于SAR建筑物目标的显著性模型。在此基础上,将MSBI值引入到改进的基于改进余弦函数的势函数模型中,利用余弦函数对邻域像素MSBI值进行相似性度量,同时利用特征空间语义信息对像素及其邻域像素标签信息进行有效约束,以提升势函数模型对高分辨率SAR建筑物目标的表征能力。不同平台下的建筑物分割实验结果表明,与MRF、MBI、FRFCM等算法相比,本文算法分割性能平均提升了4.3~10.7个百分点,更适用于较复杂场景下高分辨率SAR建筑物的分割任务。     

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。     

基于局部熵的区域活动轮廓图像分割模型

为解决区域活动轮廓模型不能有效分割灰度不均图像的问题，提出了局部熵约束的区域活动轮廓模型应用于图像分割。首先基于局部熵信息将图像划分为两个特征区域，然后利用局部熵特征信息构造二值拟合能量，并与区域可放缩拟合（Region-scalable fitting，RSF）模型相结合，最后得到水平集演化方程。该模型考虑了图像灰度分布的聚集特征和局部区域统计信息，能有效处理灰度不均匀、弱边缘等图像分割问题，且对轮廓初始位置更具鲁棒性，医学图像实验结果验证了模型的有效性。     

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.     

基于局部连接度和差异度算子的水平集纹理图像分割

目的 复杂纹理的图像分割一直是图像分割的难题,现有的一些纹理图像分割方法主要通过提取图像确定方向的灰度变化特征或者提取图像的局部灰度相似性特征得到特征图像,从而进行纹理图像的分割,然而,自然纹理中普遍存在局部形态相似和方向不确定的现象,导致现有方法不能准确地分割纹理图像。方法 本文提出局部连接算子和局部差异算子来描述局部纹理的形态相似性和局部纹理的差异度。一方面,通过设定一定阈值,将局部区域的灰度差异分为两类,分析两类差异的分布特征,从而提取图像的形态特性及局部连接度算子;另一方面,设置一种无方向性的灰度差异分析算子,提取图像局部的灰度差异值从而得到局部差异度算子。两个算子结合以更好地提取纹理图像的局部特征,然后通过融合局部相似度特征、局部差异度特征和灰度信息,构造水平集能量泛函,进而通过最小化能量泛函实现纹理图像分割。结果 相比基于Gabor变换、结构张量、局部相似度因子的纹理分割方法,提出的局部算子能够更好地区分自然图像的不同纹理区域,且对实验图像的平均分割准确率高达97%,远高于其他方法。因此,提出的模型对于自然纹理图像具有更好的分割效果。结论 本文提出了两种新颖的纹理特征局部描述子：局部连接度算子和局部差异度算子,能够有效地提取纹理特征,且有一定的互补性。实验表明,提出的方法对于复杂自然纹理图像具有良好的分割效果。     

Segmentation for remote-sensing imagery using the object-based Gaussian-Markov random field model with region coefficients

The Markov random field (MRF) model is a widely used method for remote-sensing image segmentation, especially the object-based MRF (OMRF) method has attracted great attention in recent years. However, the OMRF method usually fails to capture the correlation between regional features by just considering the mixed-Gaussian model. In order to solve this problem and improve the segmentation accuracy, this article proposes a new method, object-based Gaussian-Markov random field model with region coefficients (OGMRF-RC), for remote-sensing image segmentation. First, to describe the complicated interactions among regional features, the OGMRF-RC method employs the region size and edge information as region coefficients to build the object-based linear regression equation (OLRE) for each region. Second, the classic Gaussian-Markov model is extended to region level for modelling the errors in OLREs. Finally, the segmentation is achieved through a principled probabilistic inference designed for the OGMRF-RC method. Experimental results over synthetic texture images and remote-sensing images from different datasets show that the proposed OGMRF-RC method can achieve more accurate segmentation than other state-of-the-art MRF-based methods and the method using convolutional neural networks.     

基于改进C-V模型的图像分割方法

传统C-V模型分割图像利用图像区域特征,忽略 了边缘等能够反应图像细节的特征。为了达到更好的图像分割效果,对于这些细节信息的处理则显得尤为重要。图像的梯度信息在边缘区域具有较大幅值,在同质区域具有较小幅值,因而可以用图像梯度来反映图像的边缘信息。把边缘信息融入C-V模型,利用同质区域信 息和边缘信息控制曲线演化,则可以达到更好的分割效果。本文提出的新模型克服了C-V模型的一些 缺陷,对背景灰度不均匀或含弱边缘的图像能够获得更好的分割效果。     

混合空间新型贝叶斯网络模型的图像分割应用研究

现有研究工作没有确定概率向量模型的混合部分比例,所以无法解决MCMC方法的迭代收敛性问题。在具有空间平滑约束的高斯混合模型GMM基础上提出新型贝叶斯网络模型并应用于图像分割领域。模型应用隐Dirichlet分布LDA的概率密度模型和Gauss-Markov随机域MRF的隐Dirichlet参数混合过程来实现参数平滑过程,具有如下优点:针对空间平滑约束规范概率向量模型比例;使用最大后验概率MAP和期望最大化算法EM完成闭合参数的更新操作过程。实验表明,本模型比其他应用GMM方法的图像分割效果好。该模型已成功应用到自然图像和有噪声干扰的自然艺术图像分割过程中。     

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.     

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