基于抽样的正交多项式混合模型图像分割

针对有限混合模型中参数估计方法对先验假设存在过分依赖和图像数据量大的问题,提出了一种基于抽样的非参数余弦正交序列的图像混合模型分割方法.首先,基于图像的直方图进行分层随机抽样得到样本数据,根据样本数据构建非参数正交多项式混合模型,对于模型的平滑参数采用最小均方差方法进行估计;其次,采用NEM(Nonparametric Expectation Maximum)算法求解混合模型中正交多项式系数和模型的混合比;最后,根据贝叶斯准则进行图像分割.此方法能够克服参数模型的基本假设与实际的物理模型之间存在的差异,实验表明该方法比GMM和Hermite混合模型分割方法分割质量高,而且分割速度快.     

基于Legendre正交多项式非参数混合模型的图像分割

针对有限混合模型中参数估计方法对先验假设存在过分依赖的问题,提出了一种非参数的Legendre正交多项式图像混合模型分割方法。首先,设计了一种基于Legendre正交多项式的图像非参数混合模型,并用最小均方差(MISE)估计每一个模型的平滑参数;其次,利用EM算法求解正交多项式系数和模型的混合比。此方法不需要对模型作任何假设,可以有效克服模型失配问题。通过图像的分割实验表明,该方法比其他非参数混合模型分割效果更好。     

基于二类切比雪夫正交多项式非参数混合模型的图像分割

有参混合模型需要假设模型为某种已知的参数模型,而实际数据往往很难假设出这种参数模型的分布.为此,提出一种二类切比雪夫正交多项式的非参数图像混合模型分割方法.首先,设计出一种基于二类切比雪夫正交多项式的图像非参数混合模型,每一个模型的平滑参数根据误差方法和最小的准则进行计算.然后,利用随机期望最大(SEM)算法求解正交多项式系数和每一个模型的权重.此方法不需要对模型作任何假设,可以有效克服有参混合模型与实际数据分布不一致的问题.实验表明,该方法比高斯混合模型分割效率更高,并比其他非参数正交多项式混合模型有更好的分割效果.     

基于多分辨率的非参数正交多项式医学图像融合方法

基于估计理论的图像融合方法都是假设图像偏移或噪声服从高斯混合分布,容易造成模型不匹配和丢失局部细节等问题。文中提出一种基于小波的多分辨率的非参数正交多项式医学图像融合方法。首先,对图像进行多分辨率分解。对低频部分,根据图像信息模型和非参数正交多项式混合模型,采用非参数期望最大法估计模型参数,获得低频融合结果。对高频部分,采用系数绝对值选大法进行融合。然后,将高频和低频部分结果进行反变换,得到最终融合图像。实验结果表明,该方法融合质量优于其它方法,融合时间大为缩短。     

基于混合高斯模型MRF场的CT图像分割

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法.此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型.实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好.     

考虑渐近有效估计的Probit模型阈值分割算法

针对传统分割方法存在分割后结构相似度低、峰值信噪比低和分割效果差的问题。提出考虑渐进有效估计的Probit模型阈值分割算法。对图像的光度和几何信息进行聚类处理，根据纹理特征和边缘特征划分图像，根据图像划分结果和图像的噪声水平对字典进行训练获得稀疏表示先验，结合非局部相似先验建立变分模型，采用迭代重新加权算法求解模型，消除图像中存在的噪声。在混合差分背景分割原理的基础上对图像做分割和匹配处理，通过角点检测方法渲染图像纹理，对图像进行帧分解，提取图像的像素特征。考虑渐进有效估计，构建基于Probit模型的图像阈值分类器，将获取的像素特征输入分类器中，完成图像分割。仿真结果表明，所提方法的图像结构相似度高、峰值信噪比高、分割效果好。     

一种基于区域的彩色图像分割方法

介绍了一种基于区域的彩色图像分割方法。该方法首先提取图像像素点的颜色、纹理等特征,然后采用Gaussian混合模型,通过EM算法学习,根据提出的选择最佳高斯混合模型参数K的准则,确定K,利用图像像素点特征的相似度在特征空间中粗略的将像素点划分为不同的组,最后在各个组内依据其位置信息对图像再进一步划分,得到图像的区域分割。实验结果表明,该分割方法具有较好的分割性能。     

多元纹理图像构造方法及应用

多元图像分析方法在图像展开阶段会丢失像素间空间关联关系,导致其对图像纹理特征的分析能力不足.针对此问题,本文提出了一种基于图像纹理特征的多元图像构造方法,并应用于图像分割.首先,结合滑动窗口法和灰度共生矩阵求取图像各通道的纹理特征影像,叠加纹理特征影像构造多元图像.然后,应用多元图像分析方法对所得多元图像进行分析,分割出感兴趣区域.最后,利用分割结果构造决策树模型,以完成对同类感兴趣区域的分割.在图像数据集上进行仿真实验,实验结果表明,本文所提方法的均交并比(MIoU)与同类方法相比有10%左右的提升.     

基于MG-HMT模型的正交有限脊波域图像分割

针对图像分割中的过分割问题,提出了一种基于图像混合高斯-隐Markov树(Mixture Gaussian-hidden markov tree,MG-HMT)模型的正交有限脊波分析的图像分割算法.正交有限脊波变换处理信息时具有检测信号线奇异的能力,在图像分割中为准确定位信息的边缘、轮廓提供了有力的支持.其次,对图像的...     

基于多尺度Markov模型的SAR图像上下文融合分割方法

在多尺度Markov模型的基础上,提出了一种新的用于SAR图像无监督分割的上下文融合分割方法。该方法充分考虑了SAR图像分布的统计特性,用基于混合Rayleigh分布的多尺度Markov模型对待分割图像建模,并直接根据待分割图像用迭代条件估计算法来训练模型的参数。然后以上下文向量的形式提出了四种不同的上下文模型,并用这四种上下文模型分别对待分割图像的多尺度图像信息进行自上而下的融合,最终得到四种不同的分割结果。实验表明,该方法进一步提高了SAR图像分割结果的精度。     

多元切比雪夫神经网络及其快速权值确定算法

与传统的多层感知器模型相比,切比雪夫神经网络具有收敛速度快,复杂度低,泛化能力强等优点,但是,其研究最为广泛的一元切比雪夫神经网络在解决实际应用中的多元问题时存在着很大局限。鉴于此,对一元切比雪夫神经网络进行扩展,提出了多元切比雪夫神经网络模型,并在切比雪夫多项式正交性的基础上给出了快速权值确定算法。仿真实验证明,相对于传统多层感知器神经网络,该方法在计算精度和计算速度等方面都存在明显优势。     

Image representation using separable two-dimensional continuous and discrete orthogonal moments

This paper addresses bivariate orthogonal polynomials, which are a tensor product of two different orthogonal polynomials in one variable. These bivariate orthogonal polynomials are used to define several new types of continuous and discrete orthogonal moments. Some elementary properties of the proposed continuous Chebyshev–Gegenbauer moments (CGM), Gegenbauer–Legendre moments (GLM), and Chebyshev–Legendre moments (CLM), as well as the discrete Tchebichef–Krawtchouk moments (TKM), Tchebichef–Hahn moments (THM), Krawtchouk–Hahn moments (KHM) are presented. We also detail the application of the corresponding moments describing the noise-free and noisy images. Specifically, the local information of an image can be flexibly emphasized by adjusting parameters in bivariate orthogonal polynomials. The global extraction capability is also demonstrated by reconstructing an image using these bivariate polynomials as the kernels for a reversible image transform. Comparisons with the known moments are performed, and the results show that the proposed moments are useful in the field of image analysis. Furthermore, the study investigates invariant pattern recognition using the proposed three moment invariants that are independent of rotation, scale and translation, and an example is given of using the proposed moment invariants as pattern features for a texture classification application.     

融入邻域作用的高斯混合分割模型及简化求解

目的 基于高斯混合模型（GMM）的图像分割方法易受噪声影响,为此采用马尔可夫随机场（MRF）将像素邻域关系引入GMM,提高算法抗噪性。针对融入邻域作用的高斯混合分割模型结构复杂、参数估计困难,难以获得全局最优分割解等问题,提出一种融入邻域作用的高斯混合分割模型及其简化求解方法。方法 首先,构建融入邻域作用的GMM。为了提高GMM的抗噪性,采用MRF建模混合模型权重系数的先验分布。然后,利用贝叶斯理论建立图像分割模型,即品质函数;由于品质函数中参数较多（包括权重系数,均值,协方差）、函数结构复杂,导致参数求解困难。因此,将品质函数中的均值和协方差定义为权重系数的函数,由此简化模型结构并方便其求解;虽然品质函数中仅包含参数权重系数,但结构比较复杂,难以求得参数的解析式。最后,采用非线性共轭梯度法（CGM）求解参数,该方法仅需利用品质函数值和参数梯度值,降低了参数求解的复杂性,并且收敛快,可以得到全局最优解。结果 为了有效而准确地验证提出的分割方法,分别采用本文算法和对比算法对合成图像和高分辨率遥感图像进行分割实验,并定性和定量地评价和分析了实验结果。实验结果表明本文方法的有效抗噪性,并得到很好的分割结果。从参数估计结果可以看出,本文算法有效简化了模型参数,并获得全局最优解。结论 提出一种融入邻域作用的高斯混合分割模型及其简化求解方法,实验结果表明,本文算法提高了算法的抗噪性,有效地简化了模型参数,并得到全局最优参数解。本文算法对具有噪声的高分辨率遥感影像广泛适用。     

空间约束层次加权Gamma混合模型的SAR图像分割

目的 合成孔径雷达（SAR）图像中像素强度统计分布呈现出复杂的特性,而传统混合模型难以建模非对称、重尾或多峰等特性的分布。为了准确建模SAR图像统计分布并得到高精度分割结果,本文提出一种利用空间约束层次加权Gamma混合模型（HWGaMM）的SAR图像分割算法。方法 采用Gamma分布的加权和定义混合组份;考虑到同质区域内像素强度的差异性和异质区域间像素强度的相似性,采用混合组份加权和定义HWGaMM结构。采用马尔可夫随机场（MRF）建模像素空间位置关系,利用中心像素及其邻域像素的后验概率定义混合权重以将像素邻域关系引入HWGaMM,构建空间约束HWGaMM,以降低SAR图像内固有斑点噪声的影响。提出算法结合M-H（Metropolis-Hastings）和期望最大化算法（EM）求解模型参数,以实现快速SAR图像分割。该求解方法避免了M-H算法效率低的缺陷,同时克服了EM算法难以求解Gamma分布中形状参数的问题。结果 采用3种传统混合模型分割算法作为对比算法进行分割实验。拟合直方图结果表明本文算法具有准确建模复杂统计分布的能力。在分割精度上,本文算法比基于高斯混合模型（GMM）、Gamma分布和Gamma混合模型（GaMM）分割算法分别提高33%,29%和9%。在分割时间上,本文算法虽然比GMM算法多64 s,但与基于Gamma分布和GaMM算法相比较分别快600 s和420 s。因此,本文算法比传统M-H算法的分割效率有很大的提高。结论 提出一种空间约束HWGaMM的SAR图像分割算法,实验结果表明提出的HWGaMM算法具有准确建模复杂统计分布的能力,且具有较高的精度和效率。     

New set of adapted Gegenbauer–Chebyshev invariant moments for image recognition and classification

Orthogonal moments and their invariants to geometric transformations for gray-scale images are widely used in many pattern recognition and image processing applications. In this paper, we propose a new set of orthogonal polynomials called adapted Gegenbauer–Chebyshev polynomials (AGC). This new set is used as a basic function to define the orthogonal adapted Gegenbauer–Chebyshev moments (AGCMs). The rotation, scaling, and translation invariant property of (AGCMs) is derived and analyzed. We provide a novel series of feature vectors of images based on the adapted Gegenbauer–Chebyshev orthogonal moments invariants (AGCMIs). We practice a novel image classification system using the proposed feature vectors and the fuzzy k-means classifier. A series of experiments is performed to validate this new set of orthogonal moments and compare its performance with the existing orthogonal moments as Legendre invariants moments, the Gegenbauer and Tchebichef invariant moments using three different image databases: the MPEG7-CE Shape database, the Columbia Object Image Library (COIL-20) database and the ORL-faces database. The obtained results ensure the superiority of the proposed AGCMs over all existing moments in representation and recognition of the images.

     

基于Chebyshev小波的分布参数系统辨识

工程实际和社会系统中广泛存在着分布参数系统,因而研究分布参数系统的辨识与控制具有重要意义.但由于其复杂性,对分布参数系统的辨识研究十分困难.借助于Chebyshev多项式的逼近性质,以及小波的时频特性,构造了Chebyshev小波,并利用其积分运算矩阵,运用于分布参数系统的辨识,从而将一类分布参数系统的辨识问题转化为一般代数问题.并且考虑了初始条件和边界条件对辨识结果的影响,因此具有较好的适用性,仿真结果证实了该方法的有效性.     

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。     

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.     

遗传K-均值初始化的t混合模型医学图像聚类*

针对基于混合模型的图像聚类质量易受混合模型参数初始值的影响,提出一种遗传K-均值初始化的t混合模型医学图像聚类方法。该方法构建一种医学图像的t混合模型,将遗传算法与K-均值算法相结合,实现对医学图像的初始划分,从而获得混合模型的初始参数,有效克服混合模型对参数初始值选择的敏感性问题,用EM算法多次迭代估计t混合模型参数;最后根据得到的混合模型对医学图像进行聚类。实验表明,该方法实现了医学图像较精准的聚类,有较好的稳定性和通用性。