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。     

基于贝叶斯方法的尿沉渣图像分割

通过对贝叶斯分类器的讨论,提出将贝叶斯方法应用于医学图像分割后的合并策略思想,旨在提高图像分割的准确性,为计算机自动识别医学图像中包含的各种元素提供更加可靠的依据。首先让计算机自动识别出尿沉渣图像中的红细胞、白细胞、管型细胞、上皮细胞和结晶等有形成分,其次将各细胞实体正确地分割出来。由于图像中存在着大量背景噪音,因此在分割之前需要进行去除噪音的预处理。预处理采用数学形态学的方法,依次进行边缘提取、梯度图像二值化、腐蚀、膨胀。最后,在图像分割过程中,使用最大后验概率法进行破损目标体的合并,为进一步的特征提取和分类作了基础。在目标体分类中使用朴素贝叶斯分类器进行分类。将本方法应用于尿沉渣检查自动图像分析系统中,实验结果表明这一方法效果较好。     

基于贝叶斯学习的视频图像分割

如果背景中光线变化,那么视频图像分割将会变得比较困难。为了对光线变化的图像进行顺利侵害,提出了一种利用贝叶斯学习方法来进行视频图像分割的算法,即先在每个像素点处对不断变化的背景建模,同时计算每个像素点处的颜色直方图,再用这些直方图来表示该像素点处特征向量的概率分布,然后用贝叶斯学习方法来进行判断,以确定在光线缓慢或者突然变化的时候,每个像素点是属于前景还是属于背景。     

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。     

贝叶斯概率图像分割中混合模型参数高效计算的研究

1.引言图像分割的目的是将图像划分为一些互不重叠的区域,这是计算机视觉中的一个重要研究领域,也是图像理解的基础。在众多的图像分割技术中,特征空间聚类可以说是最常用的方法之一。通常用一确定的特征表征同一分割区域的像素。这些特征被量化成特征变量,同一分割区域的像素的特征变量基本上有类似的数值,不同分割区域的像素特征变量数值不同。在实施图像分割时,首先在特征空间把特征变量聚类,然后把特征空间的每一点映射回到图像空间的像素。     

折棍变分贝叶斯图像分割算法

为提高图像分割的抗噪鲁棒性并解决分割数目的自适应确定问题,通过在聚类标签先验概率的折棍构造过程中建立Markov随机场,将空间相关性约束引入Dirichlet过程混合模型的概率建模,使聚类的空间平滑性得以增强,并采用变分推断方法获得聚类标签的收敛解析解,提出一种基于折棍变分贝叶斯推断的图像分割算法,实现了对像素聚类标签和分割数目的同步自适应学习,避免了传统方法中因引入空间相关性约束而出现的计算复杂问题.基于Berkeley BSD500图像测试数据集的数值实验结果表明,该算法具有比现有的混合模型聚类图像分割算法更高的PRI值,且在低于0.1的噪声方差条件下表现出了更优的抗噪鲁棒性.     

SOM网络在图像分割中的应用

图像的分割是图像分析中的一个基本问题,以往的图像分割算法主要是针对灰度图像。本文将图像的每个像素作为一个矢量,抽取原图像的一部分像素点训练ＳＯＭ网络,以训练得到的ＳＯＭ网络作为分类器对图像进行分割。这种方法也适用于彩色图像和各种多光谱图像分割。文章的最后给出了分割试验结果。     

贝叶斯网络模型概述

文章对贝叶斯网络分类模型进行了形式化的描述,重点介绍了构造贝叶斯网的三种不同的方式,最后总结了贝叶斯网络的优点.     

应用标签域的贝叶斯网络图像分割算法

通过把概率等级的融合模型和马尔可夫随机场MRF应用于聚类分析模型上来实现图像分割方法,该方法能够更加准确地进行图像分割过程,并最终获得相关融合模型.结合先验概率分布,这种基于能量的Gibbs模型允许指定参数,最大概率等级估计与简单快捷的估计方法进行融合得到分割结果.将此融合框架成功应用在Berkeley图像标准数据库,相关实验结果表明了该方法有效的视觉评价和定量的性能指标,执行结果相比现有分割方法更为突出.     

基于人工生命的医学图像自动分割蠕虫模型

构造了一种具有初步生命特征的可变形模型——蠕虫模型．该模型包含神经中枢、视觉、触觉和运动系统,具有记忆、认知和支配躯体运动等功能;能智能地处理多种复杂情况,利用综合信息进行图像分割,具有常规图像分割方法不具备的能力．应用实例表明,该模型可以将胼胝体从二维MR矢状位图像中自动、完整地分割出来．对于边界有间断的较复杂的图像,该模型的优势更加明显．     

基于GAC模型实现交互式图像分割的改进算法

提出了一种改进的交互式图像分割算法。采用全变分去噪模型对图像进行预处理,在去除噪声的同时更好地保护了边缘;提出了一种对梯度模值进行曲率加权的边缘检测方法,采用该方法获得图像的边缘点集;将边缘点集中曲率较大的边缘点作为候选边界点推荐给用户;用户通过主观判断,在候选边界点中选择合适的"初始边界点",算法便可采用GAC模型完成对目标的分割。实验结果表明,改进算法提高了交互式图像分割的自动化程度,有效地减少了交互过程中的人工参与量。     

基于 Live-Wire交互式医学图像分割算法研究及实现 *

提出一种改进的 Live-Wire算法 ,结合迭代阈值分割算法对医学图像进行交互式分割。改进的算法避免了传统的 Live-Wire算法对噪声敏感、不能有效地区分强弱边缘的缺点 ,并且减少了动态规划寻找最优路径的时间和盲目性 ,在不增加算法复杂度的同时 ,提高了图像分割的准确性。     

基于SLIC的自适应多主体图像分割算法

为了解决多主体图像分割的交互分割问题,提出了一种基于SLIC超像素的自适应图像分割算法。首先利用SLIC对图像进行超像素分割处理,把原图像分割为大小相似、形状规则的超像素,以超像素中心点的五维特征值作为原始数据点通过自适应参数的DBSCAN算法聚类,确定多主体数目和分割边界。算法不需要用户交互,自适应确定分割数目。为了验证算法的有效性,在伯克利大学标准数据集BSDS500上与人工标注的分割图像进行比较, 前期的超像素处理使算法在时间上有很好的提升,对于一幅481×321像素的图像,只需要1.5 s就可以获得结果。实验结果表明,该方法可以有效解决多主体图像分割中的人工交互问题,同时在PRI和VOI的指数对比上也优于传统算法,本文算法可以在保证分割效果的基础上自适应确定分割数目,提高分割效率。     

基于运动估计的交互式医学图像序列分割

针对医学图像难以自动分割,而医学图像序列采用手工分割时工作量巨大、效率低的问题,提出了一种新的交互式图像序列分割方法.在计算机的辅助下,用手工精确地描画出第一幅图像中对象的边界轮廓.后续图像的分割曲线用运动估计的方法自动得到.每完成一幅图像的分割用户都可以检查分割效果,如果不满意则可用手工修正.这个过程重复进行,直到整个图像序列分割完毕.实验结果表明,该方法能精确、快速地实现医学图像序列的分割.     

图像分割的自适应交互核图割模型

为了克服图割模型算法在实现图像分割时需要人为选定参数,以及图割模型可能会陷入局部最小值的不足,考虑到交互图割是一种灵活的全局最优算法,提出了基于EM方法的交互核图割算法。数据映射到核空间,构造了新的目标函数,这样可以更有效地解决分类分割问题;为了估计交互图割所需要的参数以及图割算法所需要的各种阈值,采用EM算法来估计这些参数,避免人为随机选取可能造成的不利影响,因而该方法是一种自适应的分割算法。实验结果表明,相对于交互图割算法,该算法分割合成图像时具有更低的误分率,处理光学等图像时,分割结果更准确,保留图像细节信息的能力更强。     

改进的交互式Otsu红外图像分割算法

为提高红外图像中目标分割的精度和抗噪性能,提出了一种改进的交互式Otsu图像分割算法。采用图像信息熵特征和类间方差特征对经典Otsu算法的阈值判别函数进行改进,获得的最优阈值能较好地将目标从背景中分割出来,且具有良好的边缘保持效果,提高了算法的分割精度。同时,针对红外图像目标单一的特点,采用交互式粗分割的思路,先在红外图像中提取包含目标的局部封闭区域,进而在提取的区域内进行改进的Otsu分割。通过对红外图像激光光斑目标提取过程的实验结果表明：改进的Otsu分割算法大大降低了背景噪声对分割算法的影响,提高了抗噪性能与分割精度,且最大程度地减少分割算法的运算量,并较好地保持了目标模糊边缘,分割效果优于传统的Otsu算法和相关的改进Otsu算法。