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。     

基于高阶马尔可夫随机场的图像分割

图像分割是个病态问题,精确化的图像分割需要用户提供足够多的约束信息才能实现.近年来随着马尔可夫随机场吉布斯能量函数最小化图割求解技术的突破,许多国外研究人员开展基于图割方法的交互式图像分割技术的研究.在众多交互式图像分割技术中,由于用户友好性和潜在应用价值,采用矩形框约束的交互式图像分割方法非常吸引人.从超像素马尔可夫随机场模型和网格马尔可夫随机场模型出发,在吉布斯能量函数中引入高阶势能项,高阶势能项的引入使得新的模型既能捕捉细粒度的单个像素信息又能捕捉单像素一定范围内的关联信息,从而提高了矩形框限制条件下的图像分割性能.实验表明:与GrabCut算法相比,所提算法准确性上有一定提高.最后,将所提算法应用在视频对象分割上也取得了不错的效果.     

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。     

图像分割中的马尔可夫随机场方法综述

马尔可夫随机场方法是图像分割中一个极为活跃的研究方向。本文介绍了基于马尔可夫随机场模型的一般理论与图像的关系,给出它在图像分割中的通用框架:包括空域和小波域图像模型的建立、最优准则的选取、标号数的确定、图像模型参数的估计和图像分割的实现,评述了其在图像分割中的应用,展望其发展的方向。     

基于小波和高斯-马尔可夫随机场的纹理分割

为了提高纹理分割的准确性和区域一致性，降低分割的错误率，在文献[5]的基础上，提出了一种基于小波和高斯．马尔可夫随机场(GMRF)的纹理分割方法。该方法首先对图象进行Gabor小波分解，得到一系列分辨率不同的子图象，然后采用基于GMR的K-均值聚类算法从最低分辨率图象进行聚类，一直到最高分辨率为止，这样就得到一个原始图象的初始分割，最后引入特征加权算法^[7]，进行后分割，得到最终分割结果，并对仿真结果与文献[5]的算法进行了比较，表明该算法是比较有效的．     

基于马尔可夫随机场的眼底图像血管分割研究

眼底图像血管分割是医用图像分割中较为复杂的一种,在目前的研究中存在分割精度低、效率不高等问题。提出基于马尔可夫随机场的眼底图像血管分割算法,根据眼底图像的特点构建马尔可夫随机场模型,提取H通道作为特征场参数,利用最大后验准则完成标号场更新,最终实现对视网膜血管的分割。算法通过眼底图像数据库DRIVE进行测试,结果表明:该算法平均准确度为0.954 6,平均敏感度为0.899 9,平均特异度为0.957 1,具有很好的分割效果,且运行稳定,计算方便快捷,具有鲁棒性。     

基于马尔可夫随机场的图像分割方法综述

系统地综述了基于MRF的图像分割方法。介绍了基于MRF模型的图像分割理论框架, 给出了当前MRF图像建模研究的热点问题。概括了基于MRF模型的图像分割算法, 包括图割算法、归一化割算法、置信度传播算法等, 指出了这些算法的发展方向。     

基于多分辨率马尔可夫随机场运动目标分割

提出一种基于三维时空小波变换和马尔可夫随机场(MarkovRandomField)模型的多分辨率运动目标分割算法。该算法利用三维时空小波变换对图像序列进行分解得到多分辨率的图像序列,并在此基础上建立多分辨率的马尔可夫随机场模型,构造相应的能量函数。通过条件迭代模型优化算法(IteratedConditionalModes)求解能量函数的最优解,得出标记场,提取出运动目标。实验结果证明,该算法能够很好地消除了单一分辨率的MRF运动检测结果中"空洞"现象,对运动目标分割具有很好的分割效果。     

基于多分辨率马尔可夫随机场运动目标分割

提出一种基于三维时空小波变换和马尔可夫随机场(Markov Random Field)模型的多分辨率运动目标分割算法.该算法利用三维时空小波变换对图像序列进行分解得到多分辨率的图像序列,并在此基础上建立多分辨率的马尔可夫随机场模型,构造相应的能量函数.通过条件迭代模型优化算法(Iterated Conditional Modes)求解能量函数的最优解,得出标记场,提取出运动目标.实验结果证明,该算法能够很好地消除了单一分辨率的MRF运动检测结果中"空洞"现象,对运动目标分割具有很好的分割效果.     

基于Markov四叉树模型的无监督图像分割

本文提出了一种基于分布特征的多尺度无监督图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特征向量,利用多尺度Markov模型进行二次聚类,从而实现无监督图像分割。与其它基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。对合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H—MPM和H—SMAP方法。     

一种多尺度无监督遥感图像分割方法

提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特征向量,利用Markov四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H-MPM和H-SMAP方法。     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点,提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略,将像素特征域相似性同空间域相邻性有机地结合起来,给出了新的像素样本聚类目标函数。实验证明,该算法能大大提高分割性能并改善分割的视觉效果。     

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。     

基于马尔可夫随机场的快速图象分割

根据卫星遥感图象的特点,讨论了基于马可夫随机场的图象分割方法,建立了相应的基于马可夫随机场的图象分割模型,以实现复杂遥感图象的快速分割,并由此将图象分割问题转化成图象标记问题,进而转化成求解图象的最大后验概率估计的问题。虽然传统的模拟退火算法（SA）能达到后验概率的全局最大,但是时间复杂度太高,实际分割中经常采用次优算法,文中还引进了一种基于博弈理论的决定性退火算法（GSA）和一种基于竞争理论的算法（CA）,取得了快速分割图象的效果。试验证明,该两种算法完全可应用于复杂遥感图象的快速分割。     

一种分层马尔可夫图像模型及其推导算法

离散分层马尔可夫随机场(MRF)模型由于层间具有了因果性,因而其非迭代的推导算法比非因果的马尔可夫随机场模型的迭代算法复杂度低得多,结果更精确.针对图像分割问题中观测数据有限的情况,提出了一种新的基于离散分层MRF的半树模型,推导出了它的最大后验边缘概率(MPM)算法.半树模型不仅继承了一般分层模型快速、误分类少的优点,还避免了计算中遇到的数值下溢问题,减轻了分层模型带来的块现象,尤其适合大幅面图像的处理.     

基于MRF模型和EM算法的多源图像融合方法

提出了两种图像融合方法.该方法首先利用EM-MRF算法与模糊分类方法的等价性,将EM-MRF算法引入到图像融合领域.在此基础上,利用统计模型对图像进行非监督分类的模型参数估计转化通过EM算法从不完全数据中估计模型参数的问题,并利用Markov随机场模型建立类别的先验概率、EM迭代算法进行图像分类的方法有较高的分类精度和鲁棒性,导出了基于分布式和集中式多传感器图像融合模型的两种融合方法.最后仿真试验表明,这两种融合方法既可以提高分类精度,又可以加强对噪声的抗干扰能力.     

基于MRF场的SAR图像分割方法

提出了一种基于MRF（Markov Random field)模型的SAR（Synthetic Aperture Radar)图像分割算法,本算法利用ICM（（Iterative Conditional Mode)局部 优化方法,获得MAP（maximum a posteriori)准则下的图像分割结果。并引入了剔除外层数据的机制,用MSTAR（Moving and Stationary Target Acquisition and Recognition)数据进行实验,结果表明,算法能有效减少斑点噪声的影响将图像分割为目标,阴影,背景三部分,实验结果是令人满意的。