基于通用高斯马尔可夫随机场模型的图像超分辨率重建

提出了一种基于通用高斯马尔可夫随机场（0孙皿疆）模型的图像超分辨率重建方法,给出了求解过程和实验结果,并进行了分析。相对Compound Markov随机场模型和Huber-Markov随机场模型,GGMRF模型不用判断边缘或者线过程,因此优化求解简单,大大减少了运算量。实验结果表明在低噪声情况下,该方法重建图像视觉效果较好。     

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.     

基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束, 而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

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.     

后验概率估计及其应用:基于核Logistic回归的方法

提出一种基于特征矢量集的核Logistic回归方法,解决核Logistic回归的解的稀疏性问题,降低后验概率估计的计算复杂度.该方法与Markov随机场方法相结合,应用到图像分割中.在Bayes公式中,对样本条件概率的估计转换为对核Logistic回归方法的后验概率的估计,从而提出一种新的Markov随机场模型的实现方法,在对纹理图像的分割实验中得到良好效果.     

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...     

基于小波与高斯Markov随机场组合的轮廓纹理分割

为综合多尺度纹理模型和高斯型Markov随机场纹理模型各自的优点，本文提出了组合这两种模型的方法，Mallat的经验法、高斯型Markov随机场纹理模型和组合方法的对比实验表明，当纹理结构包含微结构时，组合方法分割纹理轮廓的性能最好、     

复小波域混合概率图模型的超声医学图像分割

针对存在大量不规则斑点噪声、目标边缘弱化的超声医学图像分割中较难识别目标的问题, 提出了一种复小波域中混合概率图模型的超声医学图像分割算法.采用具有近似平移不变性和良好方向选择性的双树复小波变换(Dual tree-complex wavelet transform, DT-CWT)提取超声医学图像6个方向的高频特征信息; 其次, 为关联目标的弱特征信息并抑制统计独立的高频噪声, 构建了复小波域混合概率图模型; 尺度间"父—子"节点间标记采用贝叶斯网络进行建模, 尺度内邻域间标记采用马尔科夫随机场(Markov random field, MRF)无向图建模, 对复小波域中同尺度的特征系数采用高斯混合模型建模, 尺度内同标记的观测特征采用高斯模型建模; 最后, 用迭代条件模式(Iterated conditional mode, ICM)实现MRF中误分割率最小的能量函数最优解, 获取标记场, 实现超声医学图像分割.实验结果从视觉效果和定量分析两方面验证表明, 本文算法能有效地提取超声图像的弱目标信息, 较好地定位目标区域, 具有较高的分割精度和鲁棒性.     

基于小波域层次Markov模型的图像分割

针对两个状态的有限高斯混合模型逼近小波系数的不足和小波域隐马尔可夫树标号场相互独立的缺点,提出了一种基于小波域层次马尔可夫模型的图像分割算法,这种模型用有限通用混合模型逼近小波系数的分布,使有限高斯混合模型只是其一种特殊情况;在标号场的先验模型确定上,利用马尔可夫模型描述标号场的局部作用关系,给出标号场的具体表达式,克服了小波域马尔可夫树模型标号场相互独立的不足,然后利用贝叶斯准则,给出相应的分割因果算法。该模型不仅具有空域马尔可夫模型有效的递归算法的优点,同时具有小波域隐马尔可夫树模型中的马尔可夫参数变尺度行为。最后用真实的图像和合成图像同几种分割方法进行了对比实验,实验结果表明了本文算法的有效性和优异性。     

面向智能视频监控中的运动目标检测方法研究

运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。     

Improved HMRF for Remote Sensing Image Segmentation

The traditional Markov random field algorithm used for image segmentation is often associated with some known problems,such as unsmooth edges of the segmented regions due toimage noise and abnormal pixels values,thus,subsequently inaccuracy segmentation results.On account of this phenomenon,an algorithm that follows the hidden Markov random field which is based on finite Gaussian mixture model is put forward.First,the initial segmentation results are obtained by replacing traditional K-means method with the Expectation Maximization (EM) algorithm,and they are smoothedby using the bilateral filter.Next,the finite Gaussian mixture model and the Potts modelare used to model the feature field and the mark field,and the EM algorithm is used for its parameter estimationto obtain the feature field energy and the mark field energy.Finally,the energy function is minimized by using the Iterative Condition Model (ICM) algorithm in order to achievean optimal segmentation result.Experimental results show that our approach achieved a more efficient result by comparingto the classical MRF method and the traditional HMRF method,and the probabilistic rand index and global consistency error indicators are better than that of existing     

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。     

基于多变量类别自适应的图像分割算法

提出一种根据分割要求自动配置区域平滑性的图像分割算法.通过对现有的类别自适应空间变量混合模型进行改进,修改模型算法中Markov随机场的势函数部分,在判断分割区域环节时引入了像素的色彩或灰度信息,使改进后算法的稳定性有明显提升;同时增加了像素强度系数α以及算法的灵活性,提高了其实用价值.最后在MIT及Berkeley的分割测试图片上进行仿真实验,证明了该算法的有效性.     

Spatially Constrained Student’s <Emphasis Type="Italic">t</Emphasis>-Distribution Based Mixture Model for Robust Image Segmentation

The finite Gaussian mixture model is one of the most popular frameworks to model classes for probabilistic model-based image segmentation. However, the tails of the Gaussian distribution are often shorter than that required to model an image class. Also, the estimates of the class parameters in this model are affected by the pixels that are atypical of the components of the fitted Gaussian mixture model. In this regard, the paper presents a novel way to model the image as a mixture of finite number of Student’s t-distributions for image segmentation problem. The Student’s t-distribution provides a longer tailed alternative to the Gaussian distribution and gives reduced weight to the outlier observations during the parameter estimation step in finite mixture model. Incorporating the merits of Student’s t-distribution into the hidden Markov random field framework, a novel image segmentation algorithm is proposed for robust and automatic image segmentation, and the performance is demonstrated on a set of HEp-2 cell and natural images. Integrating the bias field correction step within the proposed framework, a novel simultaneous segmentation and bias field correction algorithm has also been proposed for segmentation of magnetic resonance (MR) images. The efficacy of the proposed approach, along with a comparison with related algorithms, is demonstrated on a set of real and simulated brain MR images both qualitatively and quantitatively.     

Unsupervised segmentation of noisy and inhomogeneous images using global region statistics with non-convex regularization

Improving the segmentation of magnetic resonance (MR) images remains challenging because of the presence of noise and inhomogeneous intensity. In this paper, we present an unsupervised, multiphase segmentation model based on a Bayesian framework for both MR image segmentation and bias field correction in the presence of noise. In our model, global region statistics are utilized as segmentation criteria in order to classify regions with similar mean intensities but different variances. Additionally, we propose an edge indicator function based on a guided filter (instead of a Gaussian filter) that can preserve the underlying edges of the image obscured by noise. The proposed edge indicator function is integrated with non-convex regularization to overcome the influence of noise, resulting in more accurate segmentation. Furthermore, the proposed model utilizes a Markov random field to model the spatial correlation between neighboring pixels, which increases the robustness of the model under high-noise conditions. Experimental results demonstrate significant advantages in terms of both segmentation accuracy and bias field correction for inhomogeneous images in the presence of noise.     

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。     

Markov随机场与Gaussian曲线在MR图像分割中的应用

针对扫描的人脑组织MR图像边缘分辨率低、模糊性大的特点,本文提出了一种基于模糊Markov随机场和Gaussian曲线相结合的MR图像最佳阈值分割方法。该方法通过对图像的像素邻域属性的统计将模糊论引入其中,建立模糊Markov随机场,并利用Gaussian曲线对二维直方图最佳一维投影进行拟合,确定出图像中各脑组织的二维阈值点,在二维直方图上实现对脑组织的分割。通过实验表明,本算法能够有效提高脑组织的分辨率,对噪声的鲁棒性、结果区域的连通性相对于一维Otsu和二维Otsu算法都有了很大的提高。