一种改进的马尔可夫随机场分割算法

针对传统马尔可夫随机场没有充分考虑图像像素之间的关系导致对噪声过于敏感的问题,提出了一种改进的MRF图像分割方法。在经典MRF中加入了观察像素的邻域信息,利用拉普拉斯算子来描述MRF中似然能量的可靠性,并使用α-βswap算法获得能量最小解。采用期望最大算法对高斯混合模型进行参数估计前,进行了样本点的可靠性评判和选择,用以提高GMM的可靠性和减少EM算法解算的时间。实验证明,对于存在噪声的遥感光学影像和SAR影像,该方法较经典的马尔可夫随机场算法分割效果表现更好,解算时间也更短。     

基于超像素的快速MRF红外行人图像分割算法

针对红外图像中行人目标分割时容易受环境干扰的问题,提出一种基于马尔可夫随机场的红外行人分割方法.为了解决计算最优解时优化算法收敛速度慢的问题,采用simple linear iterative clustering算法将红外图像预分割为超像素块.以像素块作为马尔可夫随机场的分割单位.像素块的颜色信息由该像素块内所有像素的平均灰度值表示.根据马尔可夫随机场与图像信息之间的关系计算图像的局部先验空间结构信息,采用ICM计算后验能量函数的最小化解.实验结果表明,改进分割算法较好的抑制了小的噪声点,获得了比较理想的分割结果,对于360 × 240的红外图像,采用超像素对图像进行预分割可以将分割速度提高10倍以上.     

基于区域确定的分层马尔可夫模型及其MPM算法

基于四叉树的分层马尔可夫随机场 (Markov random field, MRF) 模型在层间存在因果性, 不需要像非因果马尔可夫随机场模型那样的迭代算法, 但是传统的分层 MRF 模型常常导致分割结果具有块状现象和非连续边缘. 本文提出一种新的基于区域确定的半树分层 MRF 算法, 并推导出它的最大后验边缘概率 (Maximizer of the posteriori marginal, MPM) 算法. 在流域算法过分割结果的基础上, 该模型将层间的点概率转换为区域概率, 采用区域概率实现各层图像分割. 从 SAR 图像的监督分割实验结果来看, 本文提出的模型较好地克服了基于像素分层模型和单分辨率 MRF 模型带来的块现象和非连续边界, 因而具有更好的分割结果.     

基于证据马尔可夫随机场模型的图像分割

图像分割是计算机视觉中的经典问题,在许多领域都有重要应用.由于图像信息存在不确定性,难以获得精确的分割结果,为应对图像分割中的不确定性问题,将证据理论这一不确定性建模与推理工具与马尔可夫随机场相结合,提出证据马尔可夫随机场(EMRF)模型,并基于此提出新的图像分割算法.EMRF利用证据标号场描述像素标号的含混性,以证据距离描述相邻像素间的标号关系,利用条件迭代模型(ICM)算法进行优化.实验结果表明,EMRF相较于传统马尔可夫随机场、模糊马尔可夫随机场和传统的基于证据理论的方法,能获得更好的分割效果.     

一种基于小波变换的马尔可夫随机场的视频对象分割

马尔可夫随机场（Markov Random Field,MRF）理论已经被广泛地应用于视频图像的分割。提出一种基于小波变换的马尔可夫随机场模型的视频对象分割算法。该算法利用小波变换将图像序列分解到小波域,并在此基础上建立马尔可夫随机场模型,构造相应的能量函数。通过迭代求解能量函数的最优解,得出标记场,提取出运动对象。仿真结果表明,该算法能够有效地抑制噪声,提高构成对象边界像素的数量,快速有效地提取出视频对象。     

结合马尔可夫随机场与模糊C-均值聚类的脑MRI图像分割

脑磁共振成像(MRI)在临床上得到了大量的应用,准确分割脑组织结构可以提高脑疾病诊断的可靠性和治疗方案的有效性。模糊C-均值聚类(FCM)算法擅长解决图像中存在的模糊性和不确定性问题,是最常用的脑MRI分割方法。但因FCM仅利用图像灰度信息,没有考虑区域信息,导致其抗噪性能很差,常与区域信息结合进行改进。马尔可夫随机场(MRF)算法充分利用了图像区域信息,但容易出现过分割现象,因此FCM常与MRF进行结合改进。针对现有的FCM和MRF结合方式上存在的问题,提出了一种新型的自适应权值的FCM与MRF结合算法,用于脑MR图像分割。该算法利用了图像邻域像素的区域相关性,自适应的更新联合场的权值,改进了现有的权值固定的结合方式,充分发挥了FCM和MRF各自的优势,使二者结合更加合理。实验结果表明,本文算法较FCM和现存的一些FCM改进算法有更强的抗噪声能力和更高的分割精度。     

基于局部区域能量最小化模型的图像分割

在马尔可夫随机场(MRF)和概率理论的基础上,提出局部区域能量最小化模型,将传统基于像素的分割转化为基于区域的分割,能减小均匀区域中的误分类率。在该模型和MRF模型下,使用ICM算法、Gibbs采样算法、Metropolis采样算法对图像进行分割,结果表明该模型能取得更精确的分割结果,可有效拟制图像噪音和纹理对分割的影响。     

核空间隐马尔可夫随机场图像模糊聚类

针对模糊C均值算法未考虑图像邻域信息,导致其分割效果不好的不足,结合隐马尔可夫随机场和高斯核函数,提出核空间隐马尔可夫随机场模糊C均值聚类算法。引入隐马尔可夫随机场,在目标函数中引入像素的空间邻域信息,使得分割算法对噪声鲁棒性增强;引入核函数,将样本点非线性变换映射到高维特征空间,增强图像分割的抗干扰能力,保持图像的细节信息。对标准灰度图像添加噪声,用以验证算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法具有更好的抗噪能力。     

基于简化随机场模型的高分辨率遥感影像分割方法

提出了一种灰度分割的基础上添加辅助的纹理分割的基于简化随机场模型的遥感影像目标分割方法,即用常用的描述局部图像特点的特征代替MRF中定义的特征,将这些特征组合成特征向量进行模糊C均值聚类完成分割。给出了算法流程和实验结果,并将该结果与基于高斯马尔可夫随机场模型法分割的结果进行比较,实验结果表明简化随机场模型法在保证一定的分割精度的情况下,分割速度明显快于高斯马尔可夫随机场模型法。     

基于Markov随机场理论的鼠脑切片显微图像的分割研究

鼠脑中的神经细胞是生物学家的一个重要研究对象.随着计算机视觉技术的飞速进步,研究者们利用图像分割技术从鼠脑切片显微图像自动提取细胞,为进一步分析提供便利.文中提出一种基于马尔可夫随机场理论的鼠脑切片细胞分割算法.相对于传统的算法,文中创新是利用已有的专家标记图和原始图像的灰度特征,结合期望最大化算法,初步估计高斯混合模型的参数,作为条件迭代模式算法的初始值,不仅提高分割精度,且减少迭代次数;并将像素的灰度特征和像素间的距离加入到传统的Potts随机场模型中,更加合理地描述像素间的定量关系.实验结果表明,与传统方法相比,此方法具有较高的计算效率和分割精度.     

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。     

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 Markov 随机场的脑部三维磁共振血管造影数据的分割

文章提出了脑部核磁共振血管造影(Magnetic Resonance Angiography, MRA)的全自动分割方法,该方法 有效增强了现有的基于 Markov 随机场(Markov Random Field, MRF)的分割技术。现有的三维 Markov 分割模型通 常面临的挑战是：(1)低级 MRF 模型参数初始化不够准确;(2)普通的 MRF 邻域系统无法探测精细的血管结构。 针对这两类问题,分别提出了基于多尺度滤波响应阈值分析和多模式邻域系统进行解决,使得 MRF 模型的血管 分辨率提高到 2 个体素的细小血管。实验中,低级模型参数的精确估计采用了最大期望算法,高阶 MRF 参数的 估计采用最大伪似然估计方法;通过三维仿真数据和实际脑部 MRA 数据进行验证,分割结果显示了较小的全局 误差     

FCM与马氏空间约束条件下的快速图像分割技术研究*

提出了一种FCM与马氏空间约束的快速图像分割技术.在FCM图像分割算法的基础上,引入了Markov 随机场用以描述图像分割中的空间约束信息,并通过多级级联的方式获得最后的图像分割结果.这样既克服了传统模糊C均值聚类算法只考虑图像中的数值特征信息,忽略像素间的空间约束关系的缺点,又最大限度地保证了分割算法计算的简单有效性.实验证明,与其他模糊C均值聚类算法相比,本文方法有更好的可靠性与有效性.     

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。     

基于局部最优分析的纺织品瑕疵检测方法

针对复杂的含有周期变化图案的纺织品瑕疵检测,提出改进Markov随机场模型的无监督纺织品瑕疵检测方法.应用随机场实现周期性纺织品图像的瑕疵检测,利用Markov邻域特性,综合判断瑕疵区域.结合周期图像分割,确定Markov随机场最小图像块计算单元,降低算法的计算复杂度.在随机场势函数定义中,综合考虑相邻图像块的差异特性,结合Markov随机场的全局性判断瑕疵点的位置.引入模糊相似关系矩阵概念,求解改进后的模型参数,使所有图像块的局部能量达到最优.实验表明,文中方法对样本的查全率较高.     

基于非下采样Contourlet和MRF的纹理图像分割

提出了一种基于非下采样Contourlet变换(NSCT)和马尔科夫随机场(MRF)相结合的纹理图像分割算法.算法包括两个步骤,首先通过NSCT实现对图像纹理特征的提取,并使用模糊C-均值完成对图像的初始分割;然后将初始分割结果用 MRF模型表示,通过贝叶斯置信传播得到图像的最终分割结果.实验结果表明,对于纹理图像,该方法在分割错误率、区域一致性以及边缘的准确性方面都比传统小波变换的方法有了明显的改善.     

FGMM-MRF层次模型在图像分割中的应用

为了更好地反映图像的区域结构,在高层次标记图像中,区域内部用各向同性的MRF建模,区域的边界用各向异性的MRF来建模;在低层次灰度图像中,用FGMM来描述待分割图像的概率分布.采用Bayes方法,根据标记图像的后验分布所对应的FGMM-MRF模型的条件概率,用ICM局部优化算法获得MAP准则下的分割图像.用模拟图像和MR图像进行实验,区域的边界和整体属性具有较好的视觉效果.     

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