为了在模型参数先验分布知识未知情况下实现基于区域和统计的图像分割,并同时获取更加精确的模型参数,提出了一种结合Voronoi划分技术、最大期望值(Expectation Maximization,EM)和最大边缘概率(Maximizationof the Posterior Marginal,...为了在模型参数先验分布知识未知情况下实现基于区域和统计的图像分割,并同时获取更加精确的模型参数,提出了一种结合Voronoi划分技术、最大期望值(Expectation Maximization,EM)和最大边缘概率(Maximizationof the Posterior Marginal,MPM)算法的图像分割方法。该方法利用Voronoi划分技术将图像域划分为若干子区域,待分割图像中的同质区域可以由一组子区域拟合而成,并假定各同质区域内像素强度服从同一独立的正态分布,从而建立图像模型,然后结合EM/MPM算法进行图像分割和模型参数估计,其中,MPM算法用于实现面向同质区域的图像分割,EM算法用于估计图像模型参数。为了验证提出的图像分割方法,分别对合成图像和真实图像进行了分割实验,并和传统的基于像素的MRF分割结果进行对比,测试结果的定性和定量分析表明了该方法的有效性和准确性。展开更多
传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Application...传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的Voronoi图。阐述了Voronoi单元合并的现象,证明了其发生的充要条件,提出该Voronoi图的生成算法并进行仿真。通过显微镜下嗜中性粒细胞、我国地表火点数据对算法进行验证,结果表明,该算法能够有效解决点集规模较大时,Voronoi图划分过于细致的问题,突破了传统Voronoi图单点对单点的划分形式。此外,该算法拓宽了Voronoi图在图形图像处理、生物医学、地理信息系统等领域的应用。展开更多
文摘为了在模型参数先验分布知识未知情况下实现基于区域和统计的图像分割,并同时获取更加精确的模型参数,提出了一种结合Voronoi划分技术、最大期望值(Expectation Maximization,EM)和最大边缘概率(Maximizationof the Posterior Marginal,MPM)算法的图像分割方法。该方法利用Voronoi划分技术将图像域划分为若干子区域,待分割图像中的同质区域可以由一组子区域拟合而成,并假定各同质区域内像素强度服从同一独立的正态分布,从而建立图像模型,然后结合EM/MPM算法进行图像分割和模型参数估计,其中,MPM算法用于实现面向同质区域的图像分割,EM算法用于估计图像模型参数。为了验证提出的图像分割方法,分别对合成图像和真实图像进行了分割实验,并和传统的基于像素的MRF分割结果进行对比,测试结果的定性和定量分析表明了该方法的有效性和准确性。
文摘传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的Voronoi图。阐述了Voronoi单元合并的现象,证明了其发生的充要条件,提出该Voronoi图的生成算法并进行仿真。通过显微镜下嗜中性粒细胞、我国地表火点数据对算法进行验证,结果表明,该算法能够有效解决点集规模较大时,Voronoi图划分过于细致的问题,突破了传统Voronoi图单点对单点的划分形式。此外,该算法拓宽了Voronoi图在图形图像处理、生物医学、地理信息系统等领域的应用。
