基于上下文MRF模型的彩色街景图像分类

利用上下文马尔可夫随机场(Markov Random Field,MRF)模型,将图像分类问题转化为能量函数最小化(最优化)问题。该方法构建了MRF关于彩色街景图像的先验观测场模型,并利用迭代条件模式(Iterated Conditional Model,ICM)算法获得后验标记场能量最小。通过和模糊C均值(Fuzzy C-means,FCM)算法实验对比表明,该方法不仅能有效分类,而且分类精度要远高于FCM。

最小二乘模型下图像恢复的原—对偶算法的研究

由于正则化方法进行图像恢复过程中,往往需要调正则化参数,不同的图像要想得到较好的恢复效果,正则化参数可能并不相同.这里建立最小二乘模型进行模糊图像恢复,不需要调节正则化参数,简化了恢复过程.文中采用一阶原-对偶方法解带约束的最小二乘问题的图像恢复,并在原-对偶的解法上加以改进,采用整体代换的方法计算.实验证明,采用最小二乘模型的原-对偶的改进算法大大节省了迭代运算的时间,且在恢复无噪声的图像时不管是视觉感受上还是从PSNR峰值来看,恢复效果比原-对偶算法好.

基于Tikhonov模型的原-对偶算法在图像恢复中的应用

图像在采集、存储、传输以及显示过程中,由于各种因素,往往会造成图像模糊,所以消除图像中的噪声、去除模糊等意义重大。在模糊图像恢复过程中,运用针对Tikhonov正则化问题演化来的梯度下降法与原-对偶算法,以及它们改进的算法对模糊图像进行恢复。在这一模型中,正则化参数的选择对图像恢复的效果有很大的影响,选取一个相对合适的正则化参数来平衡拟合项与正则项情况很重要。选定合适的正则化参数后,在Armijo准则下应用0.618优选法选择步长,进行梯度下降法以及正则化下的原-对偶算法的计算,对模糊灰度图像进行恢复。使用上述2种方法对模糊图像进行恢复,实验表明,与梯度下降法相较而言,原-对偶算法在图像恢复中效果更好。