基于GMRF的连续型储集层属性分布随机模拟

连续型储集层属性分布预测是油气储集层研究的重要内容。定量化的方法有各种插值技术和基于地质统计学的一些随机模拟技术,不同方法各有其优缺点。对基于GMRF(Gaussian Markov Random Fields)模型的随机模拟方法的原理和算法进行了较为详细的介绍,实际模型的运算过程及结果表明,该方法较为简捷,同时连续型属性作为空间随机变量的两个特征———结构性和随机性也得到了很好的反映。

基于GMRF模型的统计特征畸变织物疵点识别

为提高纹理模型对统计特征畸变织物疵点的识别率,提出一种GMRF纹理模型自动识别不同种类的统计特征畸变织物疵点。介绍了GMRF模型的纹理合成。利用生成的GMRF纹理模型进行仿真实验,以验证参数估计算法和纹理合成算法的正确性。设计了织物疵点的检测流程,并对实际疵布进行自动检测。结果证明:通过GMRF模型参数构造的距离统计量能够敏感地区分正常织物纹理和统计特征畸变疵点纹理,比较适用于统计特征畸变疵点的自动检测。

基于同态滤波图像分割GMRF模型的应用研究

采用GMRF模型对红枣彩色图像的灰度空间进行建模,采用阀值法对灰度图像进行分割处理,并用同态滤波光照补偿算法对图像的光照进行补偿。研究结果表明:GMRF可以有效地实现对目标图形的分割;而同态滤波算法通过压制低频,增益高频信号,增强图像细节,从而在一定程度上解决图像光照不均的问题。

基于优化Gabor滤波器和GMRF的笔迹特征提取方法

提取有效的特征一直是笔迹鉴别的关键问题,针对传统Gabor滤波器特征提取方法存在的不足,充分利用Gabor滤波系数间的相关关系,提出一种融合全局特征和局部特征的特征提取方法。该方法先通过字符笔画的方向梯度直方图(HOG)来优化Gabor滤波器的角度参数,再利用高斯马尔科夫随机场(GMRF)模型对Gabor滤波图像中的不同局部结构信息进行描述,最终得到笔迹图像的整体特征。以楷书四大家的真迹样本和收集的英文手稿作为实验数据,采用最小加权欧式距离分类器对笔迹样本进行分类,通过五重交叉验证法分别得到97.6%和88.3%的正确分类率,表明该方法提取的特征具有较强的笔迹表征能力,是一种有效的笔迹特征提取方法。

基于GLCM-GMRF纹理特征和深度置信网络的SAR图像分类

传统基于深度置信网络(deep belief network,DBN)的合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类方法受相干斑噪声影响严重,文章通过引入图像的纹理特征作为先验信息,反映像素间的空间关系和不同地物类型的独有特性,提出了一种基于GLCM-GMRF纹理特征和DBN的SAR图像分类方法。该方法利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取SAR图像在空间上的灰度相关特征,同时利用高斯马尔可夫随机场(Gaussian Markov random field,GMRF)建立邻域像素间的统计相关特性,组合提取得到的GLCM-GMRF纹理特征与图像强度矢量,送入DBN网络进行学习和分类。采用RADARSAT-2数据进行实验验证,实验结果表明,与传统DBN、支持向量机(support vector machine,SVM)分类方法相比,该方法可以有效抑制相干斑噪声影响,取得更好的分类结果。

GMRF随机场在纹理特征描述与识别中的应用

为了建立描述自然纹理的参数体系,选用木材这种典型自然纹理为研究对象。提取了木材纹理的5阶GMRF参数,为了降低运算量,采用改进的模拟退火算法进行参数的优化与选择,形成了描述木材纹理最优GMRF参数体系,并将其送入分类器进行分类识别。实验结果表明:集成神经网络的总体分类识别率为94.0%,近邻分类器的总体识别率为91.0%,获得了较高的分类识别率。说明用该参数体系对木材纹理进行分类识别是可行的,该参数体系也可用于与木材纹理相近的自然纹理的描述。

基于三维GMRF的高光谱图像空天融合目标检测

针对传统高光谱目标检测技术仅依靠单一的航空或航天高光谱图像进行目标检测,未能综合利用航空和航天遥感成像各自优势的问题,结合三维高斯马尔科夫随机场(GMRF)模型和D-S证据理论提出了一种空天融合目标检测方法。利用三维GMRF算法分别对航空航天遥感图像进行目标检测,再将检测结果进行决策级D-S证据理论融合,实现空天融合目标检测。实验结果表明,该目标检测技术实现了空天高光谱图像的优势互补,提升了目标检测精度,是一种融合处理空天高光谱遥感图像的目标检测新方法。

基于GMRF-SVM的高分辨率遥感影像目标区域划分方法

高分辨率遥感影像数据量大、细节丰富并呈现出一定的尺度依赖性,单一尺度遥感影像分割难以同时兼顾影像的宏观和微观特征,这成为制约遥感信息自动化提取技术发展的瓶颈之一。对此本文提出了基于特征的多尺度高分辨率遥感信息提取技术框架,并分析了其对于大尺度海量数据信息提取与目标识别工作具有的理论及实践意义。根据影像光谱或纹理等特征,提出采用GMRF-SVM方法在大尺度上进行分类的目标区域划分方法。从大尺度信息提取的角度来看,该方法综合了GMRF纹理分类和SVM少量样本模式识别的优势,便于先验知识的融合,无论从花费时间还是分类处理效果上,都远远优于直接采用GMRF进行分割所取得的效果,对于后面的信息提取和目标识别来说更具有实际意义。

基于立体环形邻域的GMRF模型及其在遥感影像纹理识别中的应用

对传统的GMRF模型进行了扩展,建立了基于立体环形邻域的GMRF模型,并设计了分步模型参数求解方法。这种新的模型不仅全面考虑了多光谱高分辨率影像中各波段内像元之间的空间相关性,而且还顾及了波段间像元的相关性。与传统的GMRF模型相比,基于立体环形邻域的GMRF模型提取的纹理信息更为丰富。采用Forrest彩色纹理图像和QuickBird卫星遥感影像进行了实验验证,实验结果表明本文提出的基于立体环形邻域GM-RF模型的纹理识别算法具有较强的普遍适用性,对不同情况的纹理影像(即空间相关性主要存在于波段间还是波段内)进行识别均能获得较好的分类效果。

基于快速EM算法的马尔可夫随机场模型运动目标自动分割

文章提出一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法。该算法采用高斯混合分布描述视频序列的差分图像,对标准Expectation-Maximization(EM)算法进行了改进,提出了快速EM算法,从不完整数据中估计出概率模型的参数。在此基础上建立马尔可夫随机场模型,构造系统能量函数。然后通过条件迭代模型(ICM)优化算法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,该算法对运动目标分割具有很好的分割效果。

基于特征学习的建筑物自动识别算法研究

针对单幅航拍灰度图像的建筑物自动识别问题,给出了一种基于类特征学习的算法结构。利用建筑物顶部的高亮度特性,采用基于灰度的OTSU方法实现图像的粗略分割;然后采用二阶高斯马尔可夫随机场(GMRF)模型描述已分割图像,得到目标/背景类的6维特征向量;以此特征向量及粗分割的类标记为训练集,训练支持向量机(SVMs)分类器学习两类特征,再用训练过的分类器重新分割图像;最后采用基于先验知识的规则对分割区域进行建筑物/非建筑物判定;理论分析和实验结果表明了算法的有效性。

一种基于函数联接网络的纹理分类方法

提出了一种基于函数联接的感知器神经网络的纹理分类方法 .它采用高斯 -马尔柯夫随机场模型 (GMRF)对纹理进行描述 ,模型参数即为纹理特征 ,参数估计采用最小平方误差方法获得 .将估计参数作为表达纹理的特征向量 ,用感知器网络对特征进行分类 ,并且采用函数联接的方式解决线性不可分问题 .对纹理图象进行的实验表明 ,采用这种方法能够提高学习速度 ,简化计算过程 ,并取得较好的纹理分类效果 .

多特征加权的纹理图像FCM分割算法

为了实现自然纹理的分割,根据自然纹理的不规则性和随机性强的特点,提出了一种由纹理的GMRF模型提取纹理的统计特性和样本方位特性的多特征融合的纹理图像分割算法。考虑到不同特征值对分类的不同影响,采取样本加权的模糊c均值分割算法控制各特征在聚类约束力上的可控制性。通过人工合成图像和自然纹理的分割实验证明,该方法具有较强的抗噪声能力,并且对于结构相似的粗纹理进行分割能有效地克服小岛区域和保持区域一致性。

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,进行后分割,得到最终分割结果,并对仿真结果与文献的算法进行了比较,表明该算法是比较有效的。

基于高斯马尔可夫随机场混合模型的纹理图像分割

针对以高斯马尔可夫随机场中的邻域像素互作用参数为特征、以高斯混合模型为分类器的二步纹理图像分割方法,提出一个两者相互结合的一步模型———高斯马尔可夫随机场混合模型,并给出其EM算法的迭代计算公式。利用该模型进行纹理图像的分割实验,发现该算法在纹理图像分割的精度上比前者有较大程度的提高。

基于特征级数据融合木材纹理分类的研究

为了提高对木材纹理识别的精度,提出了一种基于融合灰度共生矩阵与高斯-马尔可夫随机场纹理参数的特征级数据融合木材纹理模式识别方法。首先,分别获取了以上两种木材纹理特征参数;然后,使用模拟退火算法将两种不同类型的纹理特征量在特征层上进行了融合。利用融合后的特征对木材纹理样本进行识别,BP神经网络分类器的识别率达到97.00%,表明数据融合后的特征参数对木材纹理识别是十分有效的。

基于多特征组合的图像纹理分类

在对纹理图像进行特征提取的算法中,高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)和灰度共生矩阵(GLCM)这三种算法应用的较为广泛。常见的图像纹理分类做法是取某一种特征提取算法得到各种纹理的特征空间,进而配合分类算法进行分类。然而,这种做法的不足之处在于未能充分利用各种特征之间的关联,且选取某一种特征提取算法建立特征空间不具对比性。对此,提出一种多特征组合的方法,通过比较单个算法特征与组合特征的分类效果探究各算法特征在对纹理图像的分类上是否存在信息互补。实验结果表明单个算法特征在纹理分类上的确存在优势互补,实验中所得最佳组合特征将给定图像纹理的平均分类精度提高到96.9%。

基于高斯-马尔可夫随机场模型的织物纹理特征参数提取方法

将高斯-马尔可夫随机场用于织物纹理的建模.在估计模型参数时,采用不完全 Cholesky共轭梯度法.获得特征参数后,通过纹理合成方法,仿真原始纹理图像.试验表明:仿真织物纹理图像与真实织物纹理图像具有较为一致的视觉效果,从而论证了高斯-马尔可夫随机场模型对织物纹理建模的有效性.

基于模拟回火退火的DT-MR图像平滑和估计

在采用高斯-马尔可夫随机场(GMRF)对扩散张量磁共振成像(DT-MRI)的原始图像进行平滑和估计时,要根据Bayes准则对图像灰度进行最大后验(MAP)估计.为了避免陷入局部最小的“陷阱”和减小计算量,MAP估计采用了模拟回火退火方法(STA).通过对未加权图像和不同梯度脉冲下的加权图像(共7幅)同时进行平滑和估计.结果表明,基于STA对图像进行平滑和估计能够大大减少噪声影响,从而在图像信噪比很低的情况下仍能保证张量场完全正定.把本方法的实验结果与传统模拟退火(SA)方法的结果进行比较,表明基于STA的方法能够更加有效地消除噪声影响,减小计算量.

Contourlet域下基于多尺度特征的声呐图像分割

水下环境复杂多变,导致声呐技术成像后的图像质量差,影响目标识别。为此,提出一种基于Contourlet域下多尺度高斯马尔可夫随机场(GMRF)模型的水平集声呐图像分割算法。采用Contourlet变换及逆变换获取声呐图像各尺度层下的纹理特征,通过GMRF对各层纹理特征建模,以描述局部结构空间信息并降低对噪声的敏感度。根据各层纹理特征模型,对声呐图像进行由粗到细尺度的水平集分割以得到分割结果。实验结果表明,该算法在不同声呐图像中的分割准确度超过90 %,优于Otsu算法,且具有较低的复杂度和较强的鲁棒性。