基于Markov随机场的自适应正则化三维显微图像复原

提出了基于马尔可夫随机场模型的正则化因子自适应调整三维显微图像复原算法,并用模拟序列样本和真实生物样本进行了实验.为了保持复原图像的边缘等细节信息,以Markov随机场模型作为图像的先验概率模型,对代价函数添加边缘约束惩罚项.其中,正则化因子在迭代过程中自适应地进行更新.实验结果表明此算法在对原始图像进行估计的同时,能够有效地保留图像的边缘等细节信息.而EM算法虽然能够有效地去除层间干扰,却丢失了大量的细节信息.

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 .

基于Gaussian-MRF的DTI图像的正则化

为了对DTI图像进行正则化,采用了Gaussian-MRF模型。正则化方法根据Bayes准则对图像灰度值进行最大后验(MAP)估计,估计采用模拟退火方法进行,退火温度采用指数冷却进度表。通过对不同加权梯度下的同一层图像(一共7幅)同时进行正则化实验,结果表明该方法能够改善图像的噪声性能。把本正则化方法的结果与对张量场直接进行正则化的结果进行比较,表明采用本方法能够更加有效地减小噪声影响。通过把指数冷却进度表和对数冷却进度表的结果进行比较,表明采用指数温度能够在更短的时间内获得更好的正则化效果。

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.

多维GMM与邻域约束的多光谱机载LiDAR数据城市地物分类

如何充分利用空间位置及多光谱信息完整、准确地区分各类地物是多光谱机载激光雷达点云应用的重要前提。传统的基于点的分类算法受点云无法明晰表达拓扑及邻域信息的局限导致算法设计困难、执行效率低,而将点云插值为图像的分类算法则受图像存在信息及精度损失的局限导致分类精度较低。另外,点云和图像两种结构均无法直接表达地物的三维几何形体,不利于地物三维建模及分析。为此,本文提出了一种多维高斯混合模型(Gauss mixture model,GMM)与邻域约束的多光谱机载LiDAR城区地物分类算法。该算法首先以无损且明晰表达邻域信息为原则将多光谱LiDAR数据体素化为多值虚拟体素结构,其中,虚拟体素为体素与其内激光点的联合体,虚拟体素值是由体素内激光点的多波段光谱、高程、局部法向量分布及点密度等特征构成的特征矢量。然后,构建模糊聚类模型对多值虚拟体素结构进行分割,获得各虚拟体素的模糊隶属度矩阵。其中,特征空间地物呈现的多峰分布用多维GMM拟合,从而建立标号场,并将多维GMM的概率分布作为非相似性测度;标号场中相邻体素类别的空间相关性用隐马尔可夫随机场模型建模,从而建立邻域约束下的先验概率,并将其作为控制聚类尺度的参数;采用附有规则化项的目标函数解决聚类尺度敏感问题。最后,对隶属度矩阵进行反模糊化确定分类结果。采用Optech Titan实测的不同场景的、不同数据量的多光谱机载LiDAR数据定量评价本文算法的有效性和可行性。试验结果表明,本文算法的平均总体精度可达91.32%、Kappa系数可达0.872,可有效实现对城市各类地物的分类;本文算法综合利用了地物的辐射、空间及几何一致性信息,扩大了信息利用种类,为多光谱机载LiDAR数据的空间位置及多光谱信息的综合利用提供了可行方案。

一种基于马尔科夫随机场的脑MR图像分割改进算法

高斯混合模型(GMM)易受噪声影响,马尔科夫随机场(MRF)模型能够很好地刻画空间特性。两者结合适用于对含有噪声的图片进行分割,但MRF模型用于图像分割时,容易出现过分割现象。针对这个问题,提出一种自适应权值系数的图像分割改进算法,从核磁共振成像(MRI)中较好地分割出脑脊液、灰质和白质组织。首先,使用K‐means算法得到初始分割结果,通过期望最大化算法(EM)估计GMM参数,进而得到图像像素灰度的联合概率能量函数。然后,利用MRF邻域系统中心像素与邻域像素的灰度值、后验概率和欧式距离得到自适应的权值系数,使用MRF模型得到先验概率能量函数。最后,借助贝叶斯准则得到最终图像分割结果。实验结果表明,该算法具有较强的自适应性,能够较好地克服噪声对图像分割的影响织。与同类算法相比,该算法对含有噪声的脑部MRI图像具有较高的分割精度,可得到较好的图像分割结果。

基于可分离替代函数优化的CT重建

针对应用迭代坐标下降算法,且基于q广义高斯马尔科夫随机场正则化模型的计算机断层成像(computed tomography, CT)目标函数优化中存在的耗时过长问题,提出一种基于可分离替代函数的优化方法.根据目标函数特性,采用优化转换策略,将目标函数的优化转换为可分离替代函数的优化,使得待重建CT图像各个像素可以同时更新,再结合图形处理器(graphics processing unit, GPU)技术并行运算能力,最终极大降低了迭代重建所需时间.实验结果表明,与迭代坐标下降算法相比,通过本研究算法重建的CT图像具有相同的空间分辨率和噪声水平,计算耗时仅为迭代坐标下降算法的1/20.本算法在极低的计算耗时下,保持了迭代坐标下降算法优异的图像性能,为临床应用所面临的耗时过长问题提供解决途径.

贝叶斯空间同质回归模型

对于高维空间回归问题,本文提出了一种有效的稀疏贝叶斯模型.通过引入分层高斯马尔可夫随机场先验,模型可以获取稀疏的空间变化参数,同时对于相邻的空间区域也可以获取同质的参数.相较于传统的采样方法,本文采用一种快速收敛的变分EM算法进行后验推断.对于M步,最优化问题可以通过简单的变形转化为经典的自适应lasso问题进行快速求解.通过数值模拟可以发现模型在参数估计和变量选择问题上取得较好的效果.最后模型用来分析欧洲社会人口学因素对各国新冠死亡率的影响.

结合加权混合模型和马尔可夫随机场的光学遥感影像分割

针对遥感影像分割中存在的统计建模不准确,以及分割精度和效率低的问题,提出一种结合加权混合模型和马尔可夫随机场的光学遥感影像分割算法.考虑到遥感影像内像素强度统计分布具有复杂的特性,以多个高斯分布加权作为模型组份,采用加权高斯混合模型构建影像统计模型,克服传统高斯混合模型以单一高斯分布作为模型组份而导致建模不准确的问题;然后利用类属先验概率构建平滑因子,在马尔可夫随机场中将其引入吉布斯分布以建模组份权重的概率分布,该分布结构简单、易于实现;最后采用最大条件期望方法求解最优模型参数,而组份权重分布的结构有利于推导出其解析式,降低算法的计算量.选取Cartosat和Worldview影像进行分割实验,与模糊C均值、高斯混合模型和学生t混合模型分割算法进行对比.结果表明,所提算法可更加准确地建模遥感影像非对称和重尾等复杂统计分布,平均总分割精度分别高于对比算法16.44%,16.00%和16.17%.

结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网

在高分辨率遥感图像上,道路网的同物异谱现象更为突出,因此其提取难度更大。提出了一种马尔可夫随机场纹理模型与支撑向量机分类相结合的道路网提取方法。其基本过程是:利用高斯马尔科夫随机场模型6个归一化特征值进行支撑向量机的分类得到道路斑块,利用形态学算子对其进行初步连接并提取轴线,然后通过斑块轴线的启发式连接得到最终道路网。试验证明方法是有效的。

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%。

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Voronoi几何划分和层次化建模的纹理影像分割

将基于像素MRF分割方法拓展到基于地物目标几何约束的区域MRF分割,提出了一种基于区域和统计的纹理影像分割方法,其基本思想是利用Voronoi划分技术将影像域划分为若干子区域。在此基础上,采用二值高斯马尔科夫随机场(BGMRF,bivariate Gaussian Markov random field)模型,静态随机场模型和Potts模型从邻域、区域及全局层次描述影像的纹理结构,并将该纹理结构模型纳入贝叶斯框架;依据贝叶斯定理构建纹理影像分割模型;利用metropolis-hastings(M-H)算法进行模型参数估计,并依据最大后验概率(MAP,maximum a posterior)准则进行优化,从而完成纹理影像分割。为了验证所提出方法的正确性,分别对合成纹理影像,真实纹理影像及遥感影像进行了分割实验,定性和定量的测试结果验证了提出方法的有效性、可靠性和准确性。

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GMM和MRF的自适应阴影检测

运动目标阴影在很大程度上会影响运动目标跟踪、行为识别的正确性和有效性.为此,文中提出了一种基于混合高斯模型和马尔科夫随机场的自适应阴影检测方法.该方法首先对混合高斯模型进行改进,使其可以自适应调整参数学习率以消除浅阴影;然后采用马尔科夫随机场综合邻域的空间依赖性信息进行精确的阴影检测.为了提高基于马尔科夫随机场的阴影检测的精度与效率,采用信息容量进行颜色特征选择,并利用基于自适应阈值的初始阴影检测结果来设定马尔科夫随机场的初始参数.实验结果表明,利用文中提出的方法检测阴影,能有效地解决阴影检测的误分类问题,提高阴影检测的准确度.

融合边缘特征的马尔可夫随机场模型及分割算法

针对区域马尔可夫随机场(MRF)模型的图像分割中常产生边缘模糊的问题,提出了一种融合边缘特征的区域MRF模型(IEFRMRF)及其分割算法。IEFRMRF模型基于MRF理论,首先通过边缘模板提取图像的边缘特征,建立局部区域的边缘先验约束;其次利用图像局部区域像素的空间约束关系描述图像的局部高斯统计特征,并通过期望最大化算法估计高斯特征参数;然后根据贝叶斯原理建立了具有边缘保持作用的区域MRF模型;最终采用区域置信度传播(BP)算法对IEFRMRF模型进行全局优化,把局部统计特征传递到图像的全局,并按照MAP准则估计图像分割标号。人工加噪声图像分割的实验结果表明,IEFRMRF模型的分割结果和传统高斯MRF模型、局部区域高斯MRF模型的分割结果相比,分割准确率分别提高了47.9%和21.4%,并且分割结果的边缘更清晰,自然图像的分割实验也验证了提出模型的有效性。

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MAP估计和广义高斯MRF的SAR图像边缘比率检测方法(英文)

SAR图像极低的信噪比以及乘性噪声给SAR图像的边缘检测带来了较大的困难。提出了一种针对SAR图像边缘的自适应贝叶斯检测方法。该方法利用广义高斯马尔可夫随机场作为局部均值的先验概率分布模型,利用贝叶斯准则推导了局部均值的最大后验概率估计。广义高斯马尔可夫随机场模型参数估计和局部均值估计采用联合迭代技术进行求解。边缘检测器的参数采用接收机操作性能曲线和卡方检验进行选择。基于实测SAR数据的仿真实验结果表明,本文的边缘检测算子是有效的,并优于已有的SAR图像边缘检测算子。

基于MRF随机场和广义混合模型的遥感图像分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,它的计算复杂度与观测数据的平方成正比,因此,在海量数据方面的应用就受到了限制。另一方面,多光谱图像数据中同时包含有空间和光谱两类信息,但大多数基于像素的多光谱图像聚类方法,仅使用了其频谱信息而忽视了空间信息。本文提出了一种新的基于广义有限混合模型GFM的分级聚类方法,该算法把MRF随机场和GFM模型结合在一起,分类数可以通过PLIC准则自动确定。算法在执行过程中,采用K均值聚类方式获得过分类图像,分级聚类从过分类图像开始,代替原来从单点类开始的方式,这样可以方便获取GFM模型成分密度的初始参数。最后,采用由Gibbs采样器生成的仿真测试图对算法的精度进行了定量评价,通过与K均值聚类和FM聚类的比较说明了本文算法的优越性,同时用荷兰Flevoland农业地区的极化SAR图像验证了本文算法的有效性。