基于HMRF的改进Kmeans脑肿瘤分割算法

为了解决磁共振成像脑部肿瘤区域出现误识别及对脑MRI图像中的肿瘤部位分割时出现的不确定性等问题,提出一种改进的Kmeans算法与隐马尔可夫随机场模型(HMRF)相结合的分割方法,对脑肿瘤图像实现精准分割。首先将Kmeans算法的欧氏距离替换成曼哈顿-切比雪夫距离并用改进后的Kmeans算法对待分割图像进行初始参数估计和初始分割,然后通过HMRF理论获得图像的空间信息,并结合EM算法对聚类中心进行更新,获得更为准确的聚类中心,从而提高算法的分割性能。实验结果表明,该方法具有良好的脑部肿瘤分割性能效果,其中Dice系数和Jaccard系数的平均值分别达到了0.9289和0.8725。

结合Voronoi划分HMRF模型的模糊ISODATA图像分割

为了解决传统模糊聚类图像分割方法对噪声敏感及无法自动准确确定聚类数的问题,提出结合Voronoi划分HMRF模型的模糊ISODATA图像分割方法。利用Voronoi划分将图像域划分为若干子区域,以划分子区域为基本单元定义基于隐马尔科夫随机场(HMRF)模型的模糊聚类目标函数,以解决噪声敏感问题;通过迭代自组织数据分析技术算法(ISODATA)中聚类分裂、合并技术改变聚类数,以实现聚类数的自动确定。对模拟、合成图像和真实图像分割结果的定性、定量分析表明:提出算法不仅可以有效克服噪声和像素异常值对分割结果的影响,而且还能自动准确确定聚类数,实现自动变类图像分割。

一种基于HMRF模型的无监督图像分割算法

研究了基于隐马尔可夫随机场(HMRF)模型的无监督图像分割问题.对于每一阶模型的图像分割,该算法充分利用了相邻模型之间的相关信息,由此,该算法克服了均值场算法对初始化条件要求非常苛刻的缺点.而且,针对无监督图像分割的模型选择问题提出了带惩罚项的误差平方和阶次判定准则.实验结果证实本文提出的阶次判定准则优于伪似然信息准则(PLIC),并且,该算法具有满意的分割结果.

HMRF半监督近似核k-means算法

信息技术的发展催生了海量数据。聚类有助于发现数据的内在联系,从中挖掘有价值的信息。在对数据进行分析时,容易获得一些关于数据的背景知识,使用这些有限的先验信息指导聚类,可以显著改善聚类的结果。基于隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的半监督聚类使用成对约束作为监督信息,虽然在很多应用场景中有较好的聚类效果,但是其时间和空间复杂度很高,无法满足大规模数据处理的需要。针对该问题,文中首先分析了HMRF半监督聚类与核k-means的数学联系,使用矩阵的迹将两者的目标函数统一起来;然后,为了降低HMRF半监督聚类的复杂度,提出HMRF半监督近似核k-means算法(HMRF semi-supervised Approximate Kernel K-Means,HMRF-AKKM),通过采样构造近似核矩阵,使用近似核k-means优化聚类的目标函数;最后,在基准数据集上将HMRF-AKKM算法与相关的聚类算法进行对比,分析不同算法在实验中的聚类表现。实验结果表明,在相同的聚类任务上,HMRF-AKKM算法与原始的HMRF半监督聚类具有类似的聚类质量,但是HMRF-AKKM算法的聚类时间更短,说明HMRF-AKKM算法继承了HMRF半监督聚类与近似核k-means的优点。该算法一方面可以充分利用成对约束信息改善聚类质量,另一方面通过采样和矩阵近似提高了聚类效率,而且聚类质量和聚类效率可以通过调节采样比例和成对约束数量来平衡。因此,所提出的HMRF-AKKM算法具有良好的可扩展性,适合处理大规模非线性数据的聚类问题。

基于HMRF先验模型的超分辨率重建

针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。

引入HMRF模型模糊聚类算法的遥感图像分类性能分析

传统模糊C均值(Fuzzy C-Means,FCM)聚类算法没有充分考虑图像中空间信息的约束作用,导致其对噪声比较敏感。为了改善上述问题,基于隐马尔科夫(Hidden Markov Random Field,HMRF)模型的模糊聚类算法被提出,该文将以遥感图像为研究数据,对该算法的分类结果进行定性评价。

HMT与HMRF联合的SAR图像小波去斑方法

该文将隐马尔可夫树(HMT)和隐马尔可夫随机场(HMRF)两种模型相结合,提出了一种新的估计SAR图像小波系数隐状态的迭代算法。使用该算法可以充分利用小波系数尺度间和尺度内的相关性,更准确地估计隐状态。在此基础上,通过贝叶斯估计分离出小波系数中的信号成分即可消除噪声影响。实验结果表明,该算法能够有效抑制SAR图像相干斑,同时可较好地保持边缘等图像结构特征。

基于先验HMRF的MAP分块超分重建方法

针对高光谱图像应用最大后验概率(Maximum A Posteriori, MAP)超分重建后细节信息丢失严重问题,本文提出一种基于先验Huber马尔科夫随机场(Huber Markov Random Field, HMRF)模型的MAP分块超分辨率重建算法,以期提高图像超分重建质量。首先,利用主成分变换获取图像域的主要成分,在此基础上采用样条插值得到初始迭代图像;而后将初始图像域分为若干子块,在每个子块图像域上建立具有自适应阈值的HMRF模型,并结合子块图像域的保真项构建目标函数,采用梯度最快下降法求解此函数得到超分子块图像,将其重组,进而与插值后的次要成分图像相结合,最后应用主成分逆变换方法得到最终的高分辨率图像。为了验证本文算法的有效性与优越性,分别对模拟和真实图像采用本文方法和具有代表性的Tikhonov、总变分及传统HMRF模型超分重建方法进行实验对比,其中本文方法重建结果在峰值信噪比和结构相似性定量评价方面明显优于其他方法重建结果,在定性评价方面边缘结构及细节信息也更加明显,表明本文算法较为突出。

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

基于隐马尔可夫场的脊柱CT图像分割算法

由于对像素点的内在联系缺乏注重,许多传统的图像分割算法仍有很大可改进空间。为此,针对脊柱CT图像的分割问题,给出了一个改进的基于隐马尔可夫随机场框架的算法。由隐马尔可夫随机场建立分类的先验分布,将添加了记忆器的模拟退火算法与期望最大化算法进行融合,并结合最大后验估计准则来进行参数估计并得到最终结果。通过实验证明了所提出的算法较现有的马尔可夫随机场算法在脊柱分割的精确性上有较大程度的提高。

基于多节点拓扑重叠测度高阶MRF模型的图像分割

针对低阶马尔科夫随机场(Markov random field, MRF)模型难以有效表达自然图像中复杂的先验知识而造成误分割问题,提出一种基于多节点拓扑重叠测度高阶MRF模型(Higher-order MRF model with multi-node topological overlap measure, MTOM-HMRF)的图像分割方法.首先,为描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息,利用多节点拓扑重叠测度建立图像局部区域的高阶先验模型;其次,利用较大的局部区域包含更多的标签节点信息能力,基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型,提高分割模型的抗噪能力;再次,为有效描述观察图像场与其标签场的似然特征分布,研究利用局部区域内邻接像素的Hamming距离引入图像局部空间相关性,建立局部空间一致性约束的高斯混合分布;最后,基于MRF框架建立用于图像分割的多节点拓扑重叠测度高阶MRF模型,采用Gibbs采样算法对提出模型进行优化.实验结果表明,提出模型不仅能有效抵抗图像强噪声和复杂的纹理突变干扰,鲁棒性更好,而且具有更准确的图像分割结果.

基于核自调整进行半监督聚类

半监督聚类是通过在无监督算法的基础上加入有限的背景知识来实现的。现有的基于核的半监督聚类算法对于核参数的设定仍需人工进行调节,其选择值会极大地影响最终的结果。通过将关联加入到聚类目标函数中,在聚类过程反复地优化高斯核参数,自动确定最佳RBF核,并将最佳核计算与SSKK算法结合起来得到SSKKOK算法。实验结果表明,该算法能在利用基于核半监督聚类算法功能的基础上自动设置有关的参数。

基于改进模糊C均值算法的颈动脉超声图像分割

颈动脉的内中膜厚度(IMT)是预测心血管疾病(CVDs)病发程度的重要指标.本文研究并提出一种自动、高效的计算机辅助IMT测量算法,该算法依据先验知识自动提取感兴趣区域(ROI),并采用基于隐马尔可夫随机场(HMRF)模型改进的模糊C均值(FCM)算法分割图像,实现IMT的自动测量.实验结果表明,所提算法对超声图像噪声的鲁棒性较强,IMT自动测量结果与真实值(GT)有很高的一致性:两个数据集合的相关系数为98.52%,平均绝对误差为0.022 0?0.016 4 mm.

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法(最小噪声分离、独立成分分析和主成分分析)下,使用不同聚类方法(k-均值、迭代自组织分析算法和模糊c-均值算法)借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱"椒盐"现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。