基于上下文和隐类属的小波域马尔可夫随机场SAR图像分割

该文针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像含有大量的乘性斑点噪声的特点,提出了一种小波域隐类属的马尔可夫随机场(Markov Random Field,MRF)图像分割算法来抑制噪声的影响。考虑到小波的聚集性和持续性,该算法重新构造了待分图像小波域模型——以类属为隐状态的混合长拖尾模型,将隐类属的马尔可夫随机场推广到小波域上,并用改进的上下文模型估计尺度间转移概率,最后推导出了新的最大后验(Maximum A Posteriori,MAP)分割公式。仿真结果证明,该算法具有鲁棒性能够有效地抑制噪声对图像的影响,得到准确的分割结果。

基于小波域马尔可夫随机场模型的压缩传感图像重构

目前在压缩传感重构算法中利用图像的可稀疏性表示先验知识,从比奈奎斯特采样少得多的观测值中恢复原始图像。除了稀疏性之外,邻域系数的相关性也可以作为先验知识加速重构算法收敛。为了克服目前算法中没有利用邻域系数相关性的缺点,提出了基于小波域马尔可夫随机场模型的压缩传感图像重构算法,根据显著性度量对变换系数进行分类得到具有马尔可夫性的初始掩模,利用ICM算法完成掩模优化,实现系数更新,并将算法与未考虑邻域相关性的算法进行了比较。实验结果证明了算法的有效性。

基于小波域马尔可夫随机场的医学影像图像提取实现研究

对医学影像图像提取处理的小波域马尔可夫随机场数学模型进行了分析,较详细地研究了适当最优准则算法、最大后验边缘估计及多尺度概率值算法的数学原理。然后运用仿真软件对该模型的实现进行了设计、对比分析。最后对该系统进行了仿真实验与分析,验证了所设计系统的合理性。仿真表明结果与理论分析一致。

基于小波域TS-MRF模型的监督图像分割方法

定义在单一空间分辨率上的树结构马尔可夫场(Tree-Structured Markov Random Field,TS-MRF)模型能够表达图像的分层结构信息,但难以描述图像的非平稳性.针对该问题,提出小波域的TS-MRF图像建模方法—WTS-MRF模型.按照图像分类层次树的结构形式,该模型将一系列的MRF嵌套定义在多分辨率的小波域中:每一个树节点对应于定义在不同分辨率上的一个MRF集合,并通过条件概率的形式将相邻分辨率上的MRF间的作用关系考虑进来;同时相同分辨率的父子节点对应的MRF通过区域约束嵌套定义.基于WTS-MRF模型,给出了一个监督图像分割的递归算法,通过给定的分类层次树表示先验信息,并通过训练数据给出叶子节点在各分辨率上的统计参数.它在尺度内和尺度间两个层次上进行递归:首先,在最低分辨率上执行尺度内递归,即采用ICM算法从树的根节点到叶子节点依次对MRF进行递归估计;然后执行尺度间递归,即在相邻的更高分辨率尺度上,通过直接投影的方式依次获取每一MRF的初始估计,并采用ICM算法递归优化;最后,原始分辨率的MRF估计完成,获取最终分割结果.两组实验从视觉效果和定量指标(整体分类正确率和Kappa系数)两个方面验证了算法的有效性.

基于小波域层次Markov模型的图像分割

针对两个状态的有限高斯混合模型逼近小波系数的不足和小波域隐马尔可夫树标号场相互独立的缺点,提出了一种基于小波域层次马尔可夫模型的图像分割算法,这种模型用有限通用混合模型逼近小波系数的分布,使有限高斯混合模型只是其一种特殊情况;在标号场的先验模型确定上,利用马尔可夫模型描述标号场的局部作用关系,给出标号场的具体表达式,克服了小波域马尔可夫树模型标号场相互独立的不足,然后利用贝叶斯准则,给出相应的分割因果算法。该模型不仅具有空域马尔可夫模型有效的递归算法的优点,同时具有小波域隐马尔可夫树模型中的马尔可夫参数变尺度行为。最后用真实的图像和合成图像同几种分割方法进行了对比实验,实验结果表明了本文算法的有效性和优异性。

基于小波域正则化和贝叶斯规则的图像恢复算法

提出了将小波变换的正则化图像恢复与贝叶斯统计模型分析相结合的方法用于对图像进行消噪处理。正则化图像恢复是条件约束的最优化问题,而小波系数的贝叶斯统计选择是基于图像的随机场观点。两者的有机结合可以辨证地处理正则化参数和算子的选择以及先验模型的分布计算问题。

基于变权重马尔科夫模型的图像分割算法研究

在小波域变权重多分辨率马尔科夫随机场模型下对图像进行分割,首先对图像进行小波分解,然后对各个尺度用变权重多分辨率马尔可夫随机场算法进行特征场能量和标记场能量的计算,最后保存分割结果。实验结果表明:该方法能够准确地对图像进行分割,分割后的图像轮廓清晰,边缘细节特征明显,有利于特征提取和目标识别。

基于边缘分割与改进CNN的CT影像预诊断技术

针对基于图像识别的智能预诊断精确度较低的问题,文中提出了一种融合边缘分割与改进CNN的CT影像预诊断算法。在Bandelet变换的基础上构建WTS-MRF模型,并采用分割递归算法对CT影像的特征区域进行处理,进而设计出基于决策输出补偿的Faster R-CNN预诊断识别算法。同时还利用了脑出血、肺结核和肾结石等典型病例影像的数据样本,通过设置对比实验验证了该算法的预诊断可靠性。相较于同类预诊断识别方法,所提算法的准确率提升了6%,CT影像的分割准确率平均值为90%,预诊断识别精确率的平均值则可达96.9%。故其性能优于同类文献对比算法,能为基于人工智能的CT影像预诊断技术发展提供一定的理论支撑。