基于时空结合概率模型的运动估计和分割方法

探讨了一种基于贝叶斯框架的时空标记场最大后验边缘概率与最大后验概率相结合的运动对象分割算法。通过建立贝叶斯分布模型,求得对象分割标记场的最大后验概率,引入最大后验边缘概率求取最小能量。该算法将时间域分割结果作为初始标记场,空间域的分割结果作为图像的观察场,获取初始运动数目以及相应的运动模型的初始参数,然后通过参数估计,不断更新模型参数,之后通过把每个运动区域和运动模型相关联,来估计运动区域,最终达到分割的目的。实验结果证明,研究的方法对运动目标分割具有较好的分割效果。

一种分层马尔可夫图像模型及其推导算法

离散分层马尔可夫随机场(MRF)模型由于层间具有了因果性,因而其非迭代的推导算法比非因果的马尔可夫随机场模型的迭代算法复杂度低得多,结果更精确.针对图像分割问题中观测数据有限的情况,提出了一种新的基于离散分层MRF的半树模型,推导出了它的最大后验边缘概率(MPM)算法.半树模型不仅继承了一般分层模型快速、误分类少的优点,还避免了计算中遇到的数值下溢问题,减轻了分层模型带来的块现象,尤其适合大幅面图像的处理.

基于区域确定的分层马尔可夫模型及其MPM算法

基于四叉树的分层马尔可夫随机场(Markov random field,MRF)模型在层间存在因果性,不需要像非因果马尔可夫随机场模型那样的迭代算法,但是传统的分层MRF模型常常导致分割结果具有块状现象和非连续边缘．本文提出一种新的基于区域确定的半树分层MRF算法,并推导出它的最大后验边缘概率(Maximizer of the posteriori marginal,MPM)算法．在流域算法过分割结果的基础上,该模型将层间的点概率转换为区域概率,采用区域概率实现各层图像分割．从SAR图像的监督分割实验结果来看,本文提出的模型较好地克服了基于像素分层模型和单分辨率MRF模型带米的块现象和非连续边界,因而具有更好的分割结果．

一种基于区域收缩的运动分割算法

运动分割需要估计出每个运动的运动模型参数和运动支持区。为准确地确定运动支持区,在最大后验边缘概率(MPM-MAP)算法的基础上,提出了一种新的基于区域收缩的运动分割算法,用于确定运动支持区。该算法先以属于某种运动概率最大的像素为备选像素,然后通过区域收缩选定备选像素密度最大的区域为支持区范围。此外,还提出了一种新的运动模型参数初值的估计方法,并将差分图像包围盒的确定和区域收缩相结合,用于运动模型参数的初值估计,该方法先估计运动区域,再估计运动模型参数,并通过运动分解、合并和消亡来获得准确的运动个数。实验结果表明,该方法是有效的。

基于Markov随机场模型的运动对象分割研究

探讨了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MAP算法进行了改进,使用快速方法计算后验边缘。首先对视频处理对象进行初始分割,获取初始运动数目以及相应的运动模型的初始参数,然后通过参数估计,不断更新模型参数,之后通过把每个运动区域和运动模型相关联,来同时估计多个运动区域,最终达到分割的目的。实验结果证明,提出的方法对运动目标分割具有较好的分割效果。

基于区域收缩和DIRECT算法的运动分割

运动图像序列分割是计算机视觉中的一个重要问题.本文采用基于贝叶斯框架的最大后验边缘概率算法进行运动目标分割.首先,重新定义贝叶斯框架中似然函数的平滑项,并采用区域收缩算法实现迭代过程中运动目标支持区的估计.然后提出一种通过区域中心和主轴表示6参数仿射运动的模型,通过区域主轴像素估计运动参数,提高算法执行速度,将估计问题转化为一个取值有界的最优化问题,采用 DIRECT 算法估计运动参数.该方法与传统方法相比,提高运动参数估计的准确性和稳定性.通过仿真实验结果证明该方法的有效性.