模糊马尔可夫场模型与图像分割新算法

本文建立模糊马尔可夫场模型,并提出基于模糊马尔可夫场的图像分割新算法。该算法同时处理模糊性和随机性,因此能有效获取图像的先验知识。在模糊马尔可夫场与待分割图像之间用经典的马尔可夫场关联。模糊马尔可夫场是经典马尔可夫场的推广,当模糊马尔可夫场失去模糊性时,它将退化为经典的马尔可夫场。给定图像,随即进行模糊化处理;以最大后验概率作为优化准则修正模糊马尔可夫场的隶属度;最后按照最大隶属度原则消除模糊性,从而得到图像的分割。该算法可以有效地虑除噪和消除部分容积效应,得到更为准确的分割结果。

基于模糊马尔可夫场的脑部MR图像分割算法

在传统马尔可夫场模型的基础上,建立了模糊马尔可夫场模型。通过对模型的分析得出图像像素对不同类的隶属度计算公式,提出了一种高效、无监督的图像分割算法,从而实现了对脑部MR图像的精确分割。通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明新算法比传统的基于马尔可夫场的图像分割算法和模糊C-均值等图像分割算法有更精确的图像分割能力。

模糊马尔可夫随机场理论在阴影检测中的应用

阴影的检测是目标检测、目标跟踪、视频监控等领域的一个关键问题。提出了一种基于模糊马尔可夫随机场的阴影检测算法。该算法把阴影检测问题看做是一个求最优化的像素点分类问题。对于输入的视频,提取背景图像,找出阴影和前景目标物体区域。通过计算阴影概率分布,前景概率分布,隶属度函数,建立模糊马尔可夫随机场。应用贝叶斯准则,最大后验(MAP)估计和条件迭代模式(ICM)算法,寻找最优化的模糊马尔可夫随机场,并利用最大隶属度原则消除模糊性,得到阴影检测的结果。实验证明,文中算法具有较好的阴影检测率和目标检测率。

改进模糊马尔可夫随机场的SAR图像分割

模糊马尔可夫随机场利用模糊隶属度函数解决了马尔可夫随机场过于依赖灰度值的弊端,然而在模糊马尔可夫随机场的分割中采用的是硬性基团和边缘判断准则,模糊分类使得这些判断条件更加难以满足,从而图像分割中容易产生边缘分割错误的现象。改进模糊马尔可夫随机场是在分段模糊马尔可夫随机场中引入模糊意义的后验概率公式及基团和边缘类型"模糊相似性"概念,通过对不同基团和边缘类型的模糊相似性描述与判断,使得图像分割对于边缘的判断和噪声的抑制具有更好的效果。仿真实验表明改进模糊马尔可夫随机场对于边缘特别模糊的合成孔径雷达图像(SAR)具有较好的分割效果。

基于可能性FMRF的红外图像分割算法及其参数估计

模糊马尔可夫随机场在多值图像分割问题中多采用分段模糊的方法将多值问题转化成多个两值模糊问题,这种方法的模糊度完全依赖像素的灰度值,从而很容易陷于局部最优解。基于可能性测度的模糊随机场摆脱了隶属度对灰度的依赖,使分割结果更容易收敛于全局最优。同时基团类型"相似性"的提出,改进了随机场基团定义的苛刻性,使得基团类型具有更好的包容性与多样性,可广泛地应用到复杂环境下的多值图像分割问题中。最后给出了该算法的EM参数估计方法和图像分割仿真实验。