基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束,而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。

基于模糊C均值与Markov随机场的图像分割

针对传统模糊C-均值(FCM)图像分割算法没有考虑图像空间连续性的缺点,提出一种改进的空间约束FCM分割算法。该算法引入了Markov随机场理论中类别标记的伪似然度近似策略,将像素特征域相似性同空间域相邻性有机地结合起来,给出了新的像素样本聚类目标函数。实验证明,该算法能大大提高分割性能并改善分割的视觉效果。

融合多尺度统计信息模糊C均值聚类与Markov随机场的小波域声纳图像分割

声纳图像成像质量差、特征信息弱,目标分割存在一定困难,为此提出一种融合多尺度统计信息的模糊C均值(FCM)聚类与Markov随机场(MRF)的小波域声纳图像分割算法。小波域中低频信息统计特性描述了低频不同区域像素聚类情况,高频信息反映了该方向纹理特征,依据低频子带的统计峰值选取FCM初始聚类中心,应用小波域FCM聚类算法对声纳图像进行预分割,抑制噪声的影响,提高了预分割的准确性;构建初分割后图像的多尺度MRF模型,尺度间节点标记的相关性采用1阶Markov性表征,尺度内构建2阶邻域系统描述系数间的标记联系,标记场采用双点多级逻辑模型建模,同一标记的系数特征场采用高斯模型建模,弥补了MRF算法中层次信息和轮廓信息描述的不足;应用迭代条件模型算法求其最小能量下的标记场,实现声纳图像分割。从视觉主观效果和客观评价指标两方面的实验结果验证表明,该算法分割声纳图像均优于FCM聚类算法和MRF算法,分割的声纳图像边缘与细节的清晰度、精细度均有一定程度改善。

基于Markov随机场模型的数字X光图像自适应增强算法

为明确X光图像纹理粗细和组织分布状况,强化呈现身体结构信息,降低模糊图像对医生诊断病情结果的错误判断,提出一种基于Markov随机场模型的数字X光图像自适应增强算法.该算法首先统计X光图像全部范围内相同亮度像素,利用直方图均衡化法将原始图像变换成灰度级分布影像,消除光线干扰;然后分析组织属性,通过灰度共生矩阵提取X光图像的纹理特征,获取图像纹理粗细和布局结构的灰度信息;最后通过映射函数和对数函数计算平均亮度,用Markov随机场模型调整图像明暗度,补充纹理细小部位亮度,再用随机场函数划分光滑图像,采取二次重构,以保证图像锐化增强效果平衡.仿真实验结果表明,该算法能提升图像的内部信息清晰度.

视觉感受与Markov随机场相结合的高分辨率遥感影像分割法

鉴于视觉感受对外界强大的感知与识别能力,模拟视觉神经感知的工作机制,并结合Markov随机场模型,提出一种影像分割方法。首先,分析视觉感知系统的工作机制,将其特性归纳为等级层次性、学习能力、特征检测能力和稀疏编码特性,继而利用小波变换、非监督聚类、特征分析和Laplace分布模拟视觉工作机制,然后结合Markov随机场模型实现高分辨率遥感影像的分割。通过不同卫星的真实遥感影像进行了相关试验。试验结果表明本文提出的方法在高分辨率遥感影像分割任务中有非常良好的表现。

基于Markov随机场K-Means图像分割算法

传统的K-Means算法在图像分割中只与特征向量有关,从而忽略了像素间的空间位置关系,因而分割模型是不完整的.本文利用Markov随机场描述图像像素间的邻域关系,引入拒绝度的概念到聚类目标函数中的同时,提出了初始类别及初始中心点的确定方法,提出了较为完备的基于Markov随机场图像分割算法.并通过实验验证该分割方法在效果及效率上的有效性.

各向异性随机场下的边坡模糊随机可靠度分析

土性参数具有很大的空间变异性,且在水平方向和垂直方向上差异显著。基于随机变量模型的传统边坡模糊随机可靠度分析方法并未对此进行考虑。提出一种能合理考虑土性参数空间变异性的边坡模糊随机可靠度分析方法。首先,视黏聚力和内摩擦角的均值为正态模糊数,对其取不同的λ截集水平并在各截集水平上进行参数组合。其次,利用各向异性随机场模拟土性参数的空间变异性,将有限元法和Monte–Carlo模拟相结合,计算各参数组合对应的可靠度指标。再通过数学方法得到边坡在各截集水平上的可靠度指标。最后,运用加权平均法计算边坡的模糊随机可靠度指标。算例分析表明:与水平方向的空间变异性相比,垂直方向的空间变异性对边坡模糊随机可靠度的影响更为显著;不考虑土性参数的空间变异性在一般情况下会低估边坡的模糊随机可靠度指标,但在抗剪强度参数变异性较大时,反而可能会高估边坡的模糊随机可靠度指标;此外,黏聚力与内摩擦角之间的相关性对边坡失效概率的影响趋势基本不受土性参数空间变异性的干扰。

基于改进Markov随机场的高分辨率SAR图像建筑物分割算法

提出了一种基于改进Markov随机场模型的高分辨率SAR(Synthetic Aperture Radar,合成孔径雷达)图像建筑物分割算法.针对高分辨率SAR图像信噪比低和建筑物复杂纹理特性的特点,采用多尺度Markov随机场模型的最大似然准则方法获取图像的初始分割,并在传统Markov邻域能量模型基础之上提出一种新的基于Gabor纹理相似度的邻域势函数模型,采用ICM(Iterative Conditional Model,迭代条件模型)算法进行建筑物分割.多组实际高分辨率SAR图像的实验结果表明,与传统MRF算法等方法相比,本文方法具有更高的分割正确率,同时建筑物边界更为清晰平滑,分割效果较好.

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法.该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL(Kullback-Lerbler)信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度.在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度.通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性.

广义模糊Gibbs随机场与MR图像分割算法研究

为了对图像进行准确、可靠的分割,提出了一种基于广义模糊集的软分割算法,并将广义模糊集和G ibbs场结合起来,提出了广义模糊G ibbs随机场模型,同时建立了广义模糊G ibbs分割(GFGS)算法。该算法是首先把每一个分割类看作是广义模糊类,并以最大后验概率(MAP)为判别准则来决定每一个像素值的归类以及它属于该类的隶属度;然后用广义隶属度函数中负的部分来刻划数据中的异常值,使得该算法能有效地处理异常值;最后用该模糊类的质心来更新类的中心,并以人脑的仿真图像和临床MR图像进行了实验。实验结果表明,该算法能有效地滤除噪声和处理部分容积效应,是一个分割能力强、稳健性好的算法。

基于广义模糊吉伯斯随机场图像分割新算法

吉伯斯分布作为一种引入图像空间信息的先验模型已广泛运用于贝叶斯图像分割中 .然而 ,由于传统该模型只在确定类上有定义 ,而在模糊类上未曾涉及 ,使得在运用该模型对一些模糊图像或退化图像进行处理时 ,分割效果不理想 ,甚至无能为力 .该文针对这些不足 ,从模型本身出发 ,在传统的吉伯斯随机场模型中引入模糊概念 ,并针对实际多值分割特点 ,提出一种高效、无监督的广义模糊算法 ,从而实现对多值图像的精确分割 .文中首先介绍一种二值的广义模糊吉伯斯随机场模型 ;然后将这种二值模型进行多值扩展 ,提出分段模糊与广义模糊吉伯斯两种实用的多值分割算法 ;最后将其运用于一系列医学图像分割 .实验表明 ,文中提出的广义模糊分割算法比基于传统随机场的算法有更好的图像分割能力 .

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.

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。

基于Markov随机场的区域跟踪算法

由于视频序列的对象跟踪相当于把图像帧分割成跟踪与非跟踪两个不重叠区域,为此,引入图像分割算法中的Markov随机场模型,提出了一种多目标模糊规划求取Markov标记场的最优估计来实现区域跟踪的算法。此算法为了克服传统离散Markov随机场运算速度慢的缺点,利用双随机矢量,建立连续的Markov标记场,同时提取区域视觉和运动信息的模糊特征,从而改善了算法的鲁棒性和运算复杂度。最终实验结果表明,此方法不仅跟踪效果好,而且还有运算速度快、抗干扰能力强等特点。

条件随机场模型约束下的遥感影像模糊C-均值聚类算法

遥感影像具有丰富的空间相关信息,而传统的基于像元光谱的聚类算法并不能将空间信息融入聚类,聚类结果往往不好。针对这一问题,本文提出了一种条件随机场模型约束下的模糊C-均值聚类算法,通过邻域像元的分类先验信息对中心像元的类别进行约束从而提取空间相关信息,基于二阶条件随机场将光谱信息和空间相关信息同时融入聚类,并使用环形置信度迭代算法得到像元分类后验概率的全局最优推测。试验证明,本文算法能够有效地保持地物的形状特征,分类精度相比传统算法有所提高。

基于无参数Markov随机场模型的彩色纹理综合方法

提出一种基于多尺度、无参数Markov随机场模型和KL变换的彩色纹理综合方法。该方法能捕捉原始纹理的高阶统计特性，综合出与原始纹理视觉一致的彩色纹理图像。实验结果证明该方法对彩色纹理图像的综合非常有效。

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。

计算机视觉中的Markov随机场方法

Markov随机场方法是计算机视觉中一个引人注目的新研究方向。该文论述了基于Markov随机场模型的分析框架和有关文献,评述了用于图像分割和复原的分析方法,探讨了它的发展动向。

Markov随机场方法在灰度图象恢复中的应用

本文在叙述了Markov随机场（MRF）及Gibbs随机场的基本概念之后，综述了这种随机模型在灰度图象的恢复中的应用，其中包括模型的选择，及使用最大后验（MSAP）估计方法进行图象恢复。最后对给出的实例进行了计算，对使用不同的MRF模型及计算方法的恢复结果进行了对比。