基于通用高斯马尔可夫随机场模型的图像超分辨率重建

提出了一种基于通用高斯马尔可夫随机场(GGMRF)模型的图像超分辨率重建方法,给出了求解过程和实验结果,并进行了分析。相对Compound Markov随机场模型和 Huber-Markov随机场模型,GGMRF模型不用判断边缘或者线过程,因此优化求解简单,大大减少了运算量。实验结果表明在低噪声情况下,该方法重建图像视觉效果较好。

基于高阶马尔可夫随机场的图像分割

图像分割是个病态问题,精确化的图像分割需要用户提供足够多的约束信息才能实现.近年来随着马尔可夫随机场吉布斯能量函数最小化图割求解技术的突破,许多国外研究人员开展基于图割方法的交互式图像分割技术的研究.在众多交互式图像分割技术中,由于用户友好性和潜在应用价值,采用矩形框约束的交互式图像分割方法非常吸引人.从超像素马尔可夫随机场模型和网格马尔可夫随机场模型出发,在吉布斯能量函数中引入高阶势能项,高阶势能项的引入使得新的模型既能捕捉细粒度的单个像素信息又能捕捉单像素一定范围内的关联信息,从而提高了矩形框限制条件下的图像分割性能.实验表明:与GrabCut算法相比,所提算法准确性上有一定提高.最后,将所提算法应用在视频对象分割上也取得了不错的效果.

基于马尔科夫随机场的SAR图像超像素分割算法

针对SAR图像超像素分割易受图像固有相干斑噪声影响的问题,本文提出一种基于马尔科夫随机场(Markov Random Field,MRF)的超像素分割算法。算法中采用基于马尔科夫随机场的最大后验概率优化模型对SAR图像超像素分割问题进行建模。相较于传统SAR图像超像素提取方法,该方法通过对像素的分割标号在空间邻域上进行马尔科夫特性约束,进而有效抑制相干斑噪声的影响。实验结果表明,与传统方法相比,本文算法的噪声抑制效果更好,分割精度更高。

基于GMM和超像素马尔科夫随机场的运动目标检测

针对传统的基于高斯混合模型(GMM)的运动目标检测算法抗噪声性能差、易受动态背景干扰的缺陷,提出一种高斯混合建模与超像素马尔科夫随机场(MRF)相结合的运动目标检测方法。采用GMM对视频图像进行建模,初步标记出前景目标区域;对原始图像进行超像素分解,并根据GMM提取的前景图像得到概率超像素图像;采用MRF建模对概率超像素图像建模得到最终的运动目标前景图像。通过实验对比分析,表明提出的算法对噪声干扰、动态扰动背景等复杂场景均可以得到优于传统算法的结果。

基于马尔可夫随机场的低分辨率车牌图像复原算法

由于采集到的车牌图像分辨率较小,为获取高分辨率的图像,提出基于马尔可夫随机场模型的车牌图像超分辨率复原算法。首先对图像进行分块;然后利用马尔可夫随机场对这些分块进行建模,通过模型学习训练库中高低分辨率图像的关系,预测待复原的低分辨率车牌图像的高频细节信息。实验结果表明,本算法对车牌图像取得较好的复原效果,算法复原的超分辨率车牌图像更接近于真实图像,具有更高的峰值信噪比。

采用多组单应约束和马尔可夫随机场的运动目标检测算法

针对现有动态背景下目标检测算法的局限性,提出一种基于多组单应约束和马尔可夫随机场的运动目标检测算法.该算法以视频序列多帧跟踪的运动轨迹为基础,通过轨迹分离和像素标记2个阶段实现运动目标的检测:在轨迹分离阶段,利用多组单应约束对视频序列的背景运动进行建模,并基于该约束通过累积确认的策略实现背景轨迹和前景轨迹的准确分离;在像素标记阶段,以超像素为节点建立时空马尔可夫随机场模型,将轨迹分离信息以及超像素的时空邻域关系统一建模在马尔可夫随机场的能量函数中,并通过最小化能量函数得到每个像素的前背景标记结果.与现有基于运动轨迹的方法相比,文中算法不需要仿射摄像机模型的假设,有效地解决了运动轨迹等长带来的轨迹点区域缺失问题,并可同时处理静态背景和动态背景2种类型的视频;在多个公开数据集的测试结果表明,该算法在轨迹分离准确性、轨迹点密度以及像素标记准确率等方面均优于现有方法.

基于超像素的条件随机场图像分类

针对图模型在推导和参数估计中时间复杂度较高的问题,在条件随机场(CRF)中引入了超像素的概念,提出了一种基于超像素的CRF图像分类方法。该方法首先通过均值漂移算法将图像过分割成小的均匀区域(称为超像素),然后以超像素为节点、空间相邻的节点以边连接建立图模型,给出了相应的CRF的定义,实现了模型的参数估计和推导。实验结果表明,基于超像素的CRF模型在得到较好分类结果的同时,极大地缩短了运行时间,提高了效率。

基于多尺度马尔可夫随机场的图像分割

The noniterative algorithm of multiscale MRF has much lower computing complexity and better result thanits iterative counterpart of noncausal MRF model, since it has causality property between scales, and such causality isconsistent with the character of images. Maximizer of the posterior marginals(MPM)algorithm of multiscale MRFmodel is presented for only one image can be obtained in image segmentation. EM algorithm for parameter estimate isalso given. Experiments demonstrate that comparing with iterative ones, the proposed algorithms have the character-istics of greatly reduced computing time and better segmentation results. This is more notable for large images.

基于超像素条件随机场的遥感图像变化检测

遥感图像变化检测一直是遥感领域的热点。使用单一的差分影像很难保证初始变化图的准确度,为了充分利用遥感图像的空间信息,文章提出了一种用于无监督遥感图像变化检测的基于超像素的条件随机场模型。该方法首先通过变化矢量分析、光谱相关映射器产生了提供互补变化信息的差异图像。然后对差异图像进行简单线性迭代聚类得到超像素图像,最后,引入到条件随机场模型进行优化获得二值变化图。实验结果表明,所提出的方法提高了遥感图像变化检测的准确性。

马尔可夫模型与Shearlet变换结合的SAR图像超分辨率复原方法

为了不改变成像硬件条件,通过软件方法提高SAR图像分辨率,提出一种马尔可夫随机场(MRF)模型和Shearlet变换相结合的超分辨率复原方法。该方法分为两个过程,训练过程和学习过程。在训练过程中,首先对训练库中的高、低分辨率图像进行Shearlet变换,提取不同方向、不同分辨率的中、高频信息,然后对不同方向的中、高频信息进行分块。在学习过程中,使用Shearlet变换提取待复原图像的中频信息并对其分块,然后在训练库的辅助下,使用MRF建立图像特征模型,最后通过最大后验概率(MAP)估计出各个方向的高频信息,将估计出的高频信息和待复原的低分辨率图像叠加到一起进行Shearlet反变换,最终获得高分辨率图像。通过对真实SAR图像的处理结果表明,无论是主观的视觉效果还是客观的指标上,本文提出的方法都取得较好的结果,优于传统插值方法以及目前最新的基于稀疏表示的超分辨率方法。

结合多尺度体素和高阶条件随机场的点云分类

针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.

采用超像素标注匹配的交通场景几何分割方法

针对交通场景逐像素标注方法计算复杂、模型训练耗时长的问题,提出了一种基于超像素标注匹配的交通场景几何分割方法。该方法无需进行模型训练,根据全局特征搜索一组待分割交通场景图像的相似图像集。对待分割图像进行超像素分割和超像素块特征提取,并利用朴素贝叶斯原理进行似然比计算,根据似然比在相似图像集中进行超像素块标注匹配以实现初次分割。利用初次分割结果计算出一元势,应用全连接条件随机场模型对初次分割结果进行优化。实验结果表明,与传统的逐像素标注方法相比,本文方法的分割正确率和平均召回率分别提高了4%和3%,能够有效地实现交通场景几何分割。

基于马尔可夫场的图像背景拼贴

针对现代消费摄像机视野较小导致难以拍摄全景图片的问题,提出了一种新的图像背景拼贴的方法。给定一幅被扩展的输入图像,从网络上获取包含相关场景的散乱图片集,重建出三维模型后对每幅图片颜色迁移,使得每张图片与输入图像的颜色基调保持一致;在重建的三维模型的基础上,将超像素分割后的候选集图片都形变到输入图像的视角;建立一个马尔可夫随机场模型,使用带标签的图割方法求解模型完成图像融合。实验结果表明,该算法适用于拥有大量网络图片集的大多数场景。与现有算法相比,该算法能得到与真实场景更为相符的结果,并且拼接效果更为自然。

基于超像元全连接条件随机场的高分辨率遥感影像变化检测

随着传感器技术的进步,遥感影像分辨率不断提高,高分辨率遥感影像的变化检测技术已经成为遥感领域的研究重点。传统的中低分辨率影像变化检测方法无法在高分辨率影像中取得较好的检测结果。提出了一种基于超像元全连接条件随机场的高分辨率遥感影像变化检测模型,用以提升高分辨率遥感影像变化检测精度。该方法通过变化矢量分析(CVA)产生差分影像;对差分影像进行超像素分割,得到超像元差分影像;构建超像元全连接条件随机场模型并利用图割算法进行推理获得二值变化图。实验结果表明,所提出的方法提高了高分辨率遥感图像变化检测的精度。

基于超像素的快速MRF红外行人图像分割算法

针对红外图像中行人目标分割时容易受环境干扰的问题,提出一种基于马尔可夫随机场的红外行人分割方法。为了解决计算最优解时优化算法收敛速度慢的问题,采用simple linear iterative clustering算法将红外图像预分割为超像素块。以像素块作为马尔可夫随机场的分割单位。像素块的颜色信息由该像素块内所有像素的平均灰度值表示。根据马尔可夫随机场与图像信息之间的关系计算图像的局部先验空间结构信息,采用ICM计算后验能量函数的最小化解。实验结果表明,改进分割算法较好的抑制了小的噪声点,获得了比较理想的分割结果,对于360×240的红外图像,采用超像素对图像进行预分割可以将分割速度提高10倍以上。

基于SLIC与条件随机场的图像分割算法

针对条件随机场(CRF)模型在参数估计及模型推断阶段时间复杂度较高的问题,引入简单线性迭代聚类(SLIC)的超像素方法,提出一种基于SLIC的条件随机场图像分割算法。该算法首先通过SLIC对图像进行预处理,将图像划分成内部相似性较高的超像素区域,然后以超像素作为节点建立CRF图模型,最后通过参数估计及模型推断获得图像分割结果。实验结果表明,基于SLIC的条件随机场图像分割模型在获得较好分割结果的同时,极大缩短了运行时间,提高了分割的效率。

基于条件随机场的梨园场景图像分割方法

提出一种基于条件随机场模型的梨园场景分割方法,条件随机场模型直接对分割目标的后验概率建模,融入图像空间上下文信息,使得条件随机场模型可以获得更精确的分割结果。将已标记的场景图像划分为超像素,超像素的特征向量和标记的类别作为学习样本整合到类别数据库中;将未标记场景图像划分为超像素,利用条件随机场和类别数据库对未标记图像超像素的特征向量和空间关系进行建模;训练获得模型参数,利用最大后验边缘准则对未标记超像素进行类别推理。实验结果表明,与改进的K-最近邻方法相比该算法可以更加准确地进行梨园场景分割。

基于分层特征关联条件随机场的遥感图像分类

针对高分辨率遥感图像分类中空间上下文信息表达的难题,提出了一种新的多尺度条件随机场(CRF)模型。首先将图像内容表示成从细到粗三个超像素层:区域层、对象层、场景层,并将超像素特征逐层关联形成特征向量;再利用支持向量机(SVM)定义CRF关联势函数,利用相邻超像素特征对比度加权的Potts模型定义CRF交互势函数,最后形成一个分层特征关联的多尺度SVM-CRF模型。以Quickbird遥感图像中两个复杂场景为测试数据对该模型的分类有效性进行了验证,结果表明:该模型比基于上述三个超像素层的单尺度SVM-CRF模型分类精度分别平均提高了2.68%、1.66%、3.75%,而且分类时耗时较少。

基于超像素MRF的农田地区高分遥感影像分割

针对传统的超像素马尔科夫随机场(Markov random field,MRF)影像分割模型中对空间背景信息利用不够完全的问题,发展了一种新的超像素MRF模型。该算法将高阶邻域模型引入到MRF的交互势函数中,使交互势函数能够充分利用超像素邻域系统所包含的空间背景信息。结合此一阶势函数模型,还提出一种逐类别的β参数自动估计方法,该方法是在范数距离的基础上进行的。利用2景具有不同特点的农田地区高分遥感影像,开展了验证实验。实验结果表明,本算法对于边界强度等空间背景信息的利用效果更好,分割结果更精确。与其他超像素MRF分割算法对比,也说明了该算法在性能上的优越性。

基于多条件随机场模型的图像3D空间布局理解

图像3D空间布局理解在自动驾驶系统以及目标识别中扮演着重要的角色.本文提出一种基于多条件随机场模型集成的图像3D空间布局理解算法.首先,基于多次图像分割生成多个不同尺度的超像素图像;然后,结合LBP表面纹理特征、LM滤波器组获得的方向纹理特征、颜色特征以及图像中超像素的位置和形状特征,建立各尺度的超像素图像中超像素的特征表达;最后,为各尺度的超像素图像分别构建相应的条件随机场模型,并应用D-S证据合成理论对多个条件随机场模型的推断结果进行集成,实现对图像3D空问布局的理解.在公共数据集GC和KITTI Layout上的实验结果表明,同已有算法相比,本文提出的算法提高了图像3D空间布局理解的准确率.