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.

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。

一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法

该文研究了无监督遥感图像分类问题。文中构造了图像的隐马尔可夫随机场模型(HiddenMarkov Random Fleid,HMRF),并且提出了基于该模型的图像分类算法。该文采用有限高斯混合模型(Finite Gaussian Mixture,FGM)描述图像像素灰度的条件概率分布,使用EM(Expectation-Maximization)算法解决从不完整数据中估计概率模型参数问题。针对遥感图像分布的不均匀特性,该文提出的算法没有采用固定的马尔可夫随机场模型参数,而是在递归分类算法中分级地调整模型参数以适应区域的变化。实验结果表明了该文算法的有效性,分类算法处理精度高于C-Means聚类算法.。

基于隐马尔可夫随机场的社区结构发现算法

针对社区结构发现问题,提出了一种基于隐马尔可夫随机场社区发现算法。该方法将网络中的顶点度数映射为顶点信息值,用马尔可夫随机场模型描述网络中上下文信息并构造系统能量函数,使用迭代条件模式算法对能量方程进行优化。该方法在Zachary空手道俱乐部网络、海豚关系网络以及美国大学足球联赛网络上进行验证,实验结果表明,该算法的准确率较高。

核空间隐马尔可夫随机场图像模糊聚类

针对模糊C均值算法未考虑图像邻域信息,导致其分割效果不好的不足,结合隐马尔可夫随机场和高斯核函数,提出核空间隐马尔可夫随机场模糊C均值聚类算法。引入隐马尔可夫随机场,在目标函数中引入像素的空间邻域信息,使得分割算法对噪声鲁棒性增强;引入核函数,将样本点非线性变换映射到高维特征空间,增强图像分割的抗干扰能力,保持图像的细节信息。对标准灰度图像添加噪声,用以验证算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法具有更好的抗噪能力。

基于克隆选择算法和马尔可夫链蒙特卡尔方法融合隐马尔可夫随机场的脑部核磁共振自动分割研究

针对脑部磁共振(MR)图像分割问题,提出了一种基于克隆选择算法(CSA)和隐马尔可夫随机场(HMRF)的融合方法。首先,采用马尔可夫链蒙特卡尔(MCMC)算法对类标签进行估计,进行体素分类;然后,对分割结果进行偏场校正;最后,利用CSA的统计学进行HMRF模型参数估计,并利用迭代优化算法获得最终的分割结果。由于MCMC和CSA都是全局优化技术,所以HMRF-CSA算法能够克服传统HMRF方法的局部收敛以及较低分割精度的缺点。在仿真脑部MR图像集BrainWeb上的实验结果表明,对于主要脑部结构,算法的分割精度高于其他几种算法;且对图像伪影具有鲁棒性。

基于隐马尔可夫随机场和共轭梯度算法的脑部MRI图像分割算法研究

目的探索基于隐马尔可夫随机场和共轭梯度算法的脑部MRI图像分割算法。方法采用隐马尔可夫随机场模拟脑部MRI图像分割过程中目标函数最小化,并用共轭梯度算法求解目标函数参数。选用IBSR脑图库临床实例MRI图像和BrainWeb脑图库人工合成图像进行仿真实验,分割图像准确性采用Dice相似性系数和特异性值评估。结果基于本研究提出算法的分割图像中白质、灰质和脑脊液边界完整清晰,而且所得Dice相似性系数和特异性值均高于其他算法,其中IBSR脑图库图像平均Dice相似性系数和特异性值分别提升5.87%~6.67%和3.17%~8.16%。BrainWeb库不同噪声水平MRI脑部分割结果所得平均Dice相似性系数较马尔可夫随机场改进算法提升38.15%~1.42%,特异性值提升3.17%~8.16%。结论本研究提出算法能准确划分脑部MRI图像各区域,具有较强的抗噪性与鲁棒性。

基于隐马尔可夫随机场的细胞分割方法

为了提高细胞聚合、粘连区域的分割准确性,本文提出一种基于空间聚类和隐马尔可夫随机场的两级分割算法。以像素点颜色特征为依据,在Lab色彩空间中采用k-means++聚类方法得到初始化标签集;通过HMRF构建细胞图像的空间表达模型,充分利用空间约束关系,减少孤立点影响,平滑分割区域;采用期望最大值算法优化模型参数,利用标记场和观测场的相互作用,通过迭代算法不断调整标签集合,迭代直至收敛得到全局最优值。对来自于骨髓涂片的61幅细胞图像中的780个6类细胞的实验表明,本文算法提高了分割的准确率(不小于95%),便于进一步提取细胞病理特征,实现检测识别。

基于隐马尔可夫场的脊柱CT图像分割算法

由于对像素点的内在联系缺乏注重,许多传统的图像分割算法仍有很大可改进空间。为此,针对脊柱CT图像的分割问题,给出了一个改进的基于隐马尔可夫随机场框架的算法。由隐马尔可夫随机场建立分类的先验分布,将添加了记忆器的模拟退火算法与期望最大化算法进行融合,并结合最大后验估计准则来进行参数估计并得到最终结果。通过实验证明了所提出的算法较现有的马尔可夫随机场算法在脊柱分割的精确性上有较大程度的提高。

人体行为识别的条件随机场方法

针对人体行为的时变性,提取人体运动的侧影序列作为描述行为的特征。利用条件随机场方法建立人体行为模型,并通过序列数据的标记解决行为识别问题。该方法特征提取简单,针对运动状态序列而非单帧图像进行建模,提高了识别准确率;同时对数据没有条件独立性假设,具有更加广泛的适用性。在视频行为数据库KTH上的测试结果表明:条件随机场优于隐马尔可夫模型和支持向量机,相对于已有方法更加简单易用,且识别准确率高于其他方法。

基于条件随机场的中文情感分析方法比较研究

条件随机场(Conditional random field,CRF)模型是目前开展中文情感分析研究的一个热门工具。文章分析了CRF研究现状,给出了CRF适用于中文信息处理的理由,开展了基于CRF算法的比较研究:运用自然语言处理与中文计算2012年会议的公开评测结果,分别对CRF与隐马尔科夫模型和最大熵马尔可夫模型进行了比较研究,总结了CRF模型的特点。

基于条件随机场的量化选股模型

作为特殊的条件随机场模型的隐马尔可夫模型是大奖章基金辉煌业绩背后的秘密武器之一,本文从金融程的角度出发,将隐马尔可夫模型引入到投资领域来预测个股未来的涨跌情况。假设涨和跌的股票各自都存在一种明确的模式,都分别可由一个HMM模型来描述,那么如果一个股票在表征上涨模式的HMM模型上的观测条件概率越大,说明该股票实际上涨的概率也越大。基于HMM模型构建了个股的HMM因子,并在沪深300成分股中通过在2016年到2018年历史回测的实证分析取得了不错的超额收益,从而说明条件随机场引入到量化选股中具有一定的预测能力。

结合HMRF模型的模糊ISODATA高分辨率遥感图像分割

模糊ISODATA(Fuzzy ISODATA,FISODATA)在应用于图像分割时,FISODATA算法定义的FCM目标函数未考虑邻域像素间的数据相关性,导致该算法的抗噪性能较差;此外,FISODATA算法中分裂-合并操作需人工选取阈值参数,而不适当的阈值往往使得该算法陷入局部极值,因而得到错误的类属数并影响图像分割结果。该文将考虑邻域关系的基于隐马尔可夫随机场(Hidden Markov Random Field,HMRF)FCM(HMRF-FCM)方法纳入ISODATA框架,提出HMRF-FCM ISODATA(HMRF-FISODATA)算法,在分裂与合并操作后增加了优化操作,并根据优化结果自适应调节控制聚类分裂与合并的各阈值。该算法不仅能够快速获取正确类属数,而且克服了FISODATA算法没有考虑邻域像素的关系、人工选取阈值参数和受图像噪声影响大等问题,实现了自动正确确定类属数的同时完成高精度图像分割。

结合MST划分和RHMRF-FCM算法的高分辨率遥感图像分割

针对基于像素的HMRF-FCM算法抗噪性差以及对地物复杂边界分割精度低的问题,提出一种结合形状信息的静态MST区域划分和RHMRF-FCM算法的高分辨率遥感图像分割方法。该方法定义一种静态MST同质区域划分准则,借助MST能较好表达边界和形状信息、能较好抑制几何噪声的特点,解决地物复杂边界的表达和降低分割结果中几何噪声问题。首先,利用MST静态划分将图像域划分成若干个均质区域,假设每个均质区域内光谱测度服从独立同一的多元高斯分布。然后,在此基础上构建了区域隐马尔可夫随机场模型,以及建立基于信息熵和KL信息正则化项的模糊聚类目标函数。最后,采用偏微分方法对分割模型参数进行求解,从而得到全局最优分割结果。为验证本文方法,对WorldView-3高分遥感图像进行分割试验。定性、定量分析了尺度参数、光谱相似性参数和区域紧致度参数对最优分割结果的影响,并对比分析本文算法和eCognition软件中的多分辨率分割算法、分水岭算法。

基于TM图像的农业区域植被覆盖变化检测

以交叉相关光谱匹配(cross correlogram spectral matching,CCSM)为基础构建土地覆盖变化强度指标,利用华北农业植被覆盖区2期不同时相的TM图像计算该地区土地覆盖变化强度图像。认为变化强度图像任意二阶邻域中像素的变化强度服从隐马尔可夫模型,用马尔可夫随机场-最大后验估计(maxium a posteriori estimation of markovrandom field,MRF-MAP)的方法从变化强度图像中提取植被变化区域。实验证明:该方法能够有效识别各种外源噪声造成的农业植被覆盖区域同物异谱的现象,可准确提取植被变化区域;但对于水体区域存在误判现象。

基于贪心EM算法的HMRF遥感影像变化检测

提出一种基于贪心EM算法的HMRF遥感影像变化检测算法。该算法采取PCA与差值法相结合的方式来构造差分影像。首先,采用隐马尔可夫随机场(Hidden Markov Random Field,HMRF)模型描述空间上下文信息,并构造系统能量函数;然后,利用贪心EM算法克服EM算法假定混合成分数为已知、迭代结果过分依赖初始值、可能收敛到局部最大点或收敛到参数空间边界的缺点,能够准确学习分布模型结构和参数,发现数据对模型的最佳匹配;最后,通过条件迭代模型(Iterated Conditional Modes,ICM)优化算法求解能量函数最优解,获取变化区域。实验结果表明,该算法能够更好地保持影像的结构性,有效去除孤立噪声。

多维GMM与邻域约束的多光谱机载LiDAR数据城市地物分类

如何充分利用空间位置及多光谱信息完整、准确地区分各类地物是多光谱机载激光雷达点云应用的重要前提。传统的基于点的分类算法受点云无法明晰表达拓扑及邻域信息的局限导致算法设计困难、执行效率低,而将点云插值为图像的分类算法则受图像存在信息及精度损失的局限导致分类精度较低。另外,点云和图像两种结构均无法直接表达地物的三维几何形体,不利于地物三维建模及分析。为此,本文提出了一种多维高斯混合模型(Gauss mixture model,GMM)与邻域约束的多光谱机载LiDAR城区地物分类算法。该算法首先以无损且明晰表达邻域信息为原则将多光谱LiDAR数据体素化为多值虚拟体素结构,其中,虚拟体素为体素与其内激光点的联合体,虚拟体素值是由体素内激光点的多波段光谱、高程、局部法向量分布及点密度等特征构成的特征矢量。然后,构建模糊聚类模型对多值虚拟体素结构进行分割,获得各虚拟体素的模糊隶属度矩阵。其中,特征空间地物呈现的多峰分布用多维GMM拟合,从而建立标号场,并将多维GMM的概率分布作为非相似性测度;标号场中相邻体素类别的空间相关性用隐马尔可夫随机场模型建模,从而建立邻域约束下的先验概率,并将其作为控制聚类尺度的参数;采用附有规则化项的目标函数解决聚类尺度敏感问题。最后,对隶属度矩阵进行反模糊化确定分类结果。采用Optech Titan实测的不同场景的、不同数据量的多光谱机载LiDAR数据定量评价本文算法的有效性和可行性。试验结果表明,本文算法的平均总体精度可达91.32%、Kappa系数可达0.872,可有效实现对城市各类地物的分类;本文算法综合利用了地物的辐射、空间及几何一致性信息,扩大了信息利用种类,为多光谱机载LiDAR数据的空间位置及多光谱信息的综合利用提供了可行方案。

基于序列标注算法比较的医学文献风险事件抽取研究

医学文献快速增长,如何从医学文献文本大数据中挖掘出有价值的知识是一种巨大挑战。聚焦医学文献中定量风险语句的风险事件抽取,构建智能临床决策支持系统医学风险知识库。运用序列标注算法中重要的隐马尔可夫模型、最大熵马尔可夫模型和条件随机场三种模型分别对医学文献非结构化全文文本中风险事件信息进行抽取,并对算法进行比较。从三个模型平均F1测度值来看,条件随机场效果最好,其次为最大熵马尔可夫模型,然后是隐马尔可夫模型,但是每个模型都有自己对某些风险事件抽取的准确率或者召回率的优势。

HMT与HMRF联合的SAR图像小波去斑方法

该文将隐马尔可夫树(HMT)和隐马尔可夫随机场(HMRF)两种模型相结合,提出了一种新的估计SAR图像小波系数隐状态的迭代算法。使用该算法可以充分利用小波系数尺度间和尺度内的相关性,更准确地估计隐状态。在此基础上,通过贝叶斯估计分离出小波系数中的信号成分即可消除噪声影响。实验结果表明,该算法能够有效抑制SAR图像相干斑,同时可较好地保持边缘等图像结构特征。