传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分...传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.展开更多
为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场(Markov random field,MRF)的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在...为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场(Markov random field,MRF)的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在数组中;然后,将优化不稳定点的标号问题转化为随机场标号的能量函数问题,引用贝叶斯估计求后验概率分布函数及MAP-MRF(Maximum a posteriori-Markov random field)框架归约得到目标函数;最后,根据图割法α-expansion算法,利用标号调整过程中标号集相对能量变化得到不稳定点的最优标号集,将其与存储稳定点的数组综合,根据点标号提取特征点.实验结果表明,该方法简单、高效、无需人工调参,能够依据全局能量的变化自适应提取特征,特征提取结果令人满意.展开更多
与传统的一阶马尔科夫随机场(Markov random field,MRF)相比,高阶马尔科夫随机场能够表达更加复杂的定性和统计性先验信息,在模型的表达能力上具有更大的优势.但高阶马尔科夫随机场对应的能量函数优化问题更为复杂.同时其模型参数数目...与传统的一阶马尔科夫随机场(Markov random field,MRF)相比,高阶马尔科夫随机场能够表达更加复杂的定性和统计性先验信息,在模型的表达能力上具有更大的优势.但高阶马尔科夫随机场对应的能量函数优化问题更为复杂.同时其模型参数数目的爆炸式增长使得选择合适的模型参数也成为了一个非常困难的问题.近年来,学术界在高阶马尔科夫随机场的能量模型的建模、优化和参数学习三个方面进行了深入的探索,取得了很多有意义的成果.本文首先从这三个方面总结和介绍了目前在高阶马尔科夫随机场研究上取得的主要成果,然后介绍了高阶马尔科夫随机场在图像理解和三维场景理解中的应用现状.展开更多
建筑物是地震中的主要承灾体,其受损情况可作为评估地震破坏等级的重要参考依据。因此,快速准确地对震后影像中的受损建筑物进行识别显得尤为重要,对震后救援和应急响应具有指导意义。现有的震害遥感信息提取方法的精度低、速度慢,无法...建筑物是地震中的主要承灾体,其受损情况可作为评估地震破坏等级的重要参考依据。因此,快速准确地对震后影像中的受损建筑物进行识别显得尤为重要,对震后救援和应急响应具有指导意义。现有的震害遥感信息提取方法的精度低、速度慢,无法满足快速应急响应的迫切要求。文中提出一种基于马尔科夫随机场(Markov Random Field,MRF)模型的建筑物受损程度检测方法,首先利用马尔科夫随机场对影像进行分割,再根据影像中不同程度受损建筑物所呈现的特征,利用支持向量机在分割后的影像中提取受损建筑物。实验表明,该方法性能良好,平均总体精度达93. 02%。与传统方法相比,该方法操作简便,且提取精度和运行时间均有显著优势,能够精准、快速地识别震害单时相影像中的受损建筑物。展开更多
文摘传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.
文摘为了精确提取点云数据中的特征信息,针对激光扫描获取的三维散乱点云数据,提出一种基于马尔科夫随机场(Markov random field,MRF)的散乱点云特征提取方法.首先,根据散乱点的曲率估计及阈值初始化点标号并判定稳定点,将稳定点标记存储在数组中;然后,将优化不稳定点的标号问题转化为随机场标号的能量函数问题,引用贝叶斯估计求后验概率分布函数及MAP-MRF(Maximum a posteriori-Markov random field)框架归约得到目标函数;最后,根据图割法α-expansion算法,利用标号调整过程中标号集相对能量变化得到不稳定点的最优标号集,将其与存储稳定点的数组综合,根据点标号提取特征点.实验结果表明,该方法简单、高效、无需人工调参,能够依据全局能量的变化自适应提取特征,特征提取结果令人满意.
文摘与传统的一阶马尔科夫随机场(Markov random field,MRF)相比,高阶马尔科夫随机场能够表达更加复杂的定性和统计性先验信息,在模型的表达能力上具有更大的优势.但高阶马尔科夫随机场对应的能量函数优化问题更为复杂.同时其模型参数数目的爆炸式增长使得选择合适的模型参数也成为了一个非常困难的问题.近年来,学术界在高阶马尔科夫随机场的能量模型的建模、优化和参数学习三个方面进行了深入的探索,取得了很多有意义的成果.本文首先从这三个方面总结和介绍了目前在高阶马尔科夫随机场研究上取得的主要成果,然后介绍了高阶马尔科夫随机场在图像理解和三维场景理解中的应用现状.
文摘建筑物是地震中的主要承灾体,其受损情况可作为评估地震破坏等级的重要参考依据。因此,快速准确地对震后影像中的受损建筑物进行识别显得尤为重要,对震后救援和应急响应具有指导意义。现有的震害遥感信息提取方法的精度低、速度慢,无法满足快速应急响应的迫切要求。文中提出一种基于马尔科夫随机场(Markov Random Field,MRF)模型的建筑物受损程度检测方法,首先利用马尔科夫随机场对影像进行分割,再根据影像中不同程度受损建筑物所呈现的特征,利用支持向量机在分割后的影像中提取受损建筑物。实验表明,该方法性能良好,平均总体精度达93. 02%。与传统方法相比,该方法操作简便,且提取精度和运行时间均有显著优势,能够精准、快速地识别震害单时相影像中的受损建筑物。