一种基于马尔科夫随机场的脑MR图像分割改进算法

高斯混合模型(GMM)易受噪声影响,马尔科夫随机场(MRF)模型能够很好地刻画空间特性。两者结合适用于对含有噪声的图片进行分割,但MRF模型用于图像分割时,容易出现过分割现象。针对这个问题,提出一种自适应权值系数的图像分割改进算法,从核磁共振成像(MRI)中较好地分割出脑脊液、灰质和白质组织。首先,使用K‐means算法得到初始分割结果,通过期望最大化算法(EM)估计GMM参数,进而得到图像像素灰度的联合概率能量函数。然后,利用MRF邻域系统中心像素与邻域像素的灰度值、后验概率和欧式距离得到自适应的权值系数,使用MRF模型得到先验概率能量函数。最后,借助贝叶斯准则得到最终图像分割结果。实验结果表明,该算法具有较强的自适应性,能够较好地克服噪声对图像分割的影响织。与同类算法相比,该算法对含有噪声的脑部MRI图像具有较高的分割精度,可得到较好的图像分割结果。

新型高阶马尔科夫随机场模型在倾斜摄影图像的恢复算法

提出一种基于深度学习网络结构的高阶马尔科夫随机场模型,充分考虑了彩色倾斜摄影图像色彩复杂的概率分布特征,设计并引入了概率特征可随实际像素变化的专家函数组,使该模型能更好地发现并获取影像图像像素间的自相似性.在深度学习网络的构建中,引入了非局域化优化算法,不仅使其能量函数的梯度形式大大简化,而且使该模型的优化过程的收敛效率得到了极大提高.与当今主流同类图像恢复算法进行对比,提出的模型不仅在平均倾斜摄影照片恢复效果上与当下最新同类算法在统计学上相当,甚至在某些色彩为主导的影像上性能要优于对方,而且极大简化了深度学习过程中的计算量和运算时间.

马尔科夫随机场模型下的Retinex夜间彩色图像增强

由于Retinex算法在处理夜间彩色图像时容易出现光晕、颜色失真、细节丢失与噪声干扰等问题,本文基于马尔科夫随机场(MRF)提出了一种针对单幅图像的Retinex图像增强算法。该算法在HSV颜色空间下采用线性引导滤波估计图像照度分量;在MRF模型下求解仅包含物体本身特性的反射分量,并通过颜色恢复函数与增益补偿方法进行颜色恢复与校正,最终实现了夜间彩色图像的增强。实验结果表明,利用本文算法处理后图像的均值(整体亮度)可以提高2倍以上,标准差、熵、峰值信噪比(PSNR)等参数均有5%以上的提升。与其它基于Retinex原理的算法相比,本文提出的算法增强效果显著,具有消除"光晕伪影"现象、抑制噪声、颜色保真和有效地凸显边缘细节信息等能力。

基于图像片马尔科夫随机场的脑MR图像分割算法

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.

基于马尔科夫随机场的散乱点云全局特征提取

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.

基于多尺度马尔科夫随机场融合的遥感图像变化检测

在区域变化检测中,为了克服配准误差或噪声引起的伪变化,从多尺度融合的角度出发,对多尺度分析应用于遥感图像变化检测进行了探讨。首先利用小波变换对原始图像进行多尺度分解,然后利用马氏距离判决函数对不同尺度图像进行变化检测,最后利用马尔科夫随机场将不同尺度变化检测结果进行融合。由于马尔科夫随机场融合方法充分考虑了相邻像素间的相关性和不同尺度检测结果的联系,从而使融合结果更细致和精确。一系列图像的实验结果证明本方法具有很好的实用性和鲁棒性。

马尔科夫随机场和金字塔模型用于数字迷彩图案设计

为实现数字迷彩图案设计的自动化和快速化,基于马尔科夫随机场和金字塔模型构建了数字迷彩图案的设计体系.采用均值聚类法提取背景图像的主色和面积比例等特征,利用马尔科夫随机场模型模拟自然地物的纹理分布,并用金字塔模型实现迷彩图案的分解有效对付不同距离的侦察威胁,构建了全新的数字迷彩图案设计体系.结合南方林地某区域的背景特性,完成了数字迷彩图案的设计.结果表明,该模型初步实现了数字迷彩图案设计的自动化和精确化,有效提高了迷彩图案设计的效率和质量.

基于马尔科夫随机场的粘连字符串切分算法

粘连字符串模式复杂,难以通过基于传统图像处理的方法进行准确分割,针对该问题,提出一种基于机器学习的粘连字符串切分方法。包括训练和分割2个部分,对字符串之间的分割位置进行学习,对于输入的粘连字符串,利用马尔科夫随机场网络得到各点可作为分割点的概率,在概率图上使用图像分割的算法确定分割位置。实验结果表明,该算法对模拟的粘连字符串、重叠字符串和真实的手写字符串都可以得到较好的分割结果。

高阶马尔科夫随机场及其在场景理解中的应用

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.

基于马尔科夫随机场的单时相震害影像受损建筑物识别方法

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。

基于Color Lines先验的高阶马尔科夫随机场去雾

传统的一阶马尔科夫随机场在图像先验信息表达和对图像整体的约束上能力有限,同时基于暗通道的去雾算法在天空等大片白色区域处理效果存在偏差。针对以上问题,该文提出一种基于Color Lines的高阶马尔科夫随机场去雾算法。该算法通过引入对颜色失真具有很好鲁棒性的Color Lines先验条件,初步校正经暗通道获取的传输图,然后利用高阶马尔科夫随机场优化传输图,获取最终精确的去雾图像。实验结果表明,与已有算法相比,该文算法具有更强的普适性,可提高雾天图像的清晰度,同时恢复更多的图像细节等信息。

基于马尔科夫随机场的多时相SAR影像变化检测研究

研究了一种基于马尔科夫随机场理论的多时相SAR影像自动变化检测方法。研究的方法综合利用目标像元及其邻域信息,有效实现目标像元所属类别的判定。实验结果表明,基于马尔科夫随机场理论的变化检测方法与其它传统分割方法相比,充分考虑目标像元的空间邻域信息,能够有效减少漏检率,提高整体检测精度。

基于马尔科夫随机场与模拟退火算法的图像分割

基于马尔科夫随机场(MRF)的方法是图像分割中一个比较成熟的分割方法,本文介绍了马尔科夫随机场的数学模型和在图像分割过程中的实现,将图像分割过程中存在的问题转换为函数的优化问题,在能量模型中对特征场模型和标记场模型的优化以解决对势函数取值的依赖。在后续的组合优化问题中,采用模拟退火算法来解决,并针对具体的算法的计算问题提出确定的优化算法。

基于马尔科夫随机场的炉膛火焰图像分割

提出一种基于马尔科夫随机场模型的火焰图像分割算法。将由系统装置获取的原始火焰图像从RGB空间变换到HSV颜色空间,以提取颜色特征。分别对原始图像建立Potts标记场模型和有限正态混合观测场模型(FGMM),结合颜色特征,运用贝叶斯估计和ICM算法,计算最大后验概率(MAP),并完成图像分割。实验证明,该算法可以有效地分割炉膛火焰图像,为之后的工作奠定了基础。

基于马尔科夫随机场的改进FCM图像分割算法

针对模糊聚类算法邻域信息与空间信息利用率低,易受噪声影响的问题,提出一种结合马尔科夫随机场模型的改进模糊C均值算法(Fuzzy C-Means,FCM),即FKMFCM算法。在FCMKM算法基础上添加马尔科夫随机场先验概率,利用先验概率改进FCM算法的目标函数,提高FCM算法抗噪性。为验证FKMFCM算法的性能,选取Bezdek划分系数、Xie_Beni系数、运行时间、迭代次数4个评测指标作为对比实验的评价标准。实验结果表明,FKMFCM算法能有效地提高模糊聚类算法的抗噪性。

基于优势集聚类和马尔科夫随机场的高光谱图像分类算法

为充分利用高光谱图像自身丰富的光谱信息和空间信息,提出一种基于优势集聚类和马尔科夫随机场相结合的高光谱图像分类算法。首先,分析高光谱图像局部空谱一致性,完成对波段信息量和差异程度的度量,构造无向加权图,利用优势集聚类方法选择出保留良好结构信息的最优波段子集;其次,通过马尔科夫随机场对波段选择后的相邻像元建立局部空谱一致性,有效利用图像空间上下文信息;最后,根据贝叶斯定理,将高光谱图像分类问题转化为最大后验概率的求解问题,从而获得分类结果。2个经典数据集(Indian Pines和Pavia University)的实验表明,相比其他同类算法,该算法能达到更高的总体分类精度和Kappa系数。

基于马尔科夫随机场学习模型的图像模糊核估计

为在图像模糊核估计中充分利用图像的区域特征和结构信息作为先验知识,提出一种基于马尔科夫随机场学习模型的模糊核估计方法.首先,由滑动的子窗口构成马尔科夫随机场的节点集,以每个子窗口的曲率方向能量滤波器的响应和边缘分布组成的特征向量作为模型的输入;然后,利用对数伪似然优化算法估计模型参数,在模型训练阶段,采用交叉熵相似性度量模糊核的相似性以标记训练样本;最后,利用置信度传播算法推测最优图像子块.运用所提方法对仿真和实际模糊图像进行实验,结果表明,该学习模型可以精确地估计模糊核,在主观视觉对比和客观评价方面均具有较好的效果,同时也具有较好的自适应性.与其他3种方法相比,模糊核相似度分别提高了1.55%,5.64%和7.02%.

基于马尔科夫随机场的乳腺DCE-MRI图像序列配准

乳腺DCE-MRI扫描过程中,病人运动等会使图像序列产生运动伪影。消除运动伪影的影响,需要对DCE-MRI时间序列图像进行运动补偿。本文充分利用图像信息和强化率在时空上的先验信息,提出采用基于B样条的自由形变模型描述组织的形变场和自由形变模型控制点的位移场,使用离散马尔科夫随机场进行建模。以基于高斯核的残差复杂度为图像间相似性度量,离散马尔科夫随机场的能量函数采用Fast-PD算法快速优化求解组织形变场。最后将求解的组织形变场对DCE-MRI时间序列图像进行运动补偿。对仿真和真实乳腺DCE-MRI图像序列进行实验,实验结果表明,本方法可达到较高的配准精度。

马尔科夫随机场在生物医学图像分割中的应用

目的：建立一种图像分割方法，以适应精确的生物医学图像分析。方法：根据马尔科夫随机场图像模型，利用最大后验概率准则（ Ｍ Ａ Ｐ），提出一种迭代松弛分割算法。结果：在用于生物医学图像以及 Ｃ Ｔ重建图像的分析测量中得到了较为理想的实验结果。结论：该算法与经典的图像分割算法相比具有分割精度高、可以进行多区域图像分割的特点。

基于马尔科夫随机场的合成孔径雷达图像分割方法

提出了一种基于MRF模型和最大后验概率准则的SAR目标切片图像分割方法。该方法通过对SAR目标切片图像中不同的区域所占比例进行统计分析,得到了一种有效分割的迭代初值选择方法。本文给出了模拟退火算法,ICM算法,吉布斯抽样算法对模拟图像和实测SAR图像目标区域进行了分割,结果表明,采用本文提出的方法可以加速迭代的收敛过程,降低迭代次数,提高分割速度。