基于高斯马尔可夫随机场混合模型的纹理图像分割

针对以高斯马尔可夫随机场中的邻域像素互作用参数为特征、以高斯混合模型为分类器的二步纹理图像分割方法,提出一个两者相互结合的一步模型———高斯马尔可夫随机场混合模型,并给出其EM算法的迭代计算公式。利用该模型进行纹理图像的分割实验,发现该算法在纹理图像分割的精度上比前者有较大程度的提高。

基于小波和高斯-马尔可夫随机场的纹理分割

为了提高纹理分割的准确性和区域一致性,降低分割的错误率,在文献的基础上,提出了一种基于小波和高斯-马尔可夫随机场(GMRF)的纹理分割方法。该方法首先对图象进行Gabor小波分解,得到一系列分辨率不同的子图象,然后采用基于GMR的K-均值聚类算法从最低分辨率图象进行聚类,一直到最高分辨率为止,这样就得到一个原始图象的初始分割,最后引入特征加权算法,进行后分割,得到最终分割结果,并对仿真结果与文献的算法进行了比较,表明该算法是比较有效的。

基于高斯-马尔可夫随机场的板材表面纹理分析

阐述了高斯-马尔可夫随机场模型的基本原理,并针对板材表面纹理建立了高斯-马尔可夫随机场模型,以利用其对板材表面纹理进行分析;详细的研究了高斯-马尔可夫随机场模型的参数估计过程,在试验数据的基础上,验证了高斯-马尔可夫随机场模型在纹理分析中应用的可行性。

基于高斯—马尔可夫随机场木材纹理特征的研究

将高斯—马尔可夫随机场(GMRF)引入木材纹理的研究,提取了二阶与五阶特征参数,并对二阶特征参数做了详细分析,得出通过θ2可以判断纹理的主方向,而结合θ1、θ2、θ3、θ4能够区分开木材的弦切和径切纹理。将五阶特征参数组成的特征向量输入给BP神经网络分类器,其分类识别率约为85%,表明了高阶GMRF参数对木材纹理描述的有效性。

基于隐马尔可夫复合树模型的图像纹理分析

提出了一种纹理图像隐马尔可夫捆绑树 (HMT-b)模型的建模方法。该方法通过对小波分解后的三个子带(H H ,H L,LH )中相应节点捆绑后作为一棵复合树进行建模 ,改进了迭代算法 ,所建模型能更好地描述三个子带间实际存在的小波系数相关性 ;对于每个尺度中的小波系数分布 ,HMT-b 采用高斯混合分布来拟合。同时研究了尺度系数基于小波域泊松分布的统计建模方法。

基于快速EM算法的马尔可夫随机场模型运动目标自动分割

文章提出一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法。该算法采用高斯混合分布描述视频序列的差分图像,对标准Expectation-Maximization(EM)算法进行了改进,提出了快速EM算法,从不完整数据中估计出概率模型的参数。在此基础上建立马尔可夫随机场模型,构造系统能量函数。然后通过条件迭代模型(ICM)优化算法求解能量函数的最优解,得出标记场,提取出运动目标。实验结果证明,该算法对运动目标分割具有很好的分割效果。

GMRF随机场在纹理特征描述与识别中的应用

为了建立描述自然纹理的参数体系,选用木材这种典型自然纹理为研究对象。提取了木材纹理的5阶GMRF参数,为了降低运算量,采用改进的模拟退火算法进行参数的优化与选择,形成了描述木材纹理最优GMRF参数体系,并将其送入分类器进行分类识别。实验结果表明:集成神经网络的总体分类识别率为94.0%,近邻分类器的总体识别率为91.0%,获得了较高的分类识别率。说明用该参数体系对木材纹理进行分类识别是可行的,该参数体系也可用于与木材纹理相近的自然纹理的描述。

GMRF纹理模型在ATR评估系统中的应用

介绍高斯马尔可夫随机场(GMRF)纹理模型的基本原理,及该纹理模型参数的最大似然估计方法。针对已有的计算参数算法的运算量偏大的缺点,提出改进的参数计算算法,并列出具体实现步骤。对真实纹理进行模拟实验,结果表明该算法取得很好的效果。

基于特征级数据融合木材纹理分类的研究

为了提高对木材纹理识别的精度,提出了一种基于融合灰度共生矩阵与高斯-马尔可夫随机场纹理参数的特征级数据融合木材纹理模式识别方法。首先,分别获取了以上两种木材纹理特征参数;然后,使用模拟退火算法将两种不同类型的纹理特征量在特征层上进行了融合。利用融合后的特征对木材纹理样本进行识别,BP神经网络分类器的识别率达到97.00%,表明数据融合后的特征参数对木材纹理识别是十分有效的。

基于多特征组合的图像纹理分类

在对纹理图像进行特征提取的算法中,高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)和灰度共生矩阵(GLCM)这三种算法应用的较为广泛。常见的图像纹理分类做法是取某一种特征提取算法得到各种纹理的特征空间,进而配合分类算法进行分类。然而,这种做法的不足之处在于未能充分利用各种特征之间的关联,且选取某一种特征提取算法建立特征空间不具对比性。对此,提出一种多特征组合的方法,通过比较单个算法特征与组合特征的分类效果探究各算法特征在对纹理图像的分类上是否存在信息互补。实验结果表明单个算法特征在纹理分类上的确存在优势互补,实验中所得最佳组合特征将给定图像纹理的平均分类精度提高到96.9%。

结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题,以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波(DT-CWT)纹理和马尔可夫随机场(MRF)模型的高分辨率遥感影像分割方法。首先,通过双树复小波变换提取影像纹理特征,联合光谱特征形成表达影像信息的混合特征向量;然后,将混合特征向量高斯归一化处理,并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图;最后,借助马尔可夫随机场模型在初始分割结果中引入上下文信息,基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度,同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”,从而进一步提高了高分辨率遥感影像分割的精度。

彩色自然纹理分类识别的研究

为了建立描述彩色自然纹理的参数体系,选用木材纹理这种典型彩色自然纹理为研究对象,提取了木材图像颜色矩和高斯-马尔可夫特征参数,采用改进的模拟退火算法进行了特征优化筛选及特征级参数融合,得到纹理参数体系并进行分类识别实验,识别率为97.25%,明显高于融合前单参数体系。研究表明用该参数体系对彩色木材纹理进行分类识别是可行的,也可用于与其相近彩色自然纹理的分类识别。

工件表面纹理分析方法研究

文章对基本的纹理分析方法进行了详细阐述,比较了各类纹理分析方法在工件表面纹理分析应用中的优缺点。针对车削后的工件表面纹理图像进行了纹理分析,建立了高斯马尔可夫随机场模型,并采用特征参数的相对距离实现了刀具磨损量的识别。实验结果表明:工件表面纹理分析作为计算机视觉的一个分支,能被广泛地应用于刀具磨破损状态监测或加工表面质量检测等自动化/智能控制中。

纹理表达在图像压缩中的应用

本文针时静止纹理图像展开研究,详细阐述了基于高斯马尔科夫随机场参数和基于样图这两种纹理分析合成技术的原理及其实现,综合二维自相关纹理统计分析方法形成了一套针对不同类型的纹理图像自适应地选择表达合成方法的方案。实验表明,所提方案能够压缩图像数据量,是对新一代图像编码的一种探索。

结合特征场和标号场MRF的区域化纹理图像分割

为了实现对纹理图像的分割,需利用建模像素间相互作用关系,因此本文利用在标号场和特征场中分别建模邻域多边形和邻域像素之间的作用关系,并提出一种基于马尔科夫随机场(Markov Random Field,MRF)的区域化纹理图像分割方法。即利用Voronoi划分技术,将图像划分为若干个多边形;在标号场上利用Gibbs分布建模相邻多边形标号间的相互作用,在特征场上利用高斯分布建模多边形内邻域像素间光谱测度的相关性;结合贝叶斯定理建立分割模型;通过最大期望值(Expectation Maximization,EM)算法来估计模型参数,进而获得最优分割结果。本文分别对合成纹理图像、自然纹理图像和遥感图像进行分割实验,并对分割结果进行定性和定量评价。通过计算混淆矩阵得出Kappa值为0.97,满足了优秀分类器的标准。本文提出的算法具有很强的抗噪和描述复杂光谱测度的能力,可行性好,准确性高。

高分辨率遥感影像上交通枢纽信息的自动提取方法

提出了一种在高分辨率遥感影像上自动提取交通枢纽,即重要道路交汇口的有效方法。方法的基本过程如下:利用高斯马尔可夫随机场纹理模型与支撑向量机进行图像分类得到道路块,通过细化得到道路轴线并登记宽度信息,然后通过启发式规则进行轴线连接得到道路网。而后在路网基础上,自动提取高宽度道路轴线之间的交点作为交通枢纽。通过实验证明了方法的有效性。研究可广泛应用于城乡交通基础设施规划、物流规划、军事作战分析等领域。

改进的DNLS图像分割算法

针对多边形的拓扑性不足造成析取正态水平集(DNLS)模型边缘拟合不完整的问题,提出一种基于高斯马尔可夫随机场(GMRF)模型的析取正态水平集图像分割算法。该算法提取图像的颜色通道信息,利用GMRF模型描述不同颜色通道的纹理特征;重写DNLS模型能量函数,将图像纹理信息、色彩信息加权融入,以颜色特征和纹理特征的组合作为对图像进行分割的依据。在演化迭代过程中,使用分段学习率减少迭代次数,实现快速收敛。该算法降低了噪声对图像的影响,提高了DNLS模型的边缘拟合能力。改进算法通过利用图像的色彩信息及纹理细节信息,能有效抵抗图像噪声和复杂的色彩信息干扰,边缘拟合效果更好、分割准确性更高,具有更强的适应性。通过与其他算法在同等环境下进行分割实验定量对比,验证了该算法的有效性。

基于小波域分层Markov模型的纹理分割

提出了一种新的小波域分层Markov模型。该模型使用高斯马尔可夫随机场(Gauss Markov randomfield,GMRF)模型描述每一尺度小波系数向量的分布,考虑了同一尺度特征之间的相互作用;利用尺度间的因果马尔可夫随机场(Markov random field,MRF)模型和尺度内的非因果MRF模型来描述标记场的局部作用关系,以此确定标记场的先验信息。根据贝叶斯准则,利用多目标问题优化技术,给出了此模型相应的纹理分割算法。最后,与经典模型的分割算法进行了对比实验,验证了所提出算法的有效性。

模糊聚类的侧扫声纳图像分割算法

针对侧扫声纳图像的特点,利用二维经验模态分解(BEMD)将图像分解成若干固有模态函数(IMF)和1个余量.分析了侧扫声纳图像背景区的图像频率特征,通过增强目标和阴影的特征信息降低噪声的影响.提取图像的高斯马尔可夫纹理(GMRF),用来表达图像像素点间的空间关系,以减少图像的误分割.利用BEMD和GMRF改进模糊C均值聚类算法,提出了新的聚类准则和距离函数,形成一种新的模糊聚类算法.利用该算法对不同的侧扫声纳图像进行分割,并将分割结果与其他典型的聚类算法的分割结果进行比较,验证了该算法的抗噪性和准确性.