基于高斯-马尔可夫随机场模型的运动目标自动分割

提出了一种基于高斯 马尔可夫随机场(GMRF:GaussianMarkovRandomField)模型的运动目标自动分割算法.该算法采用有限高斯混合模型描述视频序列帧差图像的概率分布.在此基础上建立马尔可夫随机场模型,构造系统相应的能量函数.然后通过Metroplis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.

基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割

高斯-马尔可夫随机场模型既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的模型,然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试。本文针对此问题,提出了一种新的、简单的、类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性。再将模型利用EM-MAP算法来迭代求解。最后,将该算法应用于MR图像的分割,实验结果表明,该算法能自适应地、有效地分割噪声图像,并具有较高的正确分类率和类正确分类率。

纹理分析窗大小的高斯-马尔可夫随机场模型估计方法

在纹理分析中 ,窗口大小的选择对所提取特征的有效性及计算速度等有很大影响。文中利用高斯 -马尔可夫随机场 (GMRF)模型对纹理进行描述 ,采用最小平方误差估计获得纹理图像的随机场参数 ,并证明了这种估计的一致性。针对估计式在某些情况下可能无解 ,对该式作了改进 ,使其在实际应用中总能有解。利用估计的一致性 ,提出了一种系统估计纹理分析窗口大小的方法 ,实验表明了这种方法的有效性。

结合马尔可夫随机场和混合模型的海岸线提取

为了高效且准确地实现基于遥感影像的海岸线提取,提出一种结合马尔可夫随机场和混合模型的合成孔径雷达(synthetic aperture radar,SAR)影像海岸线提取算法。该算法以统计模型理论为研究基础,考虑SAR影像中同一地物像素反射强度的统计分布具有非对称和重尾的统计特性,利用伽马混合模型建立SAR影像内像素强度的概率分布。为了建模像素的空间相关性,采用马尔可夫随机场构建伽马混合模型的组分权重概率分布以克服SAR影像相干斑噪声的影响。结合马尔可夫随机场和伽马混合模型构建出SAR影像海陆分割模型,通过最大期望方法估计模型参数以实现准确的海陆分割,进而实现海岸线提取。在Sentinel-1卫星SAR影像上进行海岸线提取实验,实验结果表明该算法可实现准确的海岸线提取。

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。

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。

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.

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。

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.。

土性高斯平稳场-马尔可夫场在渗流随机分析中的应用研究

不同类别土之间的性质差异导致了土性空间变异性的增大,需要建立一种模型以更真实地反映变异产生机制。引入基于马尔可夫场的多元指示地质统计模型,推导了含多类土的土层特性参数统计特征的理论表达式,分析了多类土的存在对K-L(Karhunen-Loeve)展开的影响,应用谱模型对土层进行了渗流力学随机分析。模拟结果证实了高斯平稳场-马尔可夫场的正确性和谱模型的有效性。

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-马尔可夫随机场的木材表面缺陷类型识别

为了识别死节、活节和虫眼三种木材表面缺陷类型,本文采用高斯-马尔可夫随机场模型提取木材表面缺陷图像的纹理参数,结合缺陷区域的矩形度和伸长度两个几何特征,形成14维特征向量。设计三层BP神经网络来识别缺陷的类型。试验表明,三种缺陷的整体识别正确率达到96.67%,验证了该方法的有效性。

结合加权混合模型和马尔可夫随机场的光学遥感影像分割

针对遥感影像分割中存在的统计建模不准确,以及分割精度和效率低的问题,提出一种结合加权混合模型和马尔可夫随机场的光学遥感影像分割算法.考虑到遥感影像内像素强度统计分布具有复杂的特性,以多个高斯分布加权作为模型组份,采用加权高斯混合模型构建影像统计模型,克服传统高斯混合模型以单一高斯分布作为模型组份而导致建模不准确的问题;然后利用类属先验概率构建平滑因子,在马尔可夫随机场中将其引入吉布斯分布以建模组份权重的概率分布,该分布结构简单、易于实现;最后采用最大条件期望方法求解最优模型参数,而组份权重分布的结构有利于推导出其解析式,降低算法的计算量.选取Cartosat和Worldview影像进行分割实验,与模糊C均值、高斯混合模型和学生t混合模型分割算法进行对比.结果表明,所提算法可更加准确地建模遥感影像非对称和重尾等复杂统计分布,平均总分割精度分别高于对比算法16.44%,16.00%和16.17%.

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。

基于高斯—马尔可夫随机场模型的图像修补方法研究

实现基于高斯马尔可夫随机场(GMRF)模型的图像修补算法,详细讨论像素扫描顺序以及邻域大小对图像修补效果的影响。实验表明,基于GMRF的图像修补算法的性能依赖于像素扫描顺序和邻域大小的选取。

融合边缘特征的马尔可夫随机场模型及分割算法

针对区域马尔可夫随机场(MRF)模型的图像分割中常产生边缘模糊的问题,提出了一种融合边缘特征的区域MRF模型(IEFRMRF)及其分割算法。IEFRMRF模型基于MRF理论,首先通过边缘模板提取图像的边缘特征,建立局部区域的边缘先验约束;其次利用图像局部区域像素的空间约束关系描述图像的局部高斯统计特征,并通过期望最大化算法估计高斯特征参数;然后根据贝叶斯原理建立了具有边缘保持作用的区域MRF模型;最终采用区域置信度传播(BP)算法对IEFRMRF模型进行全局优化,把局部统计特征传递到图像的全局,并按照MAP准则估计图像分割标号。人工加噪声图像分割的实验结果表明,IEFRMRF模型的分割结果和传统高斯MRF模型、局部区域高斯MRF模型的分割结果相比,分割准确率分别提高了47.9%和21.4%,并且分割结果的边缘更清晰,自然图像的分割实验也验证了提出模型的有效性。

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。

基于吉布斯-马尔可夫随机场的板材表面纹理分析

详细阐述了吉布斯-马尔可夫随机场模型的基本原理,并针对板材表面纹理特征建立吉布斯-马尔可夫随机场模型。研究了吉布斯-马尔可夫随机场模型的参数估计过程,并在试验数据的基础上验证了吉布斯-马尔可夫随机场模型在纹理分析中的可行性。

基于时空马尔可夫随机场模型的车辆跟踪算法研究

鲁棒的车辆跟踪是实现交通事件自动检测的重要前提,车辆跟踪中的车辆相互遮挡则是影响车辆跟踪结果的关键因素。针对这一难题,设计自适应的车辆跟踪算法,并依据交通图像序列的时空相关性,根据马尔可夫的基本理论和贝叶斯方法,应用MRF-MAP理论分析框架,并结合了彩色图像序列的纹理信息建立了图像序列的时空马尔可夫随机场模型。采用随机松弛算法中的Metropolis算法来求解时空马尔可夫随机场模型,对车辆跟踪得到的目标标号图进行优化,从而解决车辆跟踪中的遮挡问题。初步实验结果,跟踪不遮挡的车辆时达到的跟踪成功率为95%。遮挡情况时成功率也可达到83%。实验结果表明,该跟踪算法在不遮挡时效果非常理想,在遮挡情况下跟踪鲁棒性也较好。

基于高斯-马尔可夫模型的海洋环境辨识方法

在解决海洋中的信号处理问题时,海洋环境的复杂性和多变性严重影响了信号处理系统的性能。为了在信号处理之前辨识出海洋环境参数,并将其融入信号处理框架中,则有希望提高信号处理器的性能。将海洋环境建模为高斯-马尔可夫模型,利用声速梯度数据和由Kraken模型得到的声压场数据,结合扩展卡尔曼滤波器算法,实现了对海洋环境的辨识。利用模基处理方法,简正波传播模型,可以辨识模函数和水平波数,并能估计出基阵所在位置的声压场。仿真数据和模型数据吻合较好,说明算法能够较好地估计海洋环境参数,为滤波、检测、定位、跟踪等应用提供了基础。