一种基于HMRF模型的无监督图像分割算法

研究了基于隐马尔可夫随机场(HMRF)模型的无监督图像分割问题.对于每一阶模型的图像分割,该算法充分利用了相邻模型之间的相关信息,由此,该算法克服了均值场算法对初始化条件要求非常苛刻的缺点.而且,针对无监督图像分割的模型选择问题提出了带惩罚项的误差平方和阶次判定准则.实验结果证实本文提出的阶次判定准则优于伪似然信息准则(PLIC),并且,该算法具有满意的分割结果.

HMRF半监督近似核k-means算法

信息技术的发展催生了海量数据。聚类有助于发现数据的内在联系,从中挖掘有价值的信息。在对数据进行分析时,容易获得一些关于数据的背景知识,使用这些有限的先验信息指导聚类,可以显著改善聚类的结果。基于隐马尔可夫随机场(Hidden Markov Random Fields,HMRF)的半监督聚类使用成对约束作为监督信息,虽然在很多应用场景中有较好的聚类效果,但是其时间和空间复杂度很高,无法满足大规模数据处理的需要。针对该问题,文中首先分析了HMRF半监督聚类与核k-means的数学联系,使用矩阵的迹将两者的目标函数统一起来;然后,为了降低HMRF半监督聚类的复杂度,提出HMRF半监督近似核k-means算法(HMRF semi-supervised Approximate Kernel K-Means,HMRF-AKKM),通过采样构造近似核矩阵,使用近似核k-means优化聚类的目标函数;最后,在基准数据集上将HMRF-AKKM算法与相关的聚类算法进行对比,分析不同算法在实验中的聚类表现。实验结果表明,在相同的聚类任务上,HMRF-AKKM算法与原始的HMRF半监督聚类具有类似的聚类质量,但是HMRF-AKKM算法的聚类时间更短,说明HMRF-AKKM算法继承了HMRF半监督聚类与近似核k-means的优点。该算法一方面可以充分利用成对约束信息改善聚类质量,另一方面通过采样和矩阵近似提高了聚类效率,而且聚类质量和聚类效率可以通过调节采样比例和成对约束数量来平衡。因此,所提出的HMRF-AKKM算法具有良好的可扩展性,适合处理大规模非线性数据的聚类问题。

基于先验HMRF的MAP分块超分重建方法

针对高光谱图像应用最大后验概率(Maximum A Posteriori, MAP)超分重建后细节信息丢失严重问题,本文提出一种基于先验Huber马尔科夫随机场(Huber Markov Random Field, HMRF)模型的MAP分块超分辨率重建算法,以期提高图像超分重建质量。首先,利用主成分变换获取图像域的主要成分,在此基础上采用样条插值得到初始迭代图像;而后将初始图像域分为若干子块,在每个子块图像域上建立具有自适应阈值的HMRF模型,并结合子块图像域的保真项构建目标函数,采用梯度最快下降法求解此函数得到超分子块图像,将其重组,进而与插值后的次要成分图像相结合,最后应用主成分逆变换方法得到最终的高分辨率图像。为了验证本文算法的有效性与优越性,分别对模拟和真实图像采用本文方法和具有代表性的Tikhonov、总变分及传统HMRF模型超分重建方法进行实验对比,其中本文方法重建结果在峰值信噪比和结构相似性定量评价方面明显优于其他方法重建结果,在定性评价方面边缘结构及细节信息也更加明显,表明本文算法较为突出。