基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束,而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。

自适应空间约束融入混合模型的遥感图像分割

为了降低图像噪声的影响并提高遥感图像分割精度,提出了一种自适应空间约束融入混合模型的遥感图像分割算法。考虑到学生t分布具有重尾特性比高斯分布更具有鲁棒性,利用学生t混合模型(Student’s-t Mixture Model, SMM)建模像素光谱测度概率分布。为了避免图像噪声对分割结果的影响,基于马尔可夫随机场利用局部像素类属概率定义组份权重,将像素空间相关性融入SMM,进而构建出空间约束图像分割模型。为了实现自适应平滑系数的模型参数求解,采用梯度下降方法求解分割模型。采用本文算法对添加噪声的遥感图像进行分割实验,结果表明,所提算法可有效降低图像噪声的影响,同时可准确分割高分辨率遥感图像。

采用多组单应约束和马尔可夫随机场的运动目标检测算法

针对现有动态背景下目标检测算法的局限性,提出一种基于多组单应约束和马尔可夫随机场的运动目标检测算法.该算法以视频序列多帧跟踪的运动轨迹为基础,通过轨迹分离和像素标记2个阶段实现运动目标的检测:在轨迹分离阶段,利用多组单应约束对视频序列的背景运动进行建模,并基于该约束通过累积确认的策略实现背景轨迹和前景轨迹的准确分离;在像素标记阶段,以超像素为节点建立时空马尔可夫随机场模型,将轨迹分离信息以及超像素的时空邻域关系统一建模在马尔可夫随机场的能量函数中,并通过最小化能量函数得到每个像素的前背景标记结果.与现有基于运动轨迹的方法相比,文中算法不需要仿射摄像机模型的假设,有效地解决了运动轨迹等长带来的轨迹点区域缺失问题,并可同时处理静态背景和动态背景2种类型的视频;在多个公开数据集的测试结果表明,该算法在轨迹分离准确性、轨迹点密度以及像素标记准确率等方面均优于现有方法.

基于马尔科夫随机场模型的多视角异质多模图像的目标检测

研究复杂背景中不同视角的不同光质图像中的特定目标检测问题。利用马尔可夫随机场模型,提出了一个基于地面区域匹配和空间约束关系的目标检测方法。在可见光俯视参考图像和红外光侧视观测图像的实验数据集上的检测结果表明,区域匹配能够有效提高召回率,而空间约束能够有效降低虚警率,获得了比一般异质光图像检测中基于边缘的方法更好的检测结果。该方法降低了不同视角带来的影响,同时能够克服图像间光质不同带来的检测困难,能够有效处理复杂背景下不同光质图像的匹配及其中目标的准确检测定位。

基于荧光显微镜图像的神经丝自动跟踪

神经丝是一种长而柔软的蛋白质有机物,它能在神经细胞中沿着神经轴突快速且随机地运动。神经丝的运动研究对于如神经退行性疾病的诊断等应用是非常重要的。传统的方法在很大程度上依赖于在荧光显微镜图像下手工标记神经丝。这种人工跟踪不但对大量图像实现起来非常费时,而且会带来很多人为跟踪误差。提出神经丝全自动跟踪的方法:粒子滤波跟踪算法和检测跟踪算法。在这两种算法中,都利用了神经丝在神经轴突内运动这一特征。在粒子滤波算法中,限制了粒子的位置和方向,从而显著地降低了粒子使用的数量,大大减少了算法的运算时间。在检测跟踪算法中,提取出沿轴突运动的神经丝轨迹并描绘成一条参数化曲线,利用马尔可夫随机场图形标签来确定包含运动神经丝的轴突块,将神经丝的首端和尾端位置细化到亚像素精度。在实际的实时跟踪实验中,将粒子滤波跟踪算法与检测跟踪算法进行比较,显示出了检测跟踪算法在运算速度和跟踪准确性方面优于粒子滤波算法。

遥感图像的MAP超分辨重建

遥感根本目的就是获得清晰的高空间分辨率的图像,从而可以进一步地分析处理。为了在遥感测量中获得更高空间分辨率、更高信噪比、更清晰的图像,本文对图像处理领域超分辨算法进行了研究。建立了一套拟合模拟现实的成像系统模型,在这种模型的基础之上,利用最大后验概率系统理论,讨论了现实情况中的运动模糊,噪声等情况,改进了MAP超分辨算法。实验结果表明:使用本文改进的基于MAP理论的Markov随机场约束的多帧超分辨重建算法,可以较好提高超分辨效果,与三次立方插值方法相比,PSNR至少提高约5.1dB左右,与未改进的MAP方法相比,PSNR提高约0.2dB左右。本文提出了动态的先验约束方法,给约束函数添加与迭代次数相关的约束项,该改进创新可以加快收敛并且更加逼近真实图像,实验表明该方法收敛速度更快,约束效果良好,更适合实际应用。

改进双分支胶囊网络的高光谱图像分类

基于双分支的胶囊网络分类方法在两个通道分别提取光谱信息和空间信息,既保留了双分支卷积神经网络的特征提取方式,又提高了分类精度。但由于高光谱图像(HSI)通常由几百个通道组成,在训练胶囊网络时,动态路由过程产生了大量的训练参数。为此提出1D和2D约束窗口分别减少来自两个提取通道的胶囊数量。它以胶囊向量组为计算单位进行卷积运算,来减少胶囊网络的参数量和计算复杂度。基于该降参优化方法提出一个新的双分支胶囊神经网络(DuB-ConvCapsNet-MRF),并将其应用在高光谱图像分类任务中。此外,为进一步提高分类性能,引入马尔可夫随机场(MRF)对空间区域进行平滑后处理,获得最终输出。对两个代表性高光谱图像数据集进行消融实验并与现有的6个分类方法进行比较,结果表明,DuB-ConvCapsNet-MRF在分类精度上都优于其他方法,并且有效降低了胶囊网络的训练代价。

MRF随机场在文本图像清晰化算法中的应用

对于扫描或相机拍摄的低分辨率文本图片,提出一种基于马尔科夫随机场的文本图像清晰化算法。该算法首先引入了马尔科夫随机场模型,然后考虑平衡数据项与平滑项之间的关系从而确定出能量函数的表达式。利用改进过的置信度传播方法来解决马尔科夫随机场中的最大后验估计问题,以达到最小化能量函数的目的。实验结果表明,本算法能够较有效地提高低分辨率图像的清晰度,一定程度上提高了图片的分辨率,尤其对文字的边缘部分有很好的锐化效果。

基于高斯先验和马尔科夫随机场约束的非线性叠前地震反演研究及应用

叠前地震反演可以同步反演出纵横波速度和密度等弹性参数信息,在岩性分类和流体识别领域发挥重要作用.但是叠前多参数同步反演是一个不适定问题,难以获得较精确的结果.在反演优化算法方面,线性优化算法易于陷入局部极值,且强烈依赖初始模型,非线性优化算法可以避免这些问题.常规模拟退火算法在多参数同步反演过程中稳定性较差,难以获得理想的多参数结果.本文基于纵向高斯先验约束和横向马尔科夫随机场约束建立反演目标函数,能有效降低反演的不适定性和噪声的干扰.此外,提出基于多变量高斯分布的快速模拟退火算法,提高多参数同步反演的稳定性.最后,通过合成数据和工区数据测试,结果显示三参数反演剖面具有较好的横向连续性,反演结果与测井数据较吻合,表明本反演方法具有较高的分辨率和稳定性,具有一定的实际应用价值.