Texture Segmentation Based on Image Model and Neural Network

This paper presents a texture segmentation approach which is based on the Markov random field model (MRF) and feed forward neural network.Image texture is modeled by the second order Gauss MRF model, and the least square error estimation is employed for the solution of model parameters. To perform texture segmentation, we introduced an improved BP algorithm to get faster learning speed. Experiment shows that better segmentation results can be obtained than the traditional Euclidean distance method.

基于Markov随机场模型的纹理图像的缺陷检测

在工业自动化研究中,部件的缺陷检测是非常重要的过程。文中提出了一种基于图像纹理分析的表面缺陷检测方法,图像表面纹理特征是利用Markov随机场模型来描述的,通过学习和聚类分析来检测出纹理图像中有缺陷的区域。试验结果表明,该方法可以有效地描述不同种物质表面的纹理特征,并能准确地检测和定位缺陷。

结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网

在高分辨率遥感图像上,道路网的同物异谱现象更为突出,因此其提取难度更大。提出了一种马尔可夫随机场纹理模型与支撑向量机分类相结合的道路网提取方法。其基本过程是:利用高斯马尔科夫随机场模型6个归一化特征值进行支撑向量机的分类得到道路斑块,利用形态学算子对其进行初步连接并提取轴线,然后通过斑块轴线的启发式连接得到最终道路网。试验证明方法是有效的。

基于时空单词的两人交互行为识别方法

文中提出一种基于时空单词的两人交互行为识别方法,该方法从行为视频中提取丰富的时空兴趣点,基于人体剪影的连通性分析和时空兴趣点的历史信息,把时空兴趣点划分给不同的人体,并在兴趣点样本空间聚类生成时空码本(spatial-temporal codebook).对于给定的时空兴趣点集,通过投票得到表示单人原子行为的时空单词(spatial-temporal words).采用条件随机场模型建模单人原子行为,在两人交互行为的语义建模过程中,人工建立表示领域知识(domain knowledge)的一阶逻辑知识库,并训练马尔可夫逻辑网用以两人交互行为的推理.两人交互行为库上的实验结果证明了该方法的有效性.

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。

基于马尔可夫随机场模型和函数联接网络的纹理分类方法

文中提出了利用二阶高斯MRF模型对图像纹理进行描述 ,采用最小平方误差方法进行参数估计 ,将估计参数作为纹理的特征向量 ,并且利用函数联接网络对特征进行分类。对纹理图像进行的实验表明 ,采用这种方法能够提高学习速度 ,简化计算过程 ,纹理分类能取得较好的效果。

影像纹理分类的马尔可夫随机场方法与试验研究

针对马尔可夫随机场方法用于影像纹理分类进行了探讨。主要探讨了以下三个方面的问题：（１）如何从备选马尔可夫随机场模型中找出最适合的模型；（２）马尔可夫随机场模型参数的估计问题；（３）如何利用马尔可夫随机场模型参数进行影像纹理分类。最后以实际试验情况表明所提出的方法是可行的。

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。

基于马尔可夫随机场的纹理图像并行分割

基于消息传递接口(Message Passing Interface,MPI)和消息传递并行编程模型,提出了一种针对计算机集群(Cluster)的纹理图像并行分割算法。该算法使用马尔可夫随机场作为纹理特征,通过将图像分块,把特征提取的计算量均匀的分布到并行系统中的各个节点上,从而极大地减少了计算时间。在遥感图像上的实验发现,该算法在4机并行的环境下可以取得与单机串行程序一样精确的分割,而耗时仅为串行程序的31.95%。令人满意的实验结果表明该并行算法不但可以有效的应用于纹理图像分割,而且也为使用计算机集群实现高时间复杂度的图像处理提供了有益的启示。

线元马尔可夫随机场模型和重建

本文提出了一种线元马尔可夫随机场模型,其状态由一定方向的线元及其空间相互关系加以描述,利用神经元网络的学习功能和多值Boltzmann机模型,对线元马尔可夫随机场模型进行重建,计算机实验结果证实了重建算法的有效性。

基于CNN和MRF的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性,提出了一种基于细胞神经网络(CNN)和马尔可夫随机场(MRF)的目标分割方法。首先根据细胞神经网络与马尔可夫随机场能量函数的相似性,将马尔可夫随机场的最大后验概率模型映射到细胞神经网络近邻系统模型中。然后建立图像每一像素点的邻域系统模型,并且构造相应的能量函数。为使能量函数达到快速收敛,再利用模拟退火算法实现能量函数的最小值,以达到对运动目标的提取。由于CNN是由局部互连的细胞组成,因此易于用VLSI实现。实验的结果表明,该方法能够有效地抑制图像的噪声,对于运动目标的提取有较好的分割效果。

基于卷积神经网络与马尔可夫随机场的目标检测

为了提高视频目标检测的边缘准确性,提出一种基于卷积神经网络和马尔可夫随机场的视频目标检测算法。通过视频的置信帧来调节与优化神经网络,解决深度卷积神经网络的标签不一致问题;采用马尔可夫模型将前景目标与背景分割,对超像素做平滑处理;设计前后光流融合的密集光流法,提高目标的运动一致性。基于多组公开视频数据集进行了仿真实验,结果显示该算法在目标检测性能方面具有明显的优势,提取的目标轮廓具有较高的准确性。

TM和SAR遥感图象特征层融合分类方法的研究

针对空间遥感ＴＭ图象和ＳＡＲ图象信息的特征层融合应用于地物分类，提出了一种结合Ｍａｒｋｏｖ随机场和ＢＰ神经网络模型的多源遥感图象迭代分类方法。该分类方法与现有的基于Ｍａｒｋｏｖ模型的分类器相比具有无须假设条件概率密度函数模型的优点；与ＢＰ神经网络分类器相比，由于其考虑了类别标号的空间相关性，提高了分类精度；有别于传统的上下文分类器：它是通过迭代过程来实现分类的。

基于遗传神经网络的低识别度图像分割算法

针对目前的图像分割算法无法考虑到低识别度图像下,对边缘细节和轮廓信息实现精确分割,提出一种基于遗传神经网络的低识别度图像分割算法。利用马尔科夫随机场(MRF),建立初始图像的分割概率模型,然后使用低通滤波器将低识别度图像分解成高频层和低频层,对包含高频层的图像信息进行傅里叶域上的预处理后,送入预先设计好的的遗传神经网络,经过参数寻优后获得最佳分割阈值,实现基于该模型的图像分割,实验结果表明该算法对低识别度图像实现了精确的分割,并且能更好地保留一些边缘信息,提高分割的准确性。

混合神经网络和条件随机场相结合的文本情感分析

针对当前文本情感分析中神经网络模型训练时间长,上下文信息学习不足的问题,该文提出了一种结合混合神经网络和条件随机场(conditional random fields,CRF)的模型。该模型将神经网络作为语言模型,结合了卷积神经网络(convolutional neural networks,CNN)与双向门控循环单元(bidirectional gated recurrent unit,Bi-GRU)两种神经网络获得的语义信息和结构特征,采用条件随机场模型作为分类器,计算情感概率分布,进而能够准确地判断情感类别。该文的模型在NLPCC 2014数据集上进行了测试,准确率为91.74%,与其他分类模型相比,可以获得更好的准确性和F值。

基于双向循环神经网络的评价对象抽取研究

评价对象抽取的研究难点在于如何精确地表示大范围的上下文信息。本文针对微博观点句,采用了基于双向循环神经网络(BRNN)的方法来抽取评价对象并对评价对象的情感倾向进行判定。BRNN的隐藏层对上下文进行了抽象,如果经过良好地训练,就能在循环处理句子时有效地表示远距离的有序上下文信息,而无需对上下文窗口长度进行限定。本文选择了词、词性、依存句法树以及产品词典等特征构建了BRNN模型。通过实验发现,上述4种特征组合获得了最优实验结果,通过与CRF模型的对比,本文提出的方法在相互覆盖模式下F值比CRF模型高出0.61%,验证了本文方法的有效性。本文方法在COAE2015任务3的资源受限评测任务中,获得了最好结果。

一种基于函数联接网络的纹理分类方法

提出了一种基于函数联接的感知器神经网络的纹理分类方法 .它采用高斯 -马尔柯夫随机场模型 (GMRF)对纹理进行描述 ,模型参数即为纹理特征 ,参数估计采用最小平方误差方法获得 .将估计参数作为表达纹理的特征向量 ,用感知器网络对特征进行分类 ,并且采用函数联接的方式解决线性不可分问题 .对纹理图象进行的实验表明 ,采用这种方法能够提高学习速度 ,简化计算过程 ,并取得较好的纹理分类效果 .

基于MRF模型的多层前馈网络纹理分割方法

提出一种基于马尔柯夫随机场 （ Ｍ Ｒ Ｆ） 模型和多层前馈神经网络进行纹理分割的方法．利用二阶高斯 Ｍ Ｒ Ｆ模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作为纹理的特征向量，并且利用改进的 Ｂ Ｐ算法对特征进行分类．对纹理图像进行的实验表明，与常规距离方法相比，采用这种方法进行纹理分割能取得更好的效果．

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。

生成式对抗网络在图像补全中的应用

图像补全是数字图像处理领域的重要研究方向,具有广阔的应用前景。提出了一种基于生成式对抗网络(GAN)的图像补全方法。生成式对抗网络模型由生成器模型和判别器模型两部分构成,通过采用卷积神经网络(CNN)实现。首先,通过生成器模型对图像的缺失区域进行补全;然后,利用判别器模型对图像的补全效果进行判别。采用马尔科夫随机场(MRF)与均方误差(MSE)相结合的损失函数训练生成器模型,加强对图像纹理细节的处理能力。实验结果证明,基于生成式对抗网络的图像补全方法,相较于其他现有的方法,具有更好的补全效果。