学习高阶马尔可夫随机场:评分匹配方法

传统的马尔可夫随机场模型有两个内在的缺陷:邻域的低阶性和参数的手动选择。提出一种新的机器学习方法——评分匹配法,从训练图像数据中学习得到一组高阶马尔可夫随机场模型参数。为了验证通过学习得到的马尔可夫随机场模型的能力,将学习得到的参数向量通过贝叶斯规则应用于图像去噪。实验结果表明:不管是根据峰值信噪比的大小还是根据主观视觉,都能取得优秀的去噪效果,从而表明该学习方法的有效性。

基于高阶马尔可夫随机场的图像去噪声研究

在图像去噪声处理中,高阶马尔可夫随机场通过最小化能量函数达到最优的去噪声结果。为了提高能量函数的优化性能,在马尔可夫随机场子模型的基础上对原始问题和对偶问题进行了分析,提出了一种基于原始-对偶方法的子模块之和方法。描述了马尔可夫随机场的线性规划及其对偶问题,并介绍了子模块之和流方法。通过对子模块之和流方法的原始问题和对偶问题进行分析,提出了同时满足派系松弛和一元松弛条件的近似解计算方法。实验表明,提出的方法与四种典型的图像去噪声方法相比具有更好的效果和更短的运行时间。

基于高阶马尔科夫随机场的单幅图像去雾算法

针对基于暗通道先验的图像去雾算法先验信息不足和在天空等大面积白色物体区域失效的问题,提出了一种基于高阶马尔科夫随机场(MRF)的单幅图像去雾算法。首先根据雾天景物成像特点将雾霾图像分割为亮区域和暗区域;然后根据区域不同改进和衰减暗通道,并通过暗通道先验获取传输图;最后利用高阶MRF对传输图进行优化,解决其先验信息不足的问题。实验结果表明,本文算法可有效改善暗通道先验失效导致的去雾图像部分失真现象,同时恢复的图像清晰度更高、细节更丰富。

高阶马尔可夫随机场下目标识别模型的建立

目标识别是指一个特殊目标(或一种类型的目标)从其他目标(或其他类型的目标)中被区分出来的过程。给出了高阶马尔可夫随机场下的区域邻域系统定义;通过贝叶斯分析,构建了基于协方差矩阵描述子刻画的图像区域度量的先验模型和似然模型;应用随机算法得到极大后验估计,求得目标所在位置和角度;再通过以目标所在位置为中心,获得多个随机矩形;最终以覆盖范围最大者为所寻找的目标区域。通过Matlab仿真实验,对道路中的斑马线进行模拟识别。实验结果表明,可以达到在大区域中识别出既定目标的目的。