结合Voronoi划分HMRF模型的模糊ISODATA图像分割

为了解决传统模糊聚类图像分割方法对噪声敏感及无法自动准确确定聚类数的问题,提出结合Voronoi划分HMRF模型的模糊ISODATA图像分割方法。利用Voronoi划分将图像域划分为若干子区域,以划分子区域为基本单元定义基于隐马尔科夫随机场(HMRF)模型的模糊聚类目标函数,以解决噪声敏感问题;通过迭代自组织数据分析技术算法(ISODATA)中聚类分裂、合并技术改变聚类数,以实现聚类数的自动确定。对模拟、合成图像和真实图像分割结果的定性、定量分析表明:提出算法不仅可以有效克服噪声和像素异常值对分割结果的影响,而且还能自动准确确定聚类数,实现自动变类图像分割。

基于HMRF先验模型的超分辨率重建

针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。

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。

基于多节点拓扑重叠测度高阶MRF模型的图像分割

针对低阶马尔科夫随机场(Markov random field, MRF)模型难以有效表达自然图像中复杂的先验知识而造成误分割问题,提出一种基于多节点拓扑重叠测度高阶MRF模型(Higher-order MRF model with multi-node topological overlap measure, MTOM-HMRF)的图像分割方法.首先,为描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息,利用多节点拓扑重叠测度建立图像局部区域的高阶先验模型;其次,利用较大的局部区域包含更多的标签节点信息能力,基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型,提高分割模型的抗噪能力;再次,为有效描述观察图像场与其标签场的似然特征分布,研究利用局部区域内邻接像素的Hamming距离引入图像局部空间相关性,建立局部空间一致性约束的高斯混合分布;最后,基于MRF框架建立用于图像分割的多节点拓扑重叠测度高阶MRF模型,采用Gibbs采样算法对提出模型进行优化.实验结果表明,提出模型不仅能有效抵抗图像强噪声和复杂的纹理突变干扰,鲁棒性更好,而且具有更准确的图像分割结果.

基于改进模糊C均值算法的颈动脉超声图像分割

颈动脉的内中膜厚度(IMT)是预测心血管疾病(CVDs)病发程度的重要指标.本文研究并提出一种自动、高效的计算机辅助IMT测量算法,该算法依据先验知识自动提取感兴趣区域(ROI),并采用基于隐马尔可夫随机场(HMRF)模型改进的模糊C均值(FCM)算法分割图像,实现IMT的自动测量.实验结果表明,所提算法对超声图像噪声的鲁棒性较强,IMT自动测量结果与真实值(GT)有很高的一致性:两个数据集合的相关系数为98.52%,平均绝对误差为0.022 0?0.016 4 mm.

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法(最小噪声分离、独立成分分析和主成分分析)下,使用不同聚类方法(k-均值、迭代自组织分析算法和模糊c-均值算法)借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱"椒盐"现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。