基于高斯混合模型的圖像分割的研究.pdf

1、圖像分割是計(jì)算機(jī)視覺(jué)中的重要內(nèi)容，廣泛的應(yīng)用在圖像識(shí)別體系中。經(jīng)過(guò)幾十年的研究，關(guān)于圖像分割許多學(xué)者提出了各種方法和理論。其中基于模型的圖像分割技術(shù)是分割方法中的一個(gè)熱點(diǎn)，而高斯混合模型(GMM)又是圖像分割模型中的一個(gè)有效且著名的模型?；诟咚够旌夏Ｐ偷木垲?lèi)分析方法可以解決存在不確定性分類(lèi)以及具有復(fù)雜內(nèi)容的圖像分割的問(wèn)題?？墒腔诟咚够旌夏Ｐ偷南闰?yàn)概率分布沒(méi)有引入鄰域像素之間的空間關(guān)系，從而導(dǎo)致了使用該方法進(jìn)行圖像分割得到的結(jié)果對(duì)于噪

2、聲的干擾比較敏感。因此，空間可變有限混合模型SVFMM首次提出了引入鄰域像素之間的空間關(guān)系到混合模型的先驗(yàn)概率分布中，使得模型具有較好抗噪性。之后也有學(xué)者提出了許多對(duì)SVFMM模型的改進(jìn)，以提高抗噪性。為了克服GMM對(duì)噪聲的敏感問(wèn)題，需要對(duì)GMM的先驗(yàn)概率分布進(jìn)行空間關(guān)系約束，有兩種途徑可以進(jìn)行先驗(yàn)概率的約束。
　　本文首先對(duì)基于高斯混合模型的圖像分割方法進(jìn)行了研究，介紹馬爾科夫隨機(jī)場(chǎng)以及將馬爾科夫隨機(jī)場(chǎng)引入到高斯混合模型的先驗(yàn)概

3、率分布中去。介紹了兩種進(jìn)行參數(shù)估計(jì)的方法，期望最大化(EM)算法和梯度下降算法。并對(duì)高斯混合模型進(jìn)行圖像分割的優(yōu)點(diǎn)以及缺點(diǎn)進(jìn)行闡述，為本文深入研究提供基礎(chǔ)。
　　其次研究了高斯混合模型中進(jìn)行先驗(yàn)概率約束的第一種途徑的一種方法，一種拓展的高斯混合模型?；谙噜彽南袼氐南闰?yàn)概率分布更可能是趨于相同或者相似的思想，提出了一種利用像素在鄰域空間內(nèi)的均值取代像素本身的值的方法構(gòu)造先驗(yàn)概率分布，將鄰域權(quán)重函數(shù)的均值作用到先驗(yàn)概率分布中，提高模