基于馬爾科夫隨機場模型的圖像分割算法研究.pdf

1、隨著科技社會的飛速發(fā)展，數(shù)字圖像處理在計算機科學、電子技術、生物醫(yī)療、自動化、衛(wèi)星定位等方面得到了廣泛的應用。其中數(shù)字圖像處理主要可以分為三個層次：狹義圖像處理、圖像分析和圖像理解。其中圖像分割是連接圖像處理和圖像分析的關鍵步驟，圖像分割的準確程度嚴重影響后續(xù)圖像分析和圖像理解的應用，凡是需要對圖像信息進行特征提取或追蹤的，都需要圖像分割這一步驟，所以說圖像分割技術在圖像處理領域的地位是十分重要的。
　　馬爾科夫模型因其能夠刻畫圖

2、像的空間信息，并且有著完備的數(shù)學理論而在圖像分割上得到廣泛的應用。馬爾科夫隨機場可以利用圖像本身的特性（例如，灰度值，顏色，紋理特征）來對圖像進行建模，它可以將圖像的交互信息融合到圖像分割的過程中去。本文主要針對單尺度馬爾科夫模型、多分辨率馬爾科夫模型和基于分層的馬爾科夫模型進行分析和改進，重點研究了基于小波域的多尺度馬爾科夫模型。
　　論文的主要工作和創(chuàng)新如下：
　　首先介紹了馬爾科夫隨機場模型的基本知識和幾種常見的MRF

3、隨機場類型，說明了參數(shù)估計方法和具體計算過程。最后我們介紹了幾種圖像分割的最優(yōu)準則并講述了不同準則的代價函數(shù)構成及其在使用上的優(yōu)缺點。
　　然后本文將基于偏微分方程的各向異性的擴散方程引入到馬爾科夫模型中，作為該算法的預處理過程，本文將傳統(tǒng)的各向異性的擴散方程進行改進，采用數(shù)學形態(tài)學非線性濾波來代替高斯濾波，這樣不僅能在保留邊緣特征的同時有效濾除噪聲，消除細小孤立點，而且還能解決高斯濾波后邊界移位問題。在對圖像進行預處理去噪之后，

4、利用模糊C均值聚類對圖像進行初始分割，分別采用混合高斯模型和Potts模型對特征場和標記場進行建模，然后通過MAP準則對標號場和特征場的能量和進行最小化，最后通過ICM算法對圖像進行最終分割。
　　接著，我們研究了在多分辨率下馬爾科夫模型的原理及特點。首先分析了利用小波變換的圖像多分辨率表示方法，通過將圖像的特征場和標記場建立在一系列小波系數(shù)上，來使得每一尺度的特征場都能利用本尺度的標記場，然后分別利用 MLL模型和GMRF模型對

5、標記場和特征場進行建模，并采用EM算法進行參數(shù)估計，最后根據MAP準則求能量和的最小值。該模型從最大尺度開始，求得該尺度圖像的分割結果，并將本尺度的分割結果直接映射到與它相鄰的較小尺度，作為較小尺度的初始分割，經過這樣的層層迭代，就得到了最終的分割結果。為了解決基于多分辨率馬爾科夫模型中將標記場和特征場能量進行加權為1的簡單加和給分割結果帶來的影響，本文提出了一種變權重的多尺度馬爾科夫隨機場模型，該權重綜合了分割尺度、迭代次數(shù)和分割類別

6、數(shù)對標記場能量和特征場能量作用大小的影響，最后通過實驗證明了該算法的可行性。
　　最后，我們對基于分層的馬爾科夫模型進行了深入研究和算法改進。首先介紹了簡單的基于分層的馬爾科夫模型，它是將標記場建立在一系列小波系數(shù)上，這樣就形成了標記場在各尺度間的因果關系，在該模型中只采用最高分辨率下的特征場，最后利用SMAP準則完成圖像的分割。為了解決簡單的基于多尺度的馬爾科夫模型很難描述圖像冗余性的缺點，產生了基于小波域的分層馬爾科夫隨機場模

7、型，該模型的特征場和標記場均建立在多層次的小波域上，每一層的標號場都利用了本尺度的特征場，這樣就很好地描述了紋理圖像的非平穩(wěn)特性。這雖然解決了非平穩(wěn)性和方向性的問題，但是局部空間信息也沒有得到解決。為此，本文提出了一種基于自適應可變勢函數(shù)的小波域分層馬爾科夫模型，該模型采用了結合尺度間的因果馬爾科夫模型和尺度內的非因果馬爾科夫模型的雙馬爾科夫模型，這樣既保留了原有模型的優(yōu)點，又將局部空間信息引入到分割過程中，通過EM算法估計尺度間的交互