基于Markov隨機(jī)場(chǎng)的圖像分割方法研究.pdf

1、隨著科學(xué)技術(shù)的發(fā)展，圖像技術(shù)受到了足夠的重視和長足的發(fā)展。其中，圖像分割就是數(shù)字圖像處理的關(guān)鍵技術(shù)之一，也是目前圖像領(lǐng)域研究的熱點(diǎn)。圖像分割是圖像處理到圖像分析的關(guān)鍵步驟，分割的好壞直接影響后續(xù)工作的進(jìn)展。理想的分割結(jié)果是需要理解后的結(jié)果作為先驗(yàn)知識(shí)，這正是圖像分割的難點(diǎn)。針對(duì)這一問題本文通過構(gòu)造單尺度的Markov隨機(jī)場(chǎng)模型進(jìn)行圖像分割研究。在前人工作的基礎(chǔ)上，對(duì)如何構(gòu)造Markov隨機(jī)場(chǎng)模型以及采用何種有效的快速分割方法進(jìn)行深入地探

2、討和研究。
　　首先，在圖像預(yù)處理方面，利用中值濾波器對(duì)圖像進(jìn)行去噪處理，再通過增強(qiáng)對(duì)比度使圖像變得更加清晰，再對(duì)處理后的圖像采用K-Means算法進(jìn)行初始分割。其次，討論了單尺度的Markov隨機(jī)場(chǎng)模型理論，主要研究了貝葉斯估計(jì)，特征場(chǎng)中參數(shù)估計(jì)的最大期望（expectation-maximization，EM）算法，以及Markov隨機(jī)場(chǎng)中最大后驗(yàn)概率（Maximum A Posteriori，MAP）估計(jì)理論。在構(gòu)造Mark

3、ov隨機(jī)場(chǎng)模型方面，對(duì)標(biāo)記場(chǎng)和特征場(chǎng)的各種模型進(jìn)行討論，比較它們的優(yōu)缺點(diǎn)，最終標(biāo)記場(chǎng)采用多級(jí)邏輯（multi-level logistic，MLL）模型，特征場(chǎng)采用有限正態(tài)混合（finite Gauss mixtured model，F(xiàn)GMM）模型，再根據(jù)Markov-Gibbs等價(jià)性，將圖像標(biāo)記問題轉(zhuǎn)換為能量求解問題。最后，在分割算法方面，本文對(duì)條件迭代模式（iterativecondition model，ICM）算法進(jìn)行改進(jìn)，對(duì)穩(wěn)