馬爾科夫隨機(jī)場在圖像分割方法中的應(yīng)用研究.pdf

1、圖像分割就是將圖像劃分成若干個(gè)區(qū)域的集合,每個(gè)區(qū)域在物理上都具有意義,相同的區(qū)域擁有相同或相似的性質(zhì),不同的區(qū)域具有不同性質(zhì)的過程。
　　從圖像處理到圖像分析的過程中,圖像分割是關(guān)鍵步驟之一,它是進(jìn)行特征提取、運(yùn)動(dòng)估計(jì)、目標(biāo)識別、場景重構(gòu)等高級視覺信息處理的前提和基礎(chǔ),將貝葉斯理論與馬爾科夫隨機(jī)場(Markov Random Field,MRF)相結(jié)合得到的圖像處理理論框架,具有參數(shù)少、模型簡單、易于其他方法相結(jié)合的特點(diǎn),因此被廣

2、泛應(yīng)用于圖像分割領(lǐng)域。本文運(yùn)用MRF研究了以下幾個(gè)問題:
　　首先,研究了MRF中的MAP(Maximum A Posteriori)求解辦法,針對條件迭代(Iterative Conditional Mode,ICM)算法整幅圖像只能選取一個(gè)耦合系數(shù),分割效果不夠細(xì)膩的情況下,本文利用四叉樹分解原理,在ICM算法的基礎(chǔ)上得到一種基于四叉樹分解的非均勻MRF耦合系數(shù)估計(jì)方法,結(jié)果顯示改進(jìn)算法分割效果得到改善,區(qū)域連通性好,得到了更

3、為細(xì)膩的分割效果,具有很強(qiáng)的適應(yīng)性。
　　其次,不同初值的選取對ICM算法的結(jié)果影響巨大,針對這種情況,本文將物理學(xué)中模擬淬火(Simulated Annealing,SA)法引入到圖像分割中,該方法理論上可以得到全局收斂的分割結(jié)果,解決了初值選取對實(shí)驗(yàn)結(jié)果產(chǎn)生的影響,但是耗時(shí)巨大,基于此,本文將圖像中的點(diǎn)定義為穩(wěn)定點(diǎn)與不穩(wěn)定點(diǎn),得出一種基于不穩(wěn)定點(diǎn)的SA改進(jìn)分割方法,在分割過程中,只對不穩(wěn)定點(diǎn)進(jìn)行計(jì)算。結(jié)果表明改進(jìn)算法在不影響分