基于MRF的局部和全局最優(yōu)化圖象分割方法研究.pdf

1、MRF(Markov Random Field，馬爾可大隨機場)理論已經(jīng)被廣泛地應(yīng)用于計算機視覺及圖像處理領(lǐng)域中，它提供了方便而直接的方法，以概率米描述圖像像素之間的空間相關(guān)的特性，MRF與Gibbs(古布斯)分布的等價性的提出，推廣了其在數(shù)字圖像處理中的應(yīng)用。圖像分割是數(shù)字圖象分析中的重要環(huán)節(jié)，基于MRF的圖像分割方法采用MRF模型為基本模型，并使用MAP(Maximum A Posterior，最大后驗概率)這一優(yōu)化準(zhǔn)則米搜尋優(yōu)化解

2、，應(yīng)用MAP準(zhǔn)則可以將圖像的先驗分布利數(shù)據(jù)的條件分布(似然分布)結(jié)合起來。這樣將MRF模型與MAP準(zhǔn)則結(jié)合在一起形成了解決問題的特定的MAP-MRF框架(本文提出的算法皆源于該體系結(jié)構(gòu))。 本文主要研究利總結(jié)了MRF的一些有用的模型形式，如，MLL(Multilevel Logistic Model)模型，分層MRF模型，F(xiàn)RAME(Filter，Random Fields，and Maximum Entropy)模型等；重點對

3、基于MRF-MAP框架求解目標(biāo)能鼙函數(shù)的局部利全局最優(yōu)化算法進行探索研究。 1.對基T-MRF的圖像分割的局部最優(yōu)算法，如，ICM(Iterated Conditional Mode)算法，RL(Relaxation Labeling)、HCF(Highest Confidence First)算法進行了理論和實驗的研究分析，并且對HCF算法加以改進。通過實驗可以得出：ICM與HCF算法能快速收斂得出局部能量極小值解，但卻很大程

4、度上依賴于初始分割。從分割性能上分析，ICM算法的分割結(jié)果中會山現(xiàn)一些不連續(xù)區(qū)域，而RL算法缺乏細(xì)節(jié)辨識能力。并且，改進后的HCF算法的分割效果要優(yōu)于ICM和RL算法。最后，還給出了這三個算法對于三種不同類型的圖像進行分割的性能排序和它們的適用范圍。 2.對分割的全局最優(yōu)求解方法，重點對經(jīng)典的模擬退火算法，SA(Simulated annealing)，進行了原理及應(yīng)用研究；提出了動態(tài)參數(shù)方法，對原有的SA算法進行了改進，并將分

5、割結(jié)果與其他算法進行了比較分析。改進后的SA方法，在迭代計算過程中動態(tài)修改系數(shù)參數(shù)，加快原有的收斂過程，可以有效地分割被噪聲污染的圖象，在計算速度和全局收斂性上都有較好的表現(xiàn)。同時本文也對退火思想利局部優(yōu)化算法相結(jié)合的算法進行了相關(guān)方面的研究。 3.利用MRF-MAP框架方法實現(xiàn)圖像的分割，不僅最后分削效果比較好，而且還可以綜合吸收其他有益算法和理論，具有可伸縮性，可以滿足特定的分割需求。同時，本義也對利用MRF模型解決圖像分割