基于马尔科夫模型的纹理图像分割

论文摘要

随着计算机技术的发展,图像的采集和应用得到极大的重视和长足的进展,图像技术在科学研究、医疗卫生、教育、和通信等方面得到了广泛的应用,对推动社会的发展、改善人们生活水平起到了重要的作用.然而海量的图像数据与数据利用率极低之间的矛盾极大地影响了图像处理技术的实际应用.图像分割是由图像处理到图像分析的关键步骤,图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更为紧凑的形式,使得更高层次的分析和理解成为可能.而纹理分割作为图像分割领域的重要组成部分,很多图像都包含着丰富的纹理信息,准确地表示纹理对于图像分割至关重要.马尔科夫随机场模型(Markov Random Field, MRF)因其恰当的空间描述能力及完善的理论基础,在具有复杂结构信息的纹理图像分割中取得了巨大的成功.本文以纹理图像为研究对象,针对现有MRF模型的不足,研究并完成了一下两个方面的工作:(1)针对多尺度MRF模型信息利用不充分的弊端,通过在多尺度MRF模型中引入区域信息和模糊技术来更充分的使用统计信息,提出了一种基于区域特征的模糊多尺度MRF模型.通过对Brodatz纹理库合成的纹理图像的实验,我们从定性和定量两方面验证了该模型的有效性.(2)多尺度MRF模型中,图像的多尺度表述往往由小波变换实现,但是小波变换是一种线性变换,因此对图像的非线性特征,如形状、纹理、大小等的描述受到了约束.为了克服线性小波变换的不足,把小波变换从线性拓展至非线性上,提出了一种形态小波域的多尺度MRF模型来分割纹理图像.通过对两个纹理图像库(Brodatz纹理库、Prague纹理库)中图像的分割实验,验证了本模型的有效性.

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 已有的一些纹理分割方法
• 1.3 基于MRF 模型的分割
• 1.4 本文的研究内容
• 第二章 MRF 模型在图像分割中的基础知识
• 2.1 Markov 模型介绍
• 2.1.1 邻域系统和势团
• 2.1.2 Markov 随机场
• 2.1.3 Gibbs 随机场
• 2.1.4 Markov-Gibbs 的等价性
• 2.2 基于MRF 的图像分割的基本方法及相关内容
• 2.2.1 MRF 在图像分割中的定义
• 2.2.2 MLL 模型
• 2.2.3 FGMM 模型
• 2.2.4 GMRF 模型
• 2.2.5 参数估计
• 2.3 MAP 准则
• 2.4 小波域多尺度马尔科夫模型
• 2.5 图像分割结果的评价标准
• 2.6 本章小结
• 第三章 基于区域特征的模糊多尺度Markov 模型在纹理图像分割中的应用
• 3.1 前言
• 3.2 基于区域特征的模糊多尺度马尔科夫模型（RFMRMRF）
• 3.2.1 一些基本假设准则
• 3.2.2 提取区域特征向量
• 3.2.3 提取先验信息
• 3.2.4 模糊多尺度马尔科夫模型
• 3.2.5 算法描述
• 3.3 实验与分析
• 3.4 本章小结
• 第四章 基于形态小波域多尺度马尔科夫模型的纹理图像分割
• 4.1 前言
• 4.2 MRF 模型
• 4.3 形态小波
• 4.4 形态小波域多尺度马尔科夫模型
• 4.5 参数估计
• 4.6 实验与分析
• 4.7 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 附录A （攻读学位期间所发表的学术论文目录）