基于自适应权重马尔科夫随机场的彩色纹理图像分割研究

论文摘要

人眼对颜色的敏感度比对亮度的敏感度更强,彩色图像包含更大的信息量和更丰富的视觉感受。长期以来,在视觉研究领域的大部分研究都是针对灰度图像的。近年来,随着计算机硬件和图像采集设备性能提高以及它们的成本下降,使得对彩色图像处理的研究提供了条件。随着彩色图像设备越来越受到人们的青睐,广泛开展对彩色图像处理技术的研究也变得十分迫切。近年来基于图像内容、色彩以及纹理的图像检索技术成为数据库技术研究的一大热点,而基础的技术就是彩色图像分割。人类视觉对图像的分割是基于多方面知识的,其中两个重要的就是颜色和纹理。随着成像设备的发展,现在获得彩色图像并不是难事,这就给了我们通过与人类视觉一致的、自然的方法来分割图像的机会,彩色纹理图像的分割自然成为近年来研究的热点。Markov随机场(Markov Random Field,即MRF)理论已经广泛应用于计算机视觉及图像处理领域中,它提供了方便而直接的方法以概率来描述图像像素所具有的一些空间相关的特性,MRF与Gibbs分布等价性的提出极大的推广了其在数字图像处理中的应用,MRF中联合分布的概念提出又为研究者提供了在贝叶斯体系下进行图像处理的MRF模型。本文整合颜色和纹理两方面的信息,提出一个新的基于自适应权重马尔科夫场(MRF)的无监督分割模型,算法框架依赖于基于优化思想(模拟退火等)贝叶斯估计理论。不同的类有着不同的高斯分布,通过将像素归于不同的类就可以得到图像的分割结果。所以,这里唯一的假设是同一类的图像特征可以用唯一个高斯分布来描述。使用接近于人类感知颜色的HSV颜色空间得到颜色特征;使用Gabor滤波器得到图像的纹理特征。还提出了一个适用本算法的EM迭代算法进行高斯分布的参数估计。本文提出的模型优点有三,其一:相比较于其他彩色纹理图像分割模型,这里的模型中只使用了一个单一的MRF场,这意味着算法的时间复杂度降低了;其二:将特征提取方式从MRF建模中独立出来,只使用MRF建模分割过程,使得很多经典的特征提取方法可直接用于此模型。例如,对于纹理特征提取来说,文献[52]中所有的滤波器方法等都可以在此模型直接使用。其三:使用新颖的自适应权重MRF模型,有效改善了分割结果,也减少了人工参数的主观臆断。文中第五章设计了四个互相独立但又彼此关联的实验从各个角度证明此模型优于像素聚类算法、只利用彩色或颜色信息的MRF分割模型、传统的常量权重MRF分割模型。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景及意义
• 1.1.1 课题研究意义
• 1.1.2 研究背景
• 1.2 图像分割概述
• 1.2.1 定义分割
• 1.2.2 文献回顾
• 1.2.2.1 图像分割文献
• 1.2.2.2 彩色图像分割文献
• 1.2.2.3 彩色纹理图像分割文献
• 1.3 解决不适定性问题的马尔可夫随机场方法
• 1.4 研究重点:基于自适应权重马尔科夫场的彩色纹理分割模型
• 1.5 本文主要内容安排
• 1.6 本章小结
• 第二章 分割算法基本原理
• 2.1 机器视觉中的马尔科夫随机场建模
• 2.1.1 视觉标记（Visual Labeling）
• 2.1.2 邻域与子团
• 2.1.3 MRF与Gibbs场
• 2.1.3.1 MRF理论
• 2.1.3.2 Gibbs场理论
• 2.1.3.3 MRF与Gibbs场等价性
• 2.1.4 基于优化思想的视觉方法与MAP-MRF框架
• 2.2 经典聚类算法
• 2.2.1 k-means
• 2.2.2 Fuzzy C-means聚类
• 2.2.3 欧氏距离与马氏距离
• 2.3 本章小结
• 第三章 基于自适应权重马尔科夫随机场的彩色纹理分割模型
• 3.1 颜色特征、纹理特征的提取
• 3.1.1 颜色特征
• 3.1.1.1 RGB颜色模型
• 3.1.1.2 HSV颜色模型
• 3.1.2 纹理特征
• 3.1.2.1 纹理的定义
• 3.1.2.2 纹理分割算法分类
• 3.1.2.3 Gabor纹理特征
• 3.2 传统MRF分割模型
• 3.2.1 区域标记分量
• 3.2.2 数据特征分量
• 3.3 自适应权重MRF无监督分割模型
• 3.4 EM算法
• 3.5 模拟退火算法
• 3.6 本章小结
• 第四章 算法实现
• 4.1 硬件平台
• 4.2 软件平台
• 4.3 类图
• 4.4 软件界面与参数解释
• 4.4.1 命令行版本
• 4.4.2 GUI版本
• 4.5 本章小结
• 第五章 算法验证实验
• 5.1 MRF分割算法与经典聚类分割算法的比较
• 5.1.1 输入
• 5.1.2 输出
• 5.1.3 讨论
• 5.2 彩色纹理图像的自适应权重MRF分割模型
• 5.2.1 输入
• 5.2.2 输出
• 5.2.3 讨论
• 5.3 传统MRF分割模型与自适应权重MRF分割模型的比较
• 5.3.1 输入
• 5.3.2 输出
• 5.3.3 讨论
• 5.4 四种能量函数最小化算法:ICM、模拟退火、图切割、信任传播的比较
• 5.4.1 输入
• 5.4.2 输出
• 5.4.3 讨论
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 前景展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果