隐藏的马尔可夫随机场和群粒子:图像分割中的成功组合
1、简介
图像分割是一种用于将图像划分为不同且有意义的区域的过程,是当今许多无处不在的应用程序中的关键任务。更具体地,在图像分割中,将标签分配给图像中的每个像素,使得具有相同标签的像素具有一些共同的特征。已经探索了各种技术来进行图像分割。我们可以将这些方法分为六大类:基于边缘检测的方法,聚类方法,基于阈值的方法,马尔可夫随机场方法,区域增长和可变形模型。在这些方法中,隐马尔可夫随机场(HMRF)提供了一种对分割问题进行建模的好方法。 Geman和Geman是使用马尔可夫随机场(MRF)模型进行分割的先驱者。我们的工作重点是使用HMRF模型进行图像分割。这种货币化导致MAP准则(最大后验)下的能量函数最小化。以此目的。我们使用了粒子群优化(PSO)技术。 PSO优化是Eberhart和Kennedy在1995年正式提出的一类元启发法。这种技术是从成群的鸟群或养鱼的群体行为中汲取的。一群人只知道其最近邻居的位置和速度。每个粒子都根据其经验和邻居的经验修改其行为,以解决沙丁鱼浅滩试图逃脱金枪鱼等问题的解决方案。群的性能大于其各个部分的性能之和。算法仿真中PSO参数的选择本身就是一个问题。错误选择参数会导致优化算法混乱。我们进行了评估研究,以选择能够很好细分的参数。使用误分类错误准则在地面真实图像上评估分割质量。我们已经使用NDT(无损检测)图像数据集来评估几种分割方法。结果表明,HMRF-PSO方法优于基于阈值的技术。
本文分为六个部分。在第2节中,我们提供了马尔可夫随机场模型的一些概念。第三部分致力于隐马尔可夫场模型及其在图像分割中的应用。在第4节中,我们解释了粒子群优化技术。我们在第5节中给出了具有地面真实性的样本图像的实验结果。第6节致力于得出结论。
2.马尔可夫随机场模型
2.1领域系统和集团
图像像素表示为M = ntimes;m个点位的S的格子。 S = {s1,s2,hellip;,sM} S中的位置或像素与邻域系统V(S)相关,满足:
(2.1)
V(S)关系表示点位间的领域关系。一个由r级领域系统表示的Vr(S)定义为:
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。