学位论文 > 优秀研究生学位论文题录展示

基于贝叶斯置信传播的图像分割方法研究

作　者: 宋晓峰
导　师: 刘芳
学　校: 西安电子科技大学
专　业: 计算机应用技术
关键词: 非下采样轮廓波变换 MRF模型贝叶斯置信传播多层次能量模型隐马尔科夫随机场模型
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 110次
引　用: 0次
阅　读: 论文下载

内容摘要

合成孔径雷达(SAR)图像为军事,民用等众多领域提供了丰富而宝贵的资料,开展SAR图像处理方面的研究工作具有实际意义和应用前景。纹理图像也是实际应用中广泛存在的一种图像,具有重要的研究价值.分割是进行SAR图像与纹理图像分析与理解的关键步骤。因此,精确,高效的分割方法对相关图像的处理来说显得非常重要。本文针对纹理图像和SAR图像的分割进行了研究,主要有以下几个方面的内容：1.给出了一种基于非下采样Contourlet变换和MRF模型相结合的纹理图像分割算法。算法是一种有监督的分割方法,使用广义高斯模型来建模非下采样Contourlet域高频系数的分布,用其分布的参数表示图像各类的纹理特征,然后通过MRF模型建模图像的空间先验信息,将图像分割问题转化为一个最大后验概率估计问题,并通过贝叶斯置信传播算法来实现估计,得到图像的分割结果。2.研究了基于MRF模型的图像分割算法,在此基础上提出了两个SAR分割算法。算法一是基于区域MRF模型和贝叶斯置信传播,通过研究现有基于MRF模型图像分割算法存在的问题,给出了利用区域MRF模型和贝叶斯置信传播算法进行图像分割中关联势函数和交互势函数的定义,并详细分析了新的势函数所存在的优势,最后给出了算法的整个流程。算法二是一种基于多层次MRF模型的分割方法,首先定义了图像的多层次能量模型,然后采用层次贝叶斯置信传播算法来实现对图像的分割。相对于单层的分割算法,多层的分割能实现图像信息在更大范围内的交互,更好的利用了图像在多个层次上的分割信息。对于上述两个算法,均通过仿真实验说明了算法的有效性3.研究了有限混合模型,隐马尔科夫随机场模型以及隐马尔科夫度量随机场模型等三种用于图像分割的统计模型,然后分析了三种模型存在的问题及对图像分割结果的影响,并结合隐马尔科夫随机场模型和贝叶斯置信传播算法的优点,提出了一种基于隐马尔科夫随机场和贝叶斯置信传播算法的SAR图像分割算法。通过仿真实验,可以看出新的分割算法在参数估计,收敛速度,分割效果方面都取得了更好的结果。本文工作得到了国家自然科学基金(No.60673097)资助。

全文目录

摘要  3-4
Abstract  4-9
第一章绪论  9-15
  1.1 课题目的和意义  9
  1.2 SAR图像概述  9-11
  1.3 马尔科夫随机场图像模型和图像分割的研究进展  11-13
    1.3.1 图像模型研究的进展  11-13
      1.3.1.1 马尔可夫随机场模型  11-12
      1.3.1.2 最大后验概率估计算法  12-13
    1.3.2 图象分割研究的进展  13
  1.4 论文主要工作及内容安排  13-15
第二章图像分割基础  15-29
  2.1 图像分割技术概述  15-22
    2.1.1 图像分割算法  16-20
      2.1.1.1 基于阈值的分割  16
      2.1.1.2 基于边缘的分割  16-17
      2.1.1.3 基于区域特性的分割  17-18
      2.1.1.4 基于统计模式分类的分割  18-19
      2.1.1.5 基于神经网络的分割  19-20
      2.1.1.6 基于数学形态的分割  20
    2.1.2 图像分割评价  20-22
      2.1.2.1 图像分割评价  20-21
      2.1.2.2 分割评价准则  21-22
  2.2 MRF图像模型  22-25
    2.2.1 Markov Random Field  22-23
    2.2.2 基于MRF模型的图像分割框架  23-24
    2.2.3 贝叶斯置信传播算法  24-25
  2.3 图像表示的多尺度几何分析  25-29
    2.3.1 多尺度几何分析的发展  25-27
    2.3.2 多尺度几何分析的应用  27-29
第三章基于非下采样CONTOURLET和MRF的纹理图像分割  29-39
  3.1 基于多尺度几何分析的纹理特征提取  29-33
    3.1.1 纹理分析  29-30
    3.1.2 基于多尺度几何分析的纹理特征提取  30-33
      3.1.2.1 基于能量测度的子带特征提取  31
      3.1.2.2 基于方差的子带特征提取  31
      3.1.2.3 基于Hu不变矩的子带特征提取  31-32
      3.1.2.4 基于系数共生矩阵的子带特征提取  32-33
  3.2 非下采样CONTOURLET变换  33-34
  3.3 基于广义高斯模型和MRF的纹理图像分割  34-37
    3.3.1 纹理特征  34-35
    3.3.2 分割算法描述  35-36
    3.3.3 实验结果及分析  36-37
  3.4 本章小结  37-39
第四章基于MRF模型与贝叶斯置信传播的SAR图像分割  39-57
  4.1 基于区域MRF模型和贝叶斯置信传播的SAR图像分割  39-48
    4.1.1 MRF模型和贝叶斯置信传播  40-42
      4.1.1.1 基于像素的MRF图像模型  40-41
      4.1.1.2 基于区域的MRF图像模型  41-42
    4.1.2 基于区域MRF模型和贝叶斯置信传播的SAR图像分割  42-45
      4.1.2.1 势函数的定义  42-44
      4.1.2.2 分割算法步骤  44-45
    4.1.3 实验结果及分析  45-48
    4.1.4 本节小结  48
  4.2 基于多层次MRF模型和贝叶斯置信传播的SAR图像分割  48-55
    4.2.1 图像的层次MRF模型  50-51
    4.2.2 基于层次MRF和贝叶斯置信传播的SAR图像分割算法  51-53
      4.2.2.1 层次贝叶斯置信传播  51-52
      4.2.2.2 分割算法描述  52-53
    4.2.3 实验结果及分析  53-55
    4.2.4 本节小结  55
  4.3 本章小结  55-57
第五章基于HMRF模型与贝叶斯置信传播的SAR图像分割  57-75
  5.1 基于统计图像模型的图像分割  58-62
    5.1.1 高斯有限混合模型  58-59
    5.1.2 HMRF模型  59-61
    5.1.3 HMRMF模型  61-62
  5.2 基于MRF模型和最大后验概率估计的图像分割  62-63
  5.3 基于HMRF模型和贝叶斯置信传播的图像分割  63-65
  5.4 实验结果及分析  65-73
    5.4.1 人工合成噪声图像的分割结果  66-69
      5.4.1.1 加性高斯噪声的人工合成图像分割  66-68
      5.4.1.2 乘性相干斑噪声的人工合成图像分割  68-69
    5.4.2 仿真SAR图像的分割结果  69-71
    5.4.3 真实SAR图像的分割结果  71-73
  5.5 本章小结  73-75
第六章总结和展望  75-77
  6.1 论文工作总结  75-76
  6.2 进一步工作展望  76-77
致谢  77-79
参考文献  79-85
硕士期间的研究成果  85

基于贝叶斯置信传播的图像分割方法研究

内容摘要

全文目录

相似论文