基于EM的MRF彩色图像分割
医学图像分割方法综述
医学图像分割方法综述林瑶，田捷1北京,中国科学院自动化研究所人工智能实验室,100080摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。
本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。
关键词：医学图像分割 综述1．背景介绍医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。
随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。
图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。
分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。
所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。
定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...：g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。
(b) 是连通的区域。
g k (c) ，即任意两个子区域不存在公共元素。
(d) 区域满足一定的均一性条件。
均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。
g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。
在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。
基于空域mrf模型的sar图像分割方法研究
摘要摘要针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像的解译工作，已经成为近年来关于SAR方面最重要的研究方向。
其中，作为解译的先头步骤，SAR 图像分割算法也已经成为近年来的研究热点。
基于马尔可夫随机场（Markov Random Field, MRF）模型的SAR图像分割，由于其充分利用了图像的统计特性和局部特征，对SAR图像分割效果较好，受到了广大研究人员的重视。
不过，由于MRF的优化问题较为复杂，对于取得较好质量的分割结果的速度较慢，因此对传统的基于MRF模型的SAR图像分割算法进行改进，提高图像分割速度很有必要。
本文将以减少处理数据点为主要思想，立足于空域MRF模型，对SAR图像分割速度进行提升。
在传统的基于MRF模型的SAR图像分割算法的基础上，结合超像素算法，研究了改进算法。
总体研究内容安排如下：1.研究适用于SAR图像的基于MRF模型的图像分割算法。
研究MRF在图像分割中运用的原理，采用FGMM+Potts模型，建立适用于SAR图像的MRF模型。
结合ICM分割方法，将上述模型应用到SAR图像分割中去。
2.结合SAR图像和基于MRF模型的图像分割的原理，分析超像素算法对图像进行预处理的异同，考虑预处理结果的邻域描述、像素块描述的准确性等方面，选取合适的超像素算法，并分析研究了超像素-马尔可夫（Superpixel-MRF，SMRF）算法。
通过设计实验仿真，论证了SMRF的速度和分割质量的充分保证。
3.针对上述研究中的SMRF算法有可能出现的质量下降问题，对算法邻域系统生成方面进行研究。
从基于网格化和基于阈值两个角度，研究了伪网格化和基于加权等邻域系统生成算法。
改进方法在具有更高质量的图像分割结果的同时，保留了上述算法的优点。
通过设计实验仿真，新的邻域系统生成算法给SMRF算法带来了满意的分割精度和分割速度。
关键词：合成孔径雷达，图像分割，马尔可夫场，超像素，邻域系统ABSTRACTThe interpretation of Synthetic Aperture Radar (SAR) image has become the most important part of the research of SAR. As the initial step of interpretation, SAR image segmentation has also become a hot research topic. The algorithm of SAR image segmentation based on Markov Random Field (MRF) model, according to its taking full advantage of images’statitical properties and local features, which is good to SAR image segmentation, has been taken seriously by researchers. However, due to the complexity of optimizition, the speed of acquiring good segmentation is pretty slow. It is necessary to speed up the traditional SAR image segmentation algorithm based on MRF model.The speed of SAR image segmentation shall be improved based on the main idea of reducing to-be-processed objectives in spatial domain MRF model. Then a revised algorithm is proposed based on superpixel algorithm and MRF-model-based SAR image segmentation algorithm. The contents include:1. Image segmentation algorithm suitable for SAR image based on MRF model is researched. And FGMM and Potts model is adopted to build MRF model for SAR image based on the principle of MRF in image segmentation. The above model will be used into SAR image segmentation combined with ICM segmentation method.2. Suitable superpixel algorithm is selected based on SAR image’s traits and the principle of MRF model in image segmentation. After analysising the differences and similarities of superpixel algorithm’s preprocessing on image, considering the result of preprocessing’s situation of neighborhood and pixel pack’s accuracy, SMRF (Superpixel-MRF) algorithm will be researched. And the analog experiment analog demonstrates the promotion of speed and quality assurance of SMRF algorithm.3. The neighborhood system generation aim to the question of quality decrease of SMRF is researched. Pseudo-meshing and weighting-based neighborhood algorithm will be put forword from meshing-based and weighting-based angles. Improved method has higher quality of image segmentation while keep above algorithm’s advantage. By designing experiment analog, the thesis will demonstrate the new neighborhood systemcan bring SMRF satisfied speed and quality of SAR image segmentation. Keywords: SAR, image segmentation, MRF, superpixel, neighborhood system目录第一章绪论 (1)1.1 研究工作的背景与意义 (1)1.2 国内外研究历史与现状 (1)1.2.1 SAR图像分割的研究历史与现状 (1)1.2.2 基于MRF模型的SAR图像分割的研究历史与现状 (3)1.3 本文的主要贡献与创新 (4)1.4 本论文的结构安排 (5)第二章基于MRF模型的图像分割方法基础 (6)2.1 引言 (6)2.2 马尔可夫随机场基础 (6)2.2.1 MRF模型的历史与特点 (6)2.2.2 MRF模型的基本理论 (7)2.2.3 分割问题目标函数导出 (9)2.3 用MRF描述图像模型 (11)2.3.1 特征场 (11)2.3.2 标号场 (12)2.4 基于MRF模型的图像分割方法基础 (13)2.4.1 参数估计 (14)2.4.2 分割方法 (15)2.5 图像分割的评估标准 (16)2.6 本章小结 (18)第三章SMRF快速SAR图像分割算法 (19)3.1 引言 (19)3.2 超像素分割算法 (19)3.2.1 可控性评价标准 (20)3.2.2 分水岭算法 (21)3.2.3 Turbopixels算法 (22)3.2.4 SLIC算法 (22)3.2.5 超像素算法实验 (23)3.3 基于MRF模型的SAR图像分割算法 (26)3.3.1 特征场和标号场的选择 (27)3.3.2 分割方法的选择 (27)3.3.3 算法流程 (27)3.4 基于超像素和MRF模型的SMRF算法 (28)3.4.1 算法流程 (28)3.4.2 邻域系统生成 (29)3.5 实验结果分析 (30)3.6 本章小结 (36)第四章基于邻域系统的改进SMRF算法研究 (37)4.1 引言 (37)4.2 MRF模型的邻域系统 (37)4.2.1 MRF模型常见的邻域系统 (37)4.2.2 SMRF算法的邻域系统 (38)4.3 基于网格化的改进算法 (41)4.3.1 伪网格化-SMRF算法 (42)4.3.2 下采样-SMRF算法 (45)4.4 基于阈值的改进算法 (47)4.4.1 距离加权-SMRF算法 (49)4.4.2 综合加权-SMRF算法 (49)4.5 实验结果分析 (50)4.6本章小结 (60)第五章全文总结与展望 (61)5.1 全文总结 (61)5.2 后续工作展望 (61)致谢 (63)参考文献 (64)第一章绪论第一章绪论1.1 研究工作的背景与意义SAR图像分割是利用相应的算法，结合计算机技术，把SAR图像分成具有统一属性但又互相分离的区域，从而为图像分析和图像处理的顺利展开打下基础。
基于MRF场的SAR图像分割方法
基于MRF场的SAR图像分割方法
张翠;郦苏丹;王正志
【期刊名称】《遥感技术与应用》
【年(卷),期】2001(16)1
【摘要】提出了一种基于 MRF(Markov Random field)模型的 SAR(Synthetic Aperture Radar)图像分割算法。
本算法利用 ICM(Iterative Conditional Mode)局部优化方法 ,获得 MAP(maximum aposteriori)准则下的图像分割结果 ,并引入了剔除外层数据的机制。
用 MSTAR(Moving and Sta-tionary Target Acquisition and Recognition)数据进行实验 ,结果表明 ,算法能有效减少斑点噪声的影响 ,将图像分割为目标、阴影、背景三部分 ,实验结果是令人满意的。
【总页数】3页(P66-68)
【关键词】SAR;图像分割;MRF模型;ICM算法;外层数据;合成孔径雷达
【作者】张翠;郦苏丹;王正志
【作者单位】国防科技大学自动控制系302教研室遥感组
【正文语种】中文
【中图分类】TN958
【相关文献】
1.基于快速退火MRF的改进SAR图像分割方法 [J], 刘向华;周荫清;孙慕涵
2.基于MAR-MRF的SAR图像分割方法 [J], 刘爱平;付琨;尤红建;刘忠
3.基于混合Gamma建模与MRF的SAR图像分割方法 [J], 李恒恒;郁文贤
4.基于改进Ratio和区域MRF的SAR图像分割方法 [J], 李长凯
5.基于MRF场的侧扫声呐图像分割方法 [J], 阳凡林;独知行;李家彪;吴自银;初凤友因版权原因，仅展示原文概要，查看原文内容请购买。
mrf原理
mrf原理mrf原理1. 概述mrf原理（Mean-Removal Filter）是一种常用的图像处理算法，用于去除图像中的噪点和平滑图像。
它基于统计原理，对图像中的像素进行均值修正，从而实现去噪和平滑的效果。
2. 去噪原理mrf原理的去噪过程可以简单分为以下几个步骤：•步骤1：将图像分割为小的邻域块。
•步骤2：对每个邻域块进行均值计算，得到该块的像素均值。
•步骤3：将块中的每个像素值减去该块的像素均值。
•步骤4：对去均值后的图像进行重组，得到最终的去噪图像。
3. 平滑原理mrf原理的平滑过程与去噪过程类似，也可以简单分为以下几个步骤：•步骤1：将图像分割为小的邻域块。
•步骤2：对每个邻域块进行均值计算，得到该块的像素均值。
•步骤3：将块中的每个像素值替换为该块的像素均值。
•步骤4：对替换后的图像进行重组，得到最终的平滑图像。
4. 应用场景mrf原理在图像处理中有着广泛的应用场景，例如：•图像去噪：由于各种原因产生的图像噪点可以通过mrf原理进行有效的去除，提升图像质量。
•图像平滑： mrf原理可以平滑图像中的纹理和轮廓，使得图像更加自然和细腻。
•图像分割： mrf原理也可用于图像分割领域，通过对邻域块的处理，将图像分为不同的区域。
5. 总结mrf原理是一种基于统计原理的图像处理算法，通过对图像中的邻域块进行均值修正，实现去噪和平滑的效果。
它在图像处理领域有着广泛的应用，并可以提升图像的质量和细节。
希望通过本文的介绍，读者能够对mrf原理有一个初步的了解，并在实际应用中发挥其作用。
6. 原理详解邻域块分割mrf原理第一步是将图像分割为小的邻域块。
邻域块的大小可以根据具体情况进行调整，通常选择一个合适的邻域大小以保证对图像的有效处理。
均值计算对于每个邻域块，mrf原理进行均值计算，得到该块的像素均值。
这个均值表示了邻域块内像素的平均值，可以反映该区域的整体特征。
像素修正在均值计算完成后，需要将邻域块中的每个像素值减去该块的像素均值。
基于EM和GMM相结合的自适应灰度图像分割算法
基于EM和GMM相结合的自适应灰度图像分割算法
罗胜;郑蓓蓉;叶忻泉
【期刊名称】《光子学报》
【年(卷),期】2009(38)6
【摘要】提出一种阈值自适应、EM方法估计GMM参量的图像分割算法,能够根据图像的内容结合区域和边界两方面的信息自适应地选择阈值,精确地进行图像边界分割.算法首先提取图像的边界,然后根据边界的直方图计算图像的可分割性,由可分割性确定EM方法的阈值进行GMM分割,最后合并图像的近似区域.实验数据表明,相比其它图像分割算法,以及固定阈值的传统EM算法,本算法的分割结果更为准确.
【总页数】5页(P1581-1585)
【关键词】图像分割;混合高斯模型;期望最大算法;自适应阈值
【作者】罗胜;郑蓓蓉;叶忻泉
【作者单位】温州大学机电工程学院
【正文语种】中文
【中图分类】TN391.41
【相关文献】
1.基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割 [J], 王文辉;冯前进;刘磊;陈武凡
2.基于ROI与自适应Ostu相结合的图像分割算法 [J], 孙力
3.一种基于贪心EM算法学习GMM的聚类算法 [J], 王维彬;钟润添
4.改进的自适应模糊ISODATA灰度图像分割算法 [J], 康永辉;戴激光;王广哲
5.基于HSI颜色空间与灰度波动相结合的复杂桥梁蜂窝麻面的图像分割 [J], 姚学练;贺福强;平安;罗红;万思路
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进MRF的凝胶图像分割算法
基于改进MRF的凝胶图像分割算法
张彦清;侯伟;李玲;辛化梅
【期刊名称】《科技创新与应用》
【年(卷),期】2014(000)007
【摘要】为了得到更好的凝胶图像分割效果，文章提出了一种基于马尔科夫随机场（MRF）模型分割算法的改进算法，首先用非局部均值（NL-means）对图像进行滤波，然后通过模糊c均值算法（FCM）实现了图像的初始聚类分割，进一步通过二阶逻辑模型（MLL）模糊聚类作为先验知识获取其先验概率并因此得到后验概率，在此过程中引入了灰度点密度权值来实现聚类和均值方差的更新，最终实现凝胶图像的最优化分割。
【总页数】2页(P1-2)
【作者】张彦清;侯伟;李玲;辛化梅
【作者单位】山东师范大学物理与电子科学学院，山东济南 250014;山东师范大学物理与电子科学学院，山东济南 250014;山东师范大学物理与电子科学学院，山东济南 250014;山东师范大学物理与电子科学学院，山东济南 250014
【正文语种】中文
【相关文献】
1.一种基于区域的交互式MRF图像分割算法设计与实现
2.基于超像素的快速MRF 红外行人图像分割算法
3.改进的MRF彩色图像分割算法
4.基于局部自适应先验MRF模型的快速BP图像分割算法
5.基于小波域三重MRF分割算法的遥感图像分割分析
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Delaunay划分结合EM／MPM算法的图像分割方法
第４１卷第１０期２０１８年１０月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.１０Ｏｃｔ.ꎬ２０１８收稿日期:２０１７－０９－１５基金项目:辽宁省自然科学基金(２０１５０２００９０)ꎻ辽宁工程技术大学研究生教育创新计划项目(ＹＳ２０１６０７)资助作者简介:高㊀亮(１９９１－)ꎬ男ꎬ黑龙江哈尔滨人ꎬ测绘科学与技术专业硕士研究生ꎬ主要研究方向为遥感影像信息提取ꎮ基于Ｄｅｌａｕｎａｙ划分结合ＥＭ＼ＭＰＭ算法的图像分割方法高㊀亮ꎬ李㊀玉ꎬ林文杰ꎬ赵泉华(辽宁工程技术大学测绘与地理科学学院ꎬ辽宁阜新１２３０００)摘要:为了克服传统基于区域的图像分割方法对图像初始划分完全随机进而导致算法效率低下的缺点ꎬ本文提出了一种基于Ｄｅｌａｕｎａｙ划分并结合最大期望值(ＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎꎬＥＭ)和最大边缘概率(ＭａｘｉｍｉｚａｔｉｏｎｏｆｔｈｅＰｏｓｔｅｒｉｏｒＭａｒｇｉｎａｌꎬＭＰＭ)算法的图像分割方法ꎮ该方法首先提取图像特征点ꎬ并把特征点集作为构建Ｄｅｌａｕｎａｙ三角网的基础点集ꎮ利用Ｄｅｌａｕｎａｙ三角网的构建将影像划分成众多彼此连接的超像素ꎬ并假设这些超像素内的像素灰度值服从同一独立的正态分布ꎬ基于此完成特征场模型的建立ꎬ再运用ＥＭ＼ＭＰＭ方法分别模拟特征场模型和分割影像ꎮ为了验证本文提出的算法能够有效地分割图像ꎬ分别对模拟图像和真实图像进行分割测试ꎬ并和经典的初始划分完全随机的超像素影像分割算法进行对比ꎬ测试结果定性和定量地表明了该方法的有效性和准确性ꎮ关键词:特征点提取ꎻＤｅｌａｕｎａｙ三角网ꎻ超像素ꎻＥＭ＼ＭＰＭ算法ꎻ图像分割中图分类号:Ｐ２０９㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)１０－００６９－０４ＣｏｍｂｉｎｉｎｇｔｈｅＥＭ＼ＭＰＭａｎｄＤｅｌａｕｎａｙＴｅｓｓｅｌｌａｔｉｏｎｆｏｒＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＧＡＯＬｉａｎｇꎬＬＩＹｕꎬＬＩＮＷｅｎｊｉｅꎬＺＨＡＯＱｕａｎｈｕａ(ＳｃｈｏｏｌｏｆＧｅｏｍａｔｉｃｓꎬＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙꎬＦｕｘｉｎ１２３０００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｏｒｄｅｒｔｏｏｖｅｒｃｏｍｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｔｈａｔｔｈｅｃｏｍｐｌｅｔｅｌｙｒａｎｄｏｍｉｎｉｔｉａｌｐａｒｔｉｔｉｏｎｌｅａｄｓｔｏｔｈｅｉｎｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓｂａｓｅｄｏｎｒｅｇｉｏｎｏｆｉｍａｇｅꎬａｍｅｔｈｏｄｂａｓｅｄｏｎＤｅｌａｕｎａｙｐａｒｔｉｔｉｏｎｃｏｍｂｉｎｅｄｗｉｔｈＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎａｎｄＭａｘｉｍｉｚａｔｉｏｎｏｆｔｈｅＰｏｓｔｅｒｉｏｒＭａｒｇｉｎａｌａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ.ＦｉｒｓｔｌｙꎬｔｈｅｆｅａｔｕｒｅｐｏｉｎｔｓｏｆｔｈｅｉｍａｇｅａｒｅｅｘｔｒａｃｔｅｄꎬａｎｄｔｈｅｆｅａｔｕｒｅｐｏｉｎｔｓｓｅｔｉｓｕｓｅｄａｓｔｈｅｆｕｎｄａｍｅｎｔａｌｐｏｉｎｔｓｓｅｔｏｆｔｈｅＤｅｌａｕｎａｙｔｒｉａｎｇｕｌａｔｉｏｎｔｏｃｏｎｓｔｒｕｃｔｔｈｅＤｅｌａｕｎａｙｔｒｉａｎｇｕｌａｔｉｏｎ.Ｄｅｌａｕｎａｙｔｒｉａｎｇｕ￣ｌａｔｉｏｎｄｉｖｉｄｅｓｔｈｅｉｍａｇｅｉｎｔｏｓｅｖｅｒａｌｓｕｐｅｒｐｉｘｅｌｓｗｈｉｃｈａｒｅｃｏｎｎｅｃｔｅｄｅａｃｈｏｔｈｅｒꎬａｓｓｕｍｉｎｇｔｈａｔｔｈｅｇｒａｙｖａｌｕｅｓｏｆｐｉｘｅｌｓｉｎｔｈｅｓｅｒｅ￣ｇｉｏｎｓｏｂｅｙｔｈｅｓａｍｅｉｎｄｅｐｅｎｄｅｎｔｎｏｒｍａｌｄｉｓｔｒｉｂｕｔｉｏｎꎬｓｏａｓｔｏｃｏｎｓｔｒｕｃｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｆｉｅｌｄｍｏｄｅｌａｎｄｔｈｅｎｃｏｍｂｉｎｅｗｉｔｈｔｈｅＥＭ/ＭＰＭａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｍｏｄｅｌｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎ.Ｔｏｖｅｒｉｆｙｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓａｂｌｅｔｏｓｅｇｍｅｎｔｉｍａｇｅｓｅｆ￣ｆｅｃｔｉｖｅｌｙꎬｔｈｅｓｉｍｕｌａｔｅｄｉｍａｇｅａｎｄｔｈｅｒｅａｌｉｍａｇｅｓａｒｅｓｅｇｍｅｎｔｅｄａｎｄｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｌａｓｓｉｃａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｓｕｐｅｒｐｉｘｅｌｓｗｈｉｃｈｈａｖｅｔｈｅｃｏｍｐｌｅｔｅｌｙｒａｎｄｏｍｉｎｉｔｉａｌｐａｒｔｉｔｉｏｎ.Ｔｈｅｑｕａｌｉｔａｔｉｖｅａｎｄｑｕａｎｔｉｔａｔｉｖｅｒｅｓｕｌｔｓｓｈｏｗｔｈｅｖａｌｉｄｉｔｙａｎｄａｃｃｕｒａｃｙｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ.Ｋｅｙｗｏｒｄｓ:ｆｅａｔｕｒｅｐｏｉｎｔｅｘｔｒａｃｔｉｏｎꎻＤｅｌａｕｎａｙｔｒｉａｎｇｕｌａｔｉｏｎꎻｓｕｐｅｒｐｉｘｅｌｓꎻＥＭ＼ＭＰＭａｌｇｏｒｉｔｈｍꎻｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ０㊀引㊀言作为图像处理的关键环节和前提ꎬ图像分割包括确定类别数及区域分割两个任务ꎮ结合区域和统计的图像分割方法也一直是该领域备受关注的研究热点ꎮ该方法分为４步:１)完成超像素划分ꎻ２)建立图像统计模型ꎻ３)模型参数估计ꎻ４)基于超像素的图像分割ꎮ超像素[１]是影像中众多彼此连接有着相似几何㊁纹理或光谱等特征的小型像元集合ꎮ这些像元集合通常蕴含了大量丰富的信息ꎬ能够为后续的图像处理任务提供有效的前提ꎮ文献[２－４]提出了一种结合马尔科夫随机场的分割方法ꎬ该方法在建立特征场模型的过程中引入空间信息和空间相关性ꎬ但这些信息对孤立像元来说难以拓展到全局层面ꎬ且该方法对几何噪声的鲁棒性也较差ꎮ文献[５－６]将ＭＲＦ迁移到超像素特征场模型中ꎬ此类算法运用规则矩形划分生成超像素ꎬ并假设矩形超像素内的所有像元都遵循特定分布ꎬ再结合不同的分割模型如ＲＪＭＣＭＣ和Ｍ－Ｈ方法对图像进行分割ꎬ一定程度上弥补了像素级别的马尔科夫随机场图像分割算法的缺陷ꎬ但矩形划分由于自身超像素形状的限制ꎬ对图像细节内容的表达十分有限ꎮ文献[７－８]提出了一种基于Ｖｏｒｏｎｏｉ多边形划分的方法ꎬ相比规则矩形ꎬＶｏｒｏｎｏｉ多边形对图像细节信息的表达效果有所提高ꎬ但该方法的分割精度过于依赖初始多边形的数量ꎬ不同的初始多边形数量设置对同一图像会有完全不同的分割结果ꎬ因而大大降低了算法的稳定性ꎮ以上基于区域的图像分割方法对图像的初始划分完全随机ꎬ需要通过后续的参数迭代优化达到拟合图像细节内容的效果ꎬ因此该类方法都要引入如分裂㊁合并及移动多边形等类似的操作[５－８]ꎬ但这需要消耗巨大的计算量ꎬ影响了算法的整体效率ꎮ针对上面这些问题ꎬ本文提出了基于Ｄｅｌａｕｎａｙ划分的影像分割方法ꎮ１ 算法描述１.１㊀特征点提取文章采用最大拟合偏差[９](Ｈｉｇｈｅｓｔｍｅｄｉａｎｅｒｒｏｒ)用来提取构网的基础点点集ꎬ经过逐个地向基础网中内插基础点来不断健壮基础Ｄｅｌａｕｎａｙ三角网ꎬ如此往复直到满足某种要求才停止构网ꎮ设穷尽遍历时共经过了Ｔρ次循环ꎬ其中ꎬＴρ的定义式为:Ｔρ＝ｎκ(１)式中ꎬｎ代表影像Ｚ中的像元数量ꎬκ代表取点阈值ꎬ是一个与影像尺寸及内容复杂情况相关的经验参数ꎮ计算拟合偏差的目标函数如下:Δｉ＝(ｚｉ－ｍｉ)２(２)式中ꎬｚｉ代表目标点ｄｉ在坐标轴竖直方向的值ꎬｍｉ是与ｚｉ相匹配的拟合灰度值ꎬΔｉ代表拟合偏差ꎮ计算拟合灰度值ｍｉ的公式如下:ｍｉ＝－ｄｘˑ(ｘｉ－ｘ０)＋ｄｙˑ(ｙｉ－ｙ０)ｄｚ＋ｚ０(３)式中ꎬｄｘ㊁ｄｙ㊁ｄｚ代表目标三角形所属于的面的法向量在３个坐标轴Ｘ㊁Ｙ㊁Ｚ方向的数值ꎻ(ｘ０ꎬｙ０ꎬｚ０)分别为目标三角形的某顶点坐标ꎮ１.２㊀Ｄｅｌａｕｎａｙ三角网表达与图像建模将定义在规则格点的马尔科夫随机场[１０](ＭａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄꎬＭＲＦ)模型拓展到Ｄｅｌａｕｎａｙ三角划分上ꎬ并规定标号场Ｌ的概率密度函数表达式为:ｐ(Ｌ)＝１Ｃｅｘｐ(－ð{ｌξꎬｌξᶄ}ɪＮＴＲβｔ(ｌξꎬｌξᶄ)－ðｌξɪＬφｌξ)(５)式中ꎬＮＴＲ代表三角网内部邻域子三角形所构成的集合ꎻｌξᶄ代表邻域子三角形所属标号ꎬ规定邻域子三角形为任意两个及以上有公共顶点的三角形ꎻＣ是常数ꎬ代表上式分子中所有标号取值之和ꎻβ是常数ꎬ表征邻域子三角形集合的作用强度ꎻφｌξ为第ξ个子三角形取值为ｌξ时所需消耗的代价值ꎻｔ(ｘꎬｙ)为指示函数ꎬ满足:ｔ(ｘꎬｙ)＝１ꎬｘʂｙ０ꎬｘ＝ｙ{(６)为了模拟影像Ｚ的分割模型ꎬ规定标号是ｌξ的子三角形内部像元灰度值遵循同一独立的高斯分布ꎬ并进一步规定不同标号的子三角形亦相互独立ꎬ则特征场模型的表达式如下:ｐ(ＺＬꎬθ)＝ᵑｍξ＝１ｐ(Ｚξｌξ)＝ᵑｍξ＝１ᵑ(ｘｉꎬｙｉ)ɪＴＲξ１２πσ２ｌｅｘｐ[－(Ｚｉ－μｌ)２２σ２ｌ](７)式中ꎬθ＝(θ１ꎬ ꎬθｌꎬ ꎬθｈ)＝(μ１ꎬσ２１ꎬ ꎬμｌꎬσ２ｌꎬꎬμｈꎬσ２ｈ)ꎬμｌ和σ２ｌ依次代表子序号为ξ的子三角形ＴＲξ对应第ｌ类高斯分布的均值和方差ꎬｍ代表Ｄｅｌａｕｎａｙ三角网中的总三角形数量ꎮ１.３㊀ＥＭ＼ＭＰＭ算法要解算上述的特征场模型ꎬ需要运用ＥＭ＼ＭＰＭ方法[１１]对影像进行分割从而确定类别归属ꎮＭＰＭ方法通过将错误分类像元的期望值降到最低ꎬ也就是对于标号ｌɪ{１ꎬ ꎬｈ}(ｈ代表类别总数)及所有Ｄｅｌａｕｎａｙ子三角形ＴＲξ(ξ＝１ꎬ ꎬｍ)来说ꎬ最大化ｐ(ｌξ＝ｌ｜Ｚ＝ｚ)ꎮ标号场的ＭＰＭ估计的目标函数如下:ｐ(ｌξ＝ｌＺꎬθ)ʈ１ＴξðＴξｔ＝１ａｌꎬξ(ｔ)ꎬ∀ｌꎬξ(８)式中ꎬＴξ为访问ｌξ的总数ꎬ也就是ＭＰＭ过程的经历的循环次数ꎻａｌꎬξ的计算公式如下:ａｌꎬξ＝１ꎬｌξ(ｔ)＝ｌ０ꎬｌξ(ｔ)ʂｌ{(９)本文采用Ｍ－Ｈ算法[１２－１３]设计随机采样器来遍历三角网中所有子三角形的标号场改变操作ꎮ改变ｌξ的接受率计算如下:ａＬ(ｌξꎬｌ∗ξ)＝ｍｉｎ１ꎬᵑ(ｘｉꎬｙｉ)ɪＴＲξ１２πσ２ｌ∗ｋｅｘｐ[－(Ｚｉ－μｌ∗ｋ)２２πσ２ｌ∗ｋ]ｅｘｐ[－ðＴＲᶄξɪＮＴＲξβｔ(ｌ∗ξꎬｌξᶄ)]ᵑ(ｘｉꎬｙｉ)ɪＴＲξ１２πσ２ｌｋｅｘｐ[－(Ｚｉ－μｌｋ)２２πσ２ｌｋ]ｅｘｐ[－ðＴＲᶄξɪＮＴＲξβｔ(ｌξꎬｌξᶄ)]ìîíïïïïï(１０)㊀㊀想要完成Ｍ－Ｈ采样过程ꎬ首先要估计高斯分布参数的值θꎮＥＭ估计过程可以获得最大后验概率的值ꎮ迭代０７㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年过程有两个部分ꎬ分别是计算期望值和将计算得来的期望值最大化ꎮ规定θ(τ)代表第τ次循环所计算得到的估计值ꎬ其具体计算过程如下:μｌ(τ)＝１Ｎｌ(τ)ðＴＲξɪＴＲｌｐ(Ｌξ＝ｌＺꎬθ(τ－１))ð(ｘｉꎬｙｉ)ɪＴＲξＺｉ(１１)σ２ｌ(τ)＝１Ｎｌ(τ)ðＴＲξɪＴＲｌｐ(Ｌξ＝ｌＺꎬθ(τ－１))ð(ｘｉꎬｙｉ)ɪＴＲξ[Ｚｉ－μｌ(τ)]２(１２)Ｎｌ(τ)＝ðＴＲξɪＴＲＮξｐ(Ｌξ＝ｌＺꎬθ(τ－１))ꎬＮξ＝＃Ｚξ(１３)２㊀实验结果与讨论为了证明本文提出方法的可行性ꎬ分别对遥感影像和Ｂｅｒｋｅｌｅｙｂｅｎｃｈｍａｒｋ图像进行了分割测试ꎮ图１为本文选择的测试图像ꎬ其图像尺寸分别为(１２８ˑ１２８)像素㊁(１８３ˑ１８３)像素㊁(１５５ˑ１５５)像素和(２９０ˑ２９０)像素ꎮ图１㊀测试图像Ｆｉｇ.１㊀Ｔｅｓｔｉｍａｇｅｓ图２(ａ)至图２(ｄ)为原始图像的三角网表达ꎮ可以看出ꎬ在图像的边界部分三角形分布十分密集ꎬ而非边界部分则正好相反ꎬ这种分布规律可以良好地表达影像的细部信息ꎬ使得影像的边界信息很好地区别于非边界信息ꎮ图２㊀Ｄｅｌａｕｎａｙ三角网表达图像Ｆｉｇ.２㊀Ｄｅｌａｕｎａｙｔｒｉａｎｇｕｌａｒｍｅｓｈｉｍａｇｅｓ图３(ａ)至图３(ｄ)为基于Ｖｏｒｏｎｏｉ划分并结合ＥＭ＼ＭＰＭ算法的图像分割结果ꎮ其中ꎬ规定ＭＰＭ的循环次数是５００００ꎬＥＭ的循环次数是５００ꎮ可以看出ꎬ图３(ａ)错误地将树木和树影分成了一类ꎻ图３(ｂ)错误地将灰度渐变的背景分成了两类ꎻ图３(ｃ)分割所得到的结果很大程度上损失了原图中的细节信息ꎻ图３(ｄ)完全没有将动物与草地区分开ꎮ图４(ａ)至图４(ｄ)为基于Ｄｅｌａｕｎａｙ划分并结合ＥＭ＼ＭＰＭ算法的图像分割结果ꎮ可以看出ꎬ图４(ａ)较为准确地将草地㊁土地㊁树影分成３类ꎻ图４(ｂ)没有受到渐变灰图３㊀基于Ｖｏｒｏｎｏｉ划分并结合ＥＭ＼ＭＰＭ算法的㊀㊀㊀图像分割结果Ｆｉｇ.３㊀ＳｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｂａｓｅｄｏｎＶｏｒｏｎｏｉｔｅｓｓｅｌｌａｔｉｏｎ㊀㊀㊀㊀ｃｏｍｂｉｎｉｎｇｗｉｔｈＥＭ＼ＭＰＭａｌｇｏｒｉｔｈｍ度背景的影响ꎬ分割正确ꎬ对边缘的拟合良好ꎻ图４(ｃ)对图像细节的表达较为完整ꎬ准确地勾勒出图像的边缘ꎻ图４(ｄ)较为完整地将草地与动物区分开ꎮ图４㊀本文算法分割结果Ｆｉｇ.４㊀Ｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍ为达到定量评价本文提出方法可行性的目的ꎬ生成一张包含３个同质超像素的模拟图像ꎮ分别针对基于Ｖｏｒｏｎｏｉ划分并结合ＥＭ＼ＭＰＭ算法的影像分割算法和基于Ｄｅｌａｕｎａｙ划分并结合ＥＭ＼ＭＰＭ算法的影像分割算法对模拟图像的实验结果生成混淆矩阵(见表１)ꎮ通过表１可以很明显地发现ꎬ无论是总精度还是Ｋａｐｐａ值ꎬ本文算法都优于对比实验ꎬ且论文提出方法的时间效率仅为对比算法的１/６ꎮ表１㊀用户精度㊁产品精度㊁总精度和Ｋａｐｐａ系数Ｔａｂ.１㊀Ｕｓｅｒａｃｃｕｒａｃｙꎬｐｒｏｄｕｃｔａｃｃｕｒａｃｙꎬｏｖｅｒａｌｌ㊀㊀㊀㊀ａｃｃｕｒａｃｙａｎｄＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔ算法精度指标同质区域１２３基于Ｖｏｒｏｎｏｉ划分并结合ＥＭ＼ＭＰＭ算法的图像分割方法用户精度(％)９９.９４８６.４３１００产品精度(％)９７.３０１００９８.２７总精度(％)９８.０５Ｋａｐｐａ０.９６基于Ｄｅｌａｕｎａｙ划分并结合ＥＭ/ＭＰＭ算法的图像分割方法用户精度(％)９９.７８９３.４６１产品精度(％)９８.９７９９.４５９９.０２总精度(％)９９.０５Ｋａｐｐａ０.９８３㊀结束语本文提出了一种基于Ｄｅｌａｕｎａｙ划分并结合ＥＭ＼ＭＰＭ方法的影像分割算法ꎬ依次对真实影像和模拟影像进行１７第１０期高㊀亮等:基于Ｄｅｌａｕｎａｙ划分结合ＥＭ＼ＭＰＭ算法的图像分割方法分割测试ꎬ并与传统初始随机划分的基于区域的影像分割算法进行对比ꎬ对二者的分割成果完成定性及定量的精度评价ꎬ通过评价结果论证提出算法的合理性ꎮ通过观察实验结果得知ꎬ本文算法能够高质量地分割影像ꎬ相比对照试验来说ꎬ对边界的保护效果更好ꎬ具有较高的正确分割率ꎬ且无须加入对超像素的移动㊁合并及分裂等操作就可以较好地拟合图像细节信息ꎬ大幅度提高算法的效率ꎮ在后续的研究中ꎬ将继续探讨本文算法在其他类型影像如ＳＡＲ图像㊁多光谱影像中的应用ꎬ同时ꎬ也将继续对比各种构网策略㊁各种特征点提取方法对分割效果和精度的影响ꎬ从而获得具有最优分割精度的构网策略㊁提点方法与分割模型的多种组合ꎮ参考文献:[１]㊀ＲｅｎＸꎬＭａｌｉｋＪ.Ｌｅａｒｎｉｎｇａｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｅｌｆｏｒｓｅｇｍｅｎ￣ｔａｔｉｏｎ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ￣ｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬＷａｓｈｉｎｇｔｏｎＤＣ:ＩＥＥＥꎬ２００３.[２]㊀ＫｉｍＴＨꎬＥｏｍＩＫꎬＫｉｍＹＳ.ＭｕｌｔｉｓｃａｌｅＢａｙｅｓｉａｎｔｅｘｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄＭａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄｓ[Ｊ].ＮｅｕｒａｌＣｏｍｐｕｔｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓꎬ２００９ꎬ１８(２):１４１－１５５.[３]㊀ＸｉａＧＳꎬＨｅＣꎬＳｕｎＨ.ＩｎｔｅｇｒａｔｉｏｎｏｆｓｙｎｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇＭａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄｏｎｒｅｇｉｏｎａｄｊａｃｅｎｃｙｇｒａｐｈ[Ｊ].ＩＥＴＲａｄａｒＳｏｎａｒＮａｖｉｇａｔｉｏｎꎬ２００７ꎬ１(５):３４８－３５３.[４]㊀ＬＩＳＺ.ＭａｒｋｏｖＲａｎｄｏｍＦｉｅｌｄＭｏｄｅｌｉｎｇｉｎＩｍａｇｅＡｎａｌｙｓｉｓ[Ｍ].ＴｈｉｒｄＥｄｉｔｉｏｎ.ＢｅｒｌｉｎＨｅｉｄｅｌｂｅｒｇ:Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇꎬ２００９.[５]㊀王玉ꎬ李玉ꎬ赵泉华.基于规则划分和ＲＪＭＣＭＣ的可变类图像分割[Ｊ].仪器仪表学报ꎬ２０１５ꎬ３６(６):１３８８－１３９６.[６]㊀王玉ꎬ李玉ꎬ赵泉华.结合规则划分和Ｍ－Ｈ算法的ＳＡＲ图像分割[Ｊ].武汉大学学报:信息科学版ꎬ２０１６ꎬ４１(１１):１４９１－１４９７.[７]㊀赵泉华ꎬ李玉ꎬ何晓军.结合ＥＭ/ＭＰＭ算法和Ｖｏｒｏｎｏｉ划分的图像分割方法[Ｊ].信号处理ꎬ２０１３ꎬ２９(４):５０４－５１２.[８]㊀赵泉华ꎬ李晓丽ꎬ赵雪梅ꎬ等.结合Ｖｏｒｏｎｏｉ划分ＨＭＲＦ模型的模糊ＩＳＯＤＡＴＡ图像分割[Ｊ].信号处理ꎬ２０１６ꎬ３２(１０):１２３４－１２４３.[９]㊀ＲｉｃａｒｄｏＤＳꎬＷｉｌｌｉａｍＲＳꎬＲＯＳＡＮＥＭꎬｅｔａｌ.Ｃｏｎｓｔｒｕｃｔｉｏｎｏｆｔｒｉａｎｇｌｅｍｅｓｈｅｓｆｒｏｍｉｍａｇｅｓａｔｍｕｌｔｉｐｌｅｓｃａｌｅｓｂａｓｅｄｏｎｍｅｄｉａｎｅｒｒｏｒｍｅｔｒｉｃ[Ｊ].ＣｈｉｌｅａｎＪｏｕｒｎａｌｏｆＳｔａｔｉｓｔｉｃｓꎬ２０１１ꎬ２(２):３１－６８.[１０]㊀ＣｏｍｅｒＭꎬＢｏｕｍａｎＣＡꎬＤＥＧｒａｅｆＭꎬｅｔａｌ.Ｂａｙｅｓｉａｎｍｅｔｈｏｄｓｆｏｒｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ[Ｊ].ＪｏｕｒｎａｌｓｏｆＭｉｎｅｒａｌｓꎬＭｅｔａｌｓａｎｄＭａｔｅｒｉａｌｓＳｏｃｉｅｔｙꎬ２０１１ꎬ６３(７):５５－５７. [１１]㊀ＣｏｍｅｒＭＬꎬＤｅｌｐＥＪ.ＴｈｅＥＭ/ＭＰＭａｌｇｏｒｉｔｈｍｆｏｒｓｅｇ￣ｍｅｎｔａｔｉｏｎｏｆｔｅｘｔｕｒｅｉｍａｇｅｓ:ａｎａｌｙｓｉｓａｎｄｆｕｔｕｒｅｅｘｐｅｒｉ￣ｍｅｎｔａｌｒｅｓｕｌｔｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２０００ꎬ９(１０):１７３１－１７４４.[１２]㊀ＷｏｎｇＡꎬＭｉｓｈｒａＡꎬＺｈａｎｇＷ.ＳｔｏｃｈａｓｔｉｃｉｍａｇｅｄｅｎｏｉｓｉｎｇｂａｓｅｄｏｎＭａｒｋｏｖｃｈａｉｎＭｏｎｔｅＣａｒｌｏｓａｍｐｌｉｎｇ[Ｊ].ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ２０１１ꎬ９１(８):２１１２－２１２０.[１３]㊀ＭａｓｕｄａＹꎬＴａｔｅｙａｍａＴ.ＬｉｖｅｒｔｕｍｏｒｄｅｔｅｃｔｉｏｎｉｎＣＴｉｍａｇｅｓｂｙａｄａｐｔｉｖｅｃｏｎｔｒａｓｔｅｎｈａｎｃｅｍｅｎｔａｎｄｔｈｅＥＭ/ＭＰＭａｌｇｏ￣ｒｉｔｈｍ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ.ＢｒｕｓｓｅｌｓꎬＢｅｌｇｉｕｍꎬ２０１１.[编辑:任亚茹](上接第６８页)特定的需要ꎮ目前地理国情监测成果已经在一些行业和领域开展了应用与示范ꎬ但这些应用相对于全部监测数据的价值而言只是冰山一角ꎬ以市场驱动挖掘地理国情监测数据资源ꎬ开发数量更多的㊁内容更丰富的㊁层级更高和更专业的应用和服务ꎬ才能更有效提升监测能力ꎬ实现监测成果的社会化应用ꎬ满足经济建设和社会发展的需要ꎮ４㊀结束语地理国情普查成果和监测技术已经在 多规合一 ㊁生态保护红线画定㊁领导干部自然资源资产离任审计试点㊁资源环境承载力监测预警评估㊁ 河长制 等一系列生态文明建设工作中发挥了重要作用ꎮ下一步应紧密结合地方实际需求ꎬ进一步丰富和扩展监测内容与指标体系ꎬ深化地理国情监测成果的应用ꎬ充分发挥地理国情监测的重要作用ꎬ满足经济建设和社会发展的需要ꎮ参考文献:[１]㊀郭兆晖.建设生态文明推进五位一体十七大报告到十八大报告的重大变化[ＥＢ/ＯＬ].[２０１２－１１－３０].ｈｔｔｐ://ｗｗｗ.ｆｏｒｅｓｔｒｙ.ｇｏｖ.ｃｎ/ｐｏｒｔａｌ/ｍａｉｎ/ｓ/１９５/ｃｏｎｔｅｎｔ－５７３４３５.ｈｔｍｌ.[２]㊀黑龙江日报.中共黑龙江省委黑龙江省人民政府关于加快推进生态文明建设的实施意见[ＥＢ/ＯＬ].[２０１５－０９－２５].ｈｔｔｐ://ｈｌｊ.ｐｅｏｐｌｅ.ｃｏｍ.ｃｎ/ｎ/２０１５/０９２５/ｃ３６９７９７－２６５２４３１３.ｈｔｍｌ.[３]㊀黑龙江日报.我省现有自然湿地５５６万公顷占全省国土面积的１１.８％[ＥＢ/ＯＬ].[２０１４－１２－３１].ｈｔｔｐ://ｈｌｊ.ｈｌｊｎｅｗｓ.ｃｎ/ｓｙｓｔｅｍ/２０１４/１２/３１/０１０１８５１９１.ｓｈｔｍｌ. [４]㊀张继贤ꎬ翟亮.关于常态化地理国情监测的思考[Ｊ].地理空间信息ꎬ２０１６ꎬ１４(４):１－３.[５]㊀国家测绘地理信息局.关于全面开展地理国情监测的指导意见[Ｒ].北京:国家测绘地理信息局ꎬ２０１７. [６]㊀郝科铭ꎬ殷福忠.论地理国情普查和监测对龙江经济社会发展和生态文明建设的作用[Ｊ].测绘与空间地理信息ꎬ２０１４ꎬ３７(６):７－９.[编辑:张㊀曦]２７㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年。
基于FGM-MRF模型的图像分割
基于FGM-MRF模型的图像分割
苗晓锋;高荣国
【期刊名称】《微电子学与计算机》
【年(卷),期】2011(28)6
【摘要】利用Ward聚类将图像进行初始分割,其结果作为基于空间邻域信息马尔可夫随机场(MRF)模型对图像再次分割的初值,图像分割的先验概率采用Ising模型,通过有限高斯混合模型(FGM)描述图像像素灰度的条件概率分布,利用期望-最大(EM)算法估计条件概率分布模型参数,用迭代条件模式(ICM)局部优化方法,获得最大后验概率(MAP)准则下的图像分割结果.通过与其他相关算法分割结果相比较,这种算法能够明显改善分割效果.
【总页数】4页(P92-94)
【关键词】图像分割;马尔可夫随机场模型;有限高斯混合模型;期望-最大算法
【作者】苗晓锋;高荣国
【作者单位】陕西广播电视大学理工教学部;西安微电子技术研究所
【正文语种】中文
【中图分类】TP393
【相关文献】
1.一种基于降雨模型的图像分割方法在砾岩图像分割中的应用 [J], 唐伟力;龙建忠
2.基于改进的C-V模型虚拟人脑图像分割模型 [J], 陈允杰;张建伟;王利;王平安;夏德深
3.用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型 [J], 柴五一;杨丰;袁绍锋;黄靖
4.基于Lab颜色模型的聚类舌图像分割 [J], 牛秋月;李晓蓓;王晓鹏
5.基于类间蚂蚁竞争模型的显著图像分割算法 [J], 黄小童;程虹;罗颖
因版权原因，仅展示原文概要，查看原文内容请购买。