论文摘要
图像分割是计算机视觉中的关键技术之一。基于马尔可夫随机场(Markov RandomField,MRF)模型的图像分割方法,是一种基于统计的分割方法,具有能充分利用先验知识,能形成闭合的边界,模型参数少且易于和其他方法相结合等优点,所以此方法在图像分割领域中得到了广泛的应用。本文研究了基于MRF的图像分割算法,重点研究了基于MRF的图像分割模型中的参数估计方法,以及MRF中的最大后验概率(Maximum A Posteriori,MAP)问题的求解方法。首先,研究了MRF中MAP问题的求解方法。为提高传统的模拟退火(SimulatedAnnealing,SA)算法求解MAP问题的速度,在SA算法基础上提出了一种基于振动点的SA算法。在初始分割后,将图像的像素点分为两类:振动点和稳定点,并借助链表的数据结构存储振动点,每次迭代只对链表里面的振动点进行计算,以减少运算量。另外,本文还对SA算法的停步准则进行了改进,避免了全局能量的计算。实验表明这种基于振动点的改进SA算法在不影响分割效果的前提下,大幅度提高了计算效率。其次,研究了MRF中的参数估计方法。介绍了两种传统的参数估计方法:样本训练法和EM算法,并对两种方法进行了数值模拟和对比。然后,结合四叉树分解提出了一种新的非均匀MRF的耦合系数估计方法。实验表明,本文的估计方法较为准确,将它应用到图像分割中,能增强图像分割的自适应性,改善分割效果。