论文题目: 基于可分解马尔科夫网的图像分割方法研究
论文类型: 博士论文
论文专业: 摄影测量与遥感
作者: 曹建农
导师: 李德仁,关泽群
关键词: 图像分割,平滑,滤波,图论,概率网络,马尔科夫网,水线法,过渡区,缓冲区,脉冲耦合神经网络,交叉熵
文献来源: 武汉大学
发表年度: 2005
论文摘要: 至今,图像分割尚无通用的分割理论和方法,现存的各种各类分割算法大都是基于某种具体问题,这是目前图像分割所面临的困难。本文提出一个新的理论和方法,基于此,我们可以改善图像分割算法对具体问题的过度依赖性,本文方法在一定程度上具有方法论意义上的通用性。 我们知道,图像分割是图像信息处理中十分重要的研究内容,在图像理解、模式识别、图像编码和图像合成等方面有广泛的应用,然而它也是一个很困难的经典问题。尤其是图像获取的机理使得图像区域边界之间不可避免地会产生灰度平滑,同时由于光的复杂作用也会使不同目标区域中存在灰度重叠,这些都会造成图像分割的困难,有效的避免方法是对图像进行平滑预处理,可以大大地压缩目标灰度重叠。另一方面噪声也会严重影响图像分割的质量,对噪声图像进行滤波预处理也是提高图像分割质量的重要一环。 我们提出的基于可分解马尔科夫网(Decomposable Markov Networks,DMN)的方法是基于系统的信息熵差原理进行网络的结构搜索,通过网络结构输出形式判断像素的亮度,将其归为高亮、中亮(缓冲区)、低亮三类,获得缓冲区。所谓缓冲区是局部无法判明亮度(不亮也不暗)归属(高亮或低亮)的像素的集合。它与过渡区既有区别又有联系:即缓冲区包含了过渡区,而过渡区不一定就是缓冲区,因为它们具有不同的理念。缓冲区是局部暂时不明归属的像素的容纳区域,我们可以通过修改缓冲区的容量,来控制缓冲区像素的数量。从缓冲区中压出栈的像素,将自适应地根据局部特征被分别归入高亮或低亮的像素区域,实现对图像分割的缓冲区控制法,这个过程是一个连续的过程。而过渡区则被认为是一个包含区域边界的部分,对它再实施分割就获得了区域边界,可见过渡区是一个固定的区域,不可调整,噪声或误差对分割结果的影响是不可避免的。 既然可分解马尔科夫网(DMN)模型可以判断出每一个像素的亮度归属,所以它对图像的平滑和滤波也都是可以实现的。实质上,无论是图像平滑、滤波、或者图像分割,其关键问题都在于对单个像素特征的识别,既然DMN可以识别单个像素的特征,所以,它必然可以分别进行平滑、滤波、分割处理。一些相关文献都认为图像平滑、滤波将有利于图像分割,所以图像平滑、滤波方法也是本文的研究内容。图像平滑、滤波(或分割)的方法已经提出了不少,但是它们大都是基于具体图像的特征而进行的图像平滑和滤波(或分割),所以不可能基于一种模型分别进行平滑、滤波(或分割)处理。 在图像平滑、滤波处理中,图像中的非灰度抖动和非噪声像素在平滑、滤波前后的灰度值应当保持不变,同时平滑、滤波操作只应当改变图像抖动灰度或噪声灰度的值。本文方法通过DMN的结构搜索,可以得到被平滑、滤波图像像素灰度的三个重要信息:一是灰度抖动或噪声像素的精确位置;二是灰度抖动或噪声像素的灰度值应该改正的方向(即上调或下调);三是与灰度抖动或噪声像素具有最大相关性的近邻像素的精确位置。 传统平滑、滤波(包括均值滤波)方法的致命缺陷在于:一是没有精确的噪声定位,因此这些方法认为滤波窗口中心像素就是噪声象素;二是认为窗口内所有像素灰度都对中心噪声象素有贡献。所以,在平滑、滤波时,对噪声象素的替代就采用了不加区别地对窗口内所有像素灰度进行平均的方法。因此,传统平滑、
论文目录:
摘要
Abstract
第一章 绪论
1．1 图像理解的研究和应用暨图像分割
1．1．1 什么是图像理解
1．1．2 图像理解模型
1．1．3 图像理解的研究和应用
1．2 图像分割及其意义
1．3 图像分割的研究现状及其面临的问题
1．4 本文的研究内容和目标
1．5 论文的组织与安排
第二章 图论、概率网络及DMN
2．1 图论与概率网络
2．1．1 图论的基本概念
2．1．2 概率网络的概念
2．1．3 概率分布的图表达及意义
2．2 可分解马尔科夫网络(DMN)的研究与应用现状
2．2．1 可分解马尔科夫网(DMN)的研究
2．2．2 可分解马尔科夫网(DMN)的应用现状
2．3 本章小结
第三章 图论与图像分割方法研究
3．1 图像分割中图论方法的应用
3．2 图像分割中图论方法的局限性
3．3 图像分割中图论方法的扩展途径
3．4 本章小结
第四章 DMN在图像分割中的扩展
4．1 什么是DMN
4．2 图像分割中DMN的再思考与再定义
4．3 DMN在图像分割中的扩展
4．4 本章小结
第五章 图像分割中DMN的建模方法
5．1 图像分割中的算法综述
5．1．1 边界分割算法简介
5．1．2 区域分割算法简介
5．1．3 结合特定理论工具的分割技术
5．2 图像分割中DMN的建模方法
5．3 本章小结
第六章 DMN在图像分割中的应用
6．1 DMN网络工作机制
6．1．1 单个节点的工作机制
6．1．2 网络整体的工作机制
6．2 于DMN的图像滤波、平滑、以及分割的算法思想
6．2．1 基本思想
6．2．2 像素特征定位
6．2．3 算法流程
6．3 DMN图像滤波、平滑、以及分割与其它方法的比较
6．3．1 基于DMN方法与其它平滑、滤波方法的比较
6．3．2 基于DMN图像分割与水线方法的比较
6．3．3 基于DMN图像分割与过渡区方法的比较
6．4 实验分析与结论
6．4．1 基于DMN的图像滤波实验与结论
6．4．2 基于DMN的图像平滑实验与结论
6．4．3 基于DMN的图像分割实验与结论
6．5 基于DMN的人造目标(Man-made Object)分割试验
6．6 本章小结
第七章 图像分割中DMN与MRF的比较
7．1 MRF及其图像分割方法概述
7．2 图像分割中MRF的原理与方法
7．2．1 图像分割中MRF的基本原理
7．2．2 图像分割中MRF的实施方法
7．3 图像分割中DMN与MRF方法的比较分析
7．4 本章小结
第八章 全文总结与展望
8．1 全文总结
8．2 展望
参考文献
攻读博士学位期间发表的论文
攻读博士学位期间参与的科研项目
后记
发布时间: 2006-03-27
参考文献
- [1].基于高分卫星数据多尺度图像分割方法的天山森林小班边界提取研究[D]. 黄万里.福建师范大学2015
- [2].遗传算法与粒子群优化算法的改进及应用研究[D]. 汤可宗.南京理工大学2011
- [3].大幅面可见光遥感图像典型目标识别关键技术研究[D]. 韩现伟.哈尔滨工业大学2013
- [4].无居民海岛及其人类活动特征遥感识别方法研究[D]. 刘志军.武汉大学2010
- [5].遗传算法及其在跟踪系统中的应用研究[D]. 侯格贤.西安电子科技大学1998
- [6].高分辨率遥感图像的层次化分析方法[D]. 周晖.国防科学技术大学2010
- [7].基于水下机器视觉的海参实时识别研究[D]. 乔曦.中国农业大学2017
- [8].基于机器视觉的特殊管道静态参数高精度测量技术研究[D]. 卢泉.西安电子科技大学2010
- [9].基于脉冲耦合神经网络的车辆图像分割研究[D]. 杨娜.北京交通大学2013
- [10].基于最优吸引子定理的优化问题难度研究及应用[D]. 李坤.南京航空航天大学2015
标签：图像分割论文; 平滑论文; 滤波论文; 图论论文; 概率网络论文; 马尔科夫网论文; 水线法论文; 过渡区论文; 缓冲区论文; 脉冲耦合神经网络论文; 交叉熵论文;