基于图模型的图像分割.pdfVIP

考试 周刊2011-ff--g67~ 基 -T- 图 模 型 的 图 像 分 割 张建光 (衡水学院 数学与计算机系，河北 衡水 053000) 摘 要 ：本 文通过 阐述 图模 型的理论 基础 ，介 绍 贝叶斯 察结点，下层表示隐藏结点，对于贝叶斯 网络和MRF来说，主 网络和MRF在 图像分割 中的应用，建立贝叶斯 网络和MRF，构 要 区别在下层结点的网络设计上 ，图3是本文所设计 的贝叶斯 建适合 图像分割的模型。 网络局部 图，图4是MRF的局部图，在 图中可 以比较直观地看 关键词 ：图模型 贝叶斯 网络 MRF 图像 分割 出有 向无环 图与无 向有环 图的区别 。 一 、 概 率图模型 概率 图模型…按照所使用 的是有 向图还是无 向图．相应 的概率图模型分别称为有向概率 图模型(贝叶斯 网络)和无 向概率图模型(MRF)。 假设无向图G。可描述成一个二元组V，E，~I1G=V，E， 其 中： 1．V中的元素为结点．本身是一个非空集合 ； 图3 图4 2．E中的元素为G中的边 ，元素可重复出现 ，为无序积。 二 、基于图模型的分割方法 在一个 图G=V，E中，常用V(G)表示G的顶点集 ，用E 假设观察结点和隐藏结点的数 目为(例如一幅图像 的像 (G)表示G的边集 。 素个数)．则隐藏层可 以表示成 一 个有向图D是一个二元组V，E，I~PD=V，E，其 中： x=(x1，X2…X)，XiEL，i=l…n (1) 1．V是同无 向图一样的顶点集 ； L为所分类别数，比如分3类，L=I1，2，3l。同样观察层可以 2．E是卡氏积 的多重子集 。其元素称为有 向边 ．也简称边 表示成 ： 或弧(Arcs)。 y=(y1，yfY)，Yi∈D，i=l…n (2) 概率图模型是 图论与概率论的完美结合。优美之处体现 这里的D表示的是像素值 ，比如灰度值0—255。隐藏结点和 在概率图模型从 图论角度给出概率分布非常直观、有效的表 观察结点之间的关系可以用证据函数表示 ： 示 ．而且很多概率 问题可 以通过 图论 的标准算法解答或简化 。 (xY)=p(yiIx) (3) 一 个概率 图模型表示关于一组给定随机变量的一个联合概率 相邻隐含结点之间可用相容函数表示 ： 分布函数。在概率 图模型中，每一个随机变量用一个结点表 p‘(x。，xj)=p(x；Ix{) (4) 示，结点之间的连线表示变量之间的概率约束关系。典型的图 现在的分割问题就可以看作对 图模型MAP的估计 ： 像分割图模型 ：有向无环图(贝叶斯网络)如图1，无向有环图 XMAP=argmaxp(xly) (5) (马尔可夫随机场)如 图2。 综上所述 ， p(xly)ocp(ylx)p(x)ocFi+(xY) P‘(xi，xj) (6)