马尔科夫网络在图像处理及空间建模中的应用.docVIP

马尔科夫网络在图像处理及空间建模中的应用 　　【摘 要】本文综述最近5年的SCI源期刊中关于马尔科夫网络的文献，分析马尔科夫网络的应用领域，文中对马尔科夫网络在图像处理及空间建模方面应用进行了综述论述。 　　【关键词】马尔科夫网络 图像处理 空间建模 应用 　　一、引言 　　马尔科夫网络（ Markov Network， MN ）是目前不确定知识表达和推理等领域的有效模型之一，它应用于人工智能、分子动力学、物理学、生物学等诸多领域，并取得了一定的研究成果，具有很广阔的应用前景。 　　马尔科夫网络模型源于统计力学领域著名的易辛模型。易辛模型是最早的从微观的交互作用的角度来讨论物质相变的模型。马尔科夫网络定义了具有马尔科夫性质的n维随机变量的联合概率分布。马尔科夫性质是指某个事物的下一个状态只由现在的状态决定，而跟事物过去的状态无关，也就是无后效性。马尔科夫网络与贝叶斯网络相似，都是用于表达依赖关系。与贝叶斯网络相比，马尔科夫网络可以表达循环依赖等关系，而贝叶斯网络则不能；但贝叶斯网络可以表示推导关系等，马尔科夫网络则不能。 　　二、基本概念 　　（一）基团的势函数 　　基团的势函数是马尔科夫网络中的一个基本概念。其中，基团是指在无向图G中彼此有连接关系的点的集合，特别地，无向图G中的单独的点也属于一种基团。势函数是指对应于某一类基团的非负实值函数。基团与势函数是一一对应的，势函数反映了基团中变量取值的相容性。 　　（二）马尔科夫随机场 　　定义：设X=是定义域S上的随机变量族，每个随机变量=，其中，R是一个实数集合，则随机变量族X成为随机场。 　　1.3 马尔科夫网络 　　定义：马尔科夫网络是在无向图G上给定势函数集合，记为G=。马尔科夫网络定义概率： 　　其中，V=是n维变量，v=表示变量V所取状态值；Z是标准化系数，用来保证=1；是关于基团c的势函数，一般是指数形式函数。因此，概率公式可以写成： 　　其中，w是基团势函数的权重系数，f是基团势函数向量形式的特征函数。 　　三、马尔科夫网络在图像处理及空间建模的应用 　　马尔科夫网络从提出至今，已经应用于诸多领域，是一门比较成熟的随机变量全联合概率分布模型。 　　在图像处理及空间建模方面。2009年，Detry等提出了一个对概率空间关系进行编码的目标表示框架，这个概率空间关系是关于三维特征和用等级结构组织这些三维特征两者之间的[1]。在等级最低层次的特征是局部的三维描述符，更高层次的特征对更基本特征的概率空间构型进行递归编码。该等级结构是用马尔科夫网络实现的，检测是通过信任度传播（BP）算法来实现。该框架可以在未知的场景下估计既定目标的位姿。通过输入噪音，角度变化和遮挡的实验证明了框架等级结构的健壮性。2011年，Huang. Y C等提出普遍适用的基于组件的人脸定位可变模型。该模型可以为形状组件建立独立高斯模型来保存更多局部形状变形的细节。同时，马尔科夫网络为模型的搜索策略提供了简单的几何约束。Huang. Y. C.等提出的模型不仅可以针对被夸大渲染和轻度的阴影变化的图像，也可以针对遮挡和重度阴影的图像产生精确的形状对准结果。2012年，Song. M L等提出基于马尔科夫网络的全局能量最小框架。该框架首先从照片――素描对的训练集提取一对字典，从而建立了素描中的斑点与照片的关系。然后，通过学习训练出的一对字典，可以合成一系列重叠的照片斑点。通过实验结果可以验证，该框架可以有效地用于实际人脸照片的合成。2012年，Hsieh. K Y等提出，马尔科夫随机场模型为从不同角度摄取的两个图像来推理对应场景的三维几何结构的立体视觉问题提供了健壮的形式化方法。Hsieh. K Y等测试了用多核处理器的立体视觉BP算法的并行性。Hsieh. K Y等的论文表明算法的并行性可以有效地在多核处理器上利用。实验结果显示，对比单核处理器，多核处理器的并行化可以为BP算法提供15倍的加速。超分辨率的光谱分离是近年来新发展的一种混合光谱分离方法。2012年，Li. X等提出基于案例的SR重构模型，该模型使用了马尔科夫网络作为重构的一种方法。Li. X等研究了训练数据库的数量对超分辨率的光谱分离的影响程度，从而使训练数据库设计的更加合理。 　　四、马尔科夫网络的发展展望 　　马尔科夫网络的发展十分迅速，它的应用领域还在不断地扩大。如今马尔科夫网络的研究都是与其他模型或者算法相结合，取长补短，从而发挥最优的性能，比如关系马尔科夫网络和马尔科夫逻辑网络，同时，这也是马尔科夫网络发展的趋势。 　　参考文献： 　　[1] Detry R， Pugeault N， Piater J H. A Probabilistic Framework for 3D Visu