MRF图像分割(增删)分析.ppt

基于MRF的图像分割模型 我们把图像的的分割问题转化为图像的标记问题。 标记场是用来对待测对象的像素进行跟踪标记，特征场是拟合原始的观测数据，尽可能准确的反映每一个像素位置的特征信息，使图像分割的结果中能够保留更多的细节信息。 根据贝叶斯估计准则和最大后验概率准则，将后验概率转换为先验概率与似然函数的乘积，似然函数同城是一个高斯分布，而先验概率通过MRF转换为Gibbs分布得到，最后更新标号场使得成绩最大，得到最佳分割。 马尔科夫与图像处理 基于马尔代夫随机场的土象分割 马尔科夫 马尔科夫随机过程就是，下一个时间点的状态只与当前的状态有关系，而与以前的状态没有关系，即未来的状态决定于现在而不决定于过去。 其未来由现在决定的程度，使得我们关于过去的知识丝毫不影响这种决定性。这种在已知 “现在”的条件下，“未来”与“过去”彼此独立的特性就被称为马尔科夫性，具有这种性质的随机过程就叫做马尔科夫过程 马尔科夫过程 例如：假定天气是马尔科夫的，其意思就是我们假设今天的天气仅仅与昨天的天气存在概率上的关联，而与前天及前天以前的天气没有关系。其它如传染病和谣言的传播规律，都是马尔科夫的。 荷花池里有N张荷叶，在时刻Tn时，Xn为时刻Tn青蛙所处的状态。 P(Xn+1=j/Xn=i)=Pi,j? ,? 其中，i,j=1,2,…N. 表示在Tn时刻青蛙在第i张荷叶上。在下一个时刻Tn+1跳到第j张荷叶上的可能性，又称为从状态i经一步转移到j的概率，简称为一步转移概率。 将这些 Pi,j依序排列起来，就构成一个矩阵，叫做转移概率矩阵。 ????????????????? P11??? P12??? ...?? P1n ?P?????=???[?? ?? P21??? P22??? ...?? P2n? ] ???????????????????????????? ?... ??????????????? Pn1??? Pn2??? ...?? Pnn 马尔科夫预测 例如：A,B,C三个厂生产的电脑上公司在某地区市场上的占有率分别为0.3， 0.2? ，0.5。根据市场调查得知、顾客的流动情况如下：??? ?? A?????????????????? B????????????????????? C???????????????????????????????????????? A????????? 0.4??????????????? 0.3??????????????????? 0.3 B????????? 0.6??????????????? 0.3????????????????????0.1 C????????? 0.6??????????????? 0.1??????????????????? 0.3 市场的初始状态为S(0)=(0.3,0.2,0.5) 转移概率P为 ????????????????????????? 0.4????0.3??? 0.3 ????????P?????=???[???? 0.6????0.3????0.1?? ?] ?????????????????????????? 0.6????0.1??? 0.3????? ???? S(1)=S(0)*P=(0.54,? 0.20,?? 0.26),这个月A,B,C电脑的市场占有率为54%,20%,26% S(2)=S(1)*p=S(0)*P^2=(0.492,? 0.248,? 0.26),下个月A,B,C电脑的市场占有率为49.2%，24.8%，26% 例如：我在不同天气状态下去做一些事情的概率不同，（观察状态）天气状态集合为{下雨，阴天，晴天}，（隐藏状态）事情集合为{宅着，自习，游玩}。假如我们已经有了转移概率和输出概率，即P(天气A|天气B)和P(事情a|天气A)的概率都已知道，那么我们可以解决： 假如一周内的天气变化是 下雨-晴天-阴天-下雨-阴天-晴天-阴天，那么我这一周 自习-宅着-游玩-自习-游玩-宅着-自习的概率。 假如一周内的天气变化是 下雨-晴天-阴天-下雨-阴天-晴天-阴天，那我们这一周最有可能的做事序列。 这些可以通过隐马尔科夫模型得到结果。 马尔科夫随机场 马尔科夫随机场包含两层意思 马尔科夫性质 随机场 随机场 当给每一个位置中按照某种分布随机赋予相空间的一个值之后，其全体就叫做随机场。其中有两个概念：位置（site），相空间（phase space）。我们可以拿种地来打个比方。“位置”好比是一亩亩农田；“相空间”好比是要种的各种庄稼。我们可以给不同的地种上不同的庄稼，这就好比给随机场的每个“位置”，赋予相空间里不同的值。所以，随机场就好比是在哪块地里种什么庄稼的事情。