结合神经网络和MRF的彩色纹理图像分割方法.pdfVIP

学兔兔 务l生 訇 化 结合神经网络和MRF的彩色纹理图像分割方法 Colortextureimagesegmentationmethod combinedneuraInetworkw ithMRFmodeI 葛文英’，李鹏伟 ，刘国英’ GEWen．ying。．LIPeng—wei。LIUGUO-ying。 (1．安阳师范学院 计算机与信息工程学院，安阳455002；2．安阳师范学院 公共计算机教学部，安阳455002) 摘 要：在Bayesian框架下利用MRF模型进行纹理分割时，简单的纹理特征概率模型 (比如高斯模 型)难以准确描述其分布特性而复杂的概率模型设计又非常困难，这极大地影响了分割的精 度。针对这一问题 ，设计了一种能充分利用神经网络建模图像特征场的方法。基于该特征 场建模方法，提出了一个监督方式的彩色纹理图像的分割算法。该算法在贝叶斯框架下进 行，分别采用神经网络和Potts模型描述特征场和标记场的概率分布，并基于极大后验概率 (MAP)准则获取分割结果。多幅彩色纹理图像的分割实验表明，该分割算法对彩色纹理图 像比传统的IOM算法具有更好的分割性能。 关键词：神经网络；马尔科夫随机场；图像分割；贝叶斯框架 中图分类号：TP393 文献标识码：B 文章编号：1009-0134(2012)06(下)-0067—05 Doi：10．3969／J．issn．1009-0134．2012．6(下)．23 0 引言 函数，定义了一种间断 白适应高斯马尔可夫随机 场模型，实现图像的无监督分割。 近年来，彩色 图像分割正在受到更多研究者 的关注。在众多的彩色图像分割方法中，马尔科夫 上述建模方法 中特征场局部条件概率都是根 随机场 (Markovr~domfiled，MRF)方法是一种 据大数定律近似用高斯分布进行计算。但在实际 统计分割方法 ，也是当前研究的热点。该方法基于 图像 中，很多情况下并不能适用大数定律，或者 贝叶斯估计理论 ，在得到描述标记场的先验分布和 近似的高斯分布不能描述 图像的真实特征。人工 以标记场为条件的特征场分布后，依各种图像分割 神经网络的 自学习特性使其可以通过大量样本学 最优准则获取标记场后验概率，从而得到图像的分 习逼近非线性函数，这也使得人工神经网络被引 割。在MRF分割方法中，以标记场为条件的特征 入到图像处理中 ’。文献 [7]首先将图像分成不 重叠的小块，利用MRF方法做 出初始分割，将第 场条件概率分布主要作用是尽可能准确地反映每一 个像素位置的特征信息…，因此，能否获取逼近像 一 步的得到的结果作为初始输入 ，利用神经网络 素真实分布的模型对图像分割结果的优劣尤为重 获取更为精确的细分割结果。但该方法 中，作为 要。本文着重研究利用神经网络 良好的非线性逼近 神经网络输入的初始分割，其特征场条件概率依 特性对特征场建模，得到了较好的分割结果。 然采用近似的高斯分布，难 以描述真实特征，从 最常用 的特征场模型是Gauss—Markov模型 圳 而影响最终的结果。 和高斯混合模型 曲。文献 [4]采用多个不同的高