可视媒体数据分割技术探究.docVIP

可视媒体数据分割技术探究 　　[摘 要]人的视觉是一个复杂的系统，人类有80%的外界信息来自视觉，所以随着科学技术发展，可视媒体开始出现并得到广泛的应用。但由于可视媒体的规模越来越大，在带宽、计算效率的限制下，数据分割技术越来越受到关注。基于此，本文以图像分割技术为研究对象，展开论述，分析了图像分割技术的基本方法，并探讨了关键实现技术，仅供参考 [关键词]图像；数据；分割；可视媒体；方法；技术 doi：10.3969/j.issn.1673 - 0194.2016.22.084 [中图分类号]TP391.41 [文献标识码]A [文章编号]1673-0194（2016）22-0-02 1 图像分割概述 图像分割就是将一张图分割成相似但不相交区域的过程，在可视媒体的应用当中，高质量的图像分割是后续更高水平操作如语义解释、识别等的前提 在计算机视觉和图像处理领域分割是非常重要的操作，它代表着处理图像底层的第一步。以数字图书馆来说，大量图像视频的收藏需要按照图像视频的内容构建目录、排序及存储，实现最有效率地浏览和检索可视媒体数据。在图像视频的底层属性当中颜色和纹理是最重要的两个，所以为实现上述目的可基于颜色和纹理进行分割构建目录和索引。另一个典型的例子是使用互联网传输信息，互联网上大规模的多媒体数据流需要传输，数据压缩成为有限使用带宽来完成的关键，当前使用的编码方法就是通过模仿人类视觉来减少由于压缩所带来的缺陷，也就是将场景在视觉上细分为有意义的区域去寻找语义表示，这显然涉及了图像分割 颜色表示法在彩色图像处理当中最为常用，比如：常见的RGB空间，其色彩由红蓝绿成分以及透明度表示，例如用Photoshop打开一张图片，在上锁状态下显示的是RGB通道，解锁后有四个通道即红蓝绿通道以及Alpha通道。这是基于直角笛卡尔空间的，这与人类视觉系统当中3个不同种类感光圆锥细胞（三波段滤过器）获得彩色图像三色理论一致。可惜的是RGB空间并不能够完全实现颜色感知的高层次处理 2 图像分割的基本方法 2.1 EM算法 期望最大化算法（Expectation-Maximization，EM）在解决数据残缺问题方面十分出色。事实上，数据集当中通常会少一些变量或是观察不到的隐含变量的模型均可归属于数据残缺，这类问题中观察不到变量，对于所有可观察对象均是未知的。EM算法是一种在残缺数据中计算极大似然估计的迭代统计技术，其基础是模型聚类方法当中的统计方法。也就是将某个数学模型和给定的数据进行最佳拟合。以高斯混合模型对图像颜色分布建模为例，假设混合分布产生一系列的观察值，该分布有多个同方差高斯分布组成，若取其中一个独立同方差高斯分布，并由此产生一个样本获取数据点，设定多个这样的数据点为指定的数据集，在多?S空间中找到数据集对应的点，作为一定分布样本值。那么该分布就能够由多个高斯密度函数的加权平均值所表示的概率密度函数来描述。多个高斯密度函数的有限集合也就是高斯混合模型 EM算法作为迭代算法，每次迭代均由求期望和极大化两个步骤组成，前者用于计算对数似然函数的期望，后者用于选择期望最大参数，然后代入前者再次计算期望，如此循环往复，直到获得最优解 2.2 马尔可夫随机场 马尔可夫随机场理论（Markov Random Field，MRF）的应用已经十分广泛，它通过直接方便的方法用概率描述图像像素的空间相关特性。数据统计当中马尔可夫过程保持离散的时间和状态，这个过程称为马尔可夫链，条件概率决定这个过程的统计特性。它很好地描述了平面网格结构中图像像素间的空间相关性。因此在二维平面上，可以将图像看作二维随机场，必须考虑空间相关性 根据上述分析，条件分布可以用来描述马尔可夫随机场，其中条件分布表示随机场的局部特性，不过这样一来通过局部特性定义整个随机场很困难，所以Besag将Gibbs与马尔可夫随机场联系起来，提出了关于方形网格的数据统计模型，获得了实际应用方法 在实际的运用当中，马尔可夫随机场常与估计理论和同级决策结合，按最优原则确定目标函数，比较常用的是MAP（最大后验概率）。二者结合形成MAP-MRF体系。若观测图像和原始图像同属于二维平面上的随机场，进行图像分割，原始图像成为标记场，通常情况下，观测图像会受到关照条件、系统原因或是随机噪音的影响出现图像失真现象。所以，要直接由观测图像得到原始图像几乎不可能，只能给出一个估计，此时利用MAP计算最大值。事实上MAP估计是一个优化问题 2.3 ICM算法 寻求条件概率最大数的迭代方法（Iterated Conditional Modes，ICM）算法中，Modes为众数，ICM是确定松弛的方法，其目标在于减少随机退火的计算负担，速度快，但