图像分析与识别课件8讲解材料.ppt

概率松弛法的收敛性在数学上经常是无法保证的。尽管如此，松弛法仍然是非常有用的。 松弛算法可以自然地并行实现，因为可以同时对所有物体更新标记。 算法：概率松弛法 定义图像中所有物体Ri的解释（即标记）的条件概率。 重复步骤3和4，一直到得到图像的最佳解释（目标函数F取值最大）。 计算目标函数F的值，它可以度量场景标注的效果好坏。 更新物体解释（标记）的概率值，使得目标函数F的值增加。 松弛算法是高层次视觉理解处理的基石之一。 松弛算法仍然在发展中。 这些算法在执行过程中存在的问题之一是：在开始的迭代中，标注改进很快，但随后开始退化且可能会非常严重。 原因是在整幅图像上寻找全局最优解可能会导致局部标注的效果非常差。 一种可能的处理是允许使用空间约束以避免标注退化，该处理是基于随着迭代次数的增加而减小邻域的影响。 三、搜索解释树 注意松弛法并不是解决离散标注问题的唯一方法，也可以使用搜索解释树的经典方法。 树的层数与场景中物体的数目一致，节点分配了所有可能的标记，使用基于回溯的深度优先的搜索策略。 从为第一个物体（树的根）分配标记开始，为第二个物体节点分配相容的标记，再为第三个物体分配，等等，依此类推。 如果不能分配相容的标记，回溯的机制将会改变较高层的一个最近节点的标记。所有标记变化是按系统化的方式进行的。 解释树的搜索测试所有可能的标记，所以通常情况下计算是低效率的。 第六节 语义图像分割和理解 如果考虑一幅核磁共振脑部图像，四个特征PD，T2，PD—T2，PD×T2可以用于构造向量。 如果分类器采用监督式学习的方法，那么需要先验知识得到训练集。 训练集图像结构 分类器的学习是基于训练集的。 在图像理解阶段，从图像像素值中得到的特征向量作为分类器的输入，该分类器将会为图像的每个像素分配一个标记。 可以通过给像素做标记（1abel）的方式实现图像理解。 标记核磁共振的脑部图像 为核磁共振的脑部图像像素分配标记。 监督式学习得到的分类器标记区域的结果 这样图像理解处理将图像分割成不同的区域，每个区域都有各自的标记。 在这个例子中，检测出了脑白质、脑灰质和脑脊髓液区域，并分别进行了标记。 在监督式学习分类的方法中，训练集的构建使得人工的交互操作是必要的。 二、非监督学习 如果使用非监督式学习的分类方法，就可以避免训练集的构建了。 结果是像素和像素簇的标记与各类之间没有一一对应的关系。 这表明图像已经被分割，但是并没有适合用于图像理解的标记。 幸运的是，先验信息经常可以用于为像素簇分配合适的标记，而不需要人的手工干预。 在核磁共振的脑部图像的例子中，通常我们知道，在T2-加权的图像中，脑脊髓液可以形成颜色较浅的一簇像素，而脑灰质对应的像素簇颜色较深。 根据这个信息，可以为像素簇分配合适的标记。 下图显示了特征空间中像素簇的信息以及采用非监督式学习的分类标记的结果。 监督式和非监督式的方法给出了几乎相同的结果。 标记核磁共振的脑部图像 特征空间的聚类形态，(PD, T2)平面 特征空间的聚类形态，(PD, PD×T2)平面 非监督式学习分类器标记的结果 上下文图像分类 如果频谱特性足以决定良好的分类，那么上面介绍的方法对于没有噪声干扰的图像效果很好。 如果类中的像素性质显示出有噪声，那么图像分割的结果将会由于错分类，形成很多小的区域（经常只有一个像素大小），它们有时会被错分类。 有几种标准的方法可以用于避免错分类的发生，它们在基于分类的区域标记中是非常普遍的。 所有这些方法都在某种程度上使用了基于上下文的信息。 第一种方法在标记后的图像中使用后处理滤波器。 小的或是单个像素的区域通过根据局部邻域信息分配给它们最有可能的标号这样的处理而消失了。 如果小区域是由于噪声引起的，这种方法很有效。 但不幸的是，小区域可能是原始多谱图像中拥有不同属性的真实区域。 在这种情况下，滤波器将会恶化标记后的结果。 后处理滤波器在遥感应用中被广泛使用。 布拉格的遥感图像数据非监督式学习分类器，使用了后处理滤波器。 白色区域—没有植被 绿色区域—植被类型 红色区域—城市 一个略有不同的后处理分类的改进。在给定的邻域中为每个像素建立新的特征向量并实现像素分类，根据这个结果标记像素，第二个阶段的分类器依据新的特征向量为像素分配最终的标记。在第二个阶段分类器学习的标记处理中结合了上下文信息。 上下文也可以在较早的处理阶段使用，把像素合并成同种类型的区域，并分类这些区域。 另一种上下义预处理的方法是基于从像素邻域获得的像素特征描述的。平均值、方差、纹理描述等都可能被加入到原始频谱数据中。 另外一个选择是在同一个分类处理阶段结合使用频谱信息和空间信息。 标记的分配不仅仅是根据特定像素的多谱灰度性质，而且还要考虑到像素邻域中的上下文。