实验二MRF图像分割.docVIP

实验二 MRF图像分割 一、实验目的 通过Markov随机场（MRF）实现图像的分割。 二、算法概要 令和是两个符号集：。是下标集合，令X和Y是两个随机场，它们的状态空间分别是和，这样对于有。令表示的一组配置，是所有可能配置的集合，即；同样，令是的一组配置，是所有可能配置的集合，同样得到。用X表示图像类别标识，Y表示图像灰度。 1. MRF理论 MRF理论提供了建模上下文依赖实体的一种方式，实体包括图像像素和相关特征等。在MRF中，中的位置通过邻域系统相互关联，邻域系统定义为，这里是位置的邻域集，。如果满足 （2-1） 则随机场是上关于邻域系统的一个马尔可夫随机场（MRF）。由Hammersley-Clifford定理，MRF能够等价描述为Gibbs分布，则有 （2-2） 这里是归一化常数；为能量函数， 为所有可能基团的基团势能之和，一个基团被定义为中位置的子集，的值依赖于基团的局部配置。 2. MRF-MAP估计 令是图像真实标号的估计，由最大后验概率（MAP）准则有 （2-3） 由式（2-3）可知，要得到，需要首先计算类别的先验概率和观测量的似然概率。 （1）类别先验概率 由于被认为是MRF的一个实现，则它的先验概率表示为式（2-2）。又由准似然估计，式（2-2）可以近似表示为 （2-4） 由Potts模型有：，则 （2-5） 其中，。 （2）观测量似然概率 在给定类别标号时，通常认为像素强度值服从参数为高斯分布， （2-6） 基于最大后验概率(MAP)准则的图像分割，就是求标记集，使得关于的后验概率分布最大。考虑计算效率问题，采用条件迭代模式（ICM）方法。ICM算法是一个迭代算法，通过逐元的最大化条件概率实现像元值更新，即： （2-7） 三、变量说明 像素点的类别标号； 像素点的像素值； 最大类别数； 像素最大取值（灰度图像为255）； 第类区域的均值； 第类区域的标准方差； 平滑参数（取值通常在）； 像素点的邻域。 四、算法步骤 Step1：给定图像初始分割（通过阈值法或聚类方法）； Step2：由当前分割更新，和分别是当前第类区域的均值和标准方差； Step3：由当前图像参数和上次迭代的分割结果，并根据式（2-7）计算每一点最大可能的类别； Step4：判断是否收敛或达到了最高迭代次数，如果满足则退出；否则返回Step2，进行下一次迭代。 五、程序使用说明 例程给出了图像分割为3类的MRF算法，请同学们完成function [StruInfo]=ChangFenbu(maxX,maxY,IX,IM)子函数的编写。 六、实验程序 %主程序 tmp=imread(ffff.jpg); %调入原图像ffff.jpg tmp=tmp(:,:,1); IM=double(tmp); figure(1); imshow(uint8(IM)); [maxX,maxY]=size(IM); init=0; yyy=0; times=20; %对原图像进行初始分割 [y1,y2,y3,IX,maxX,maxY,IM]=initial(IM); while(1) timesTmp=times; yyy=yyy+1; yyy %同类别像素点以向量表示 [y1,y2,y3]=FenxiGeleiZhifang(IX,IM,maxX,maxY); %由邻域得到先验概率 [StruInfo]=ChangFenbu(maxX,maxY,IX,IM); %求高斯分布概率 [gauss]=QiuJunzhiFangcha(y1,y2,y3,IM,maxX,maxY); %分类结果装入IX [IX,times]=BianXiangsuLeibie2(maxX,maxY,StruInfo,gauss,IX,times); if yyy==15 break; end end l=0; %通过硬c-均值聚类进行图像初始分割 function [y1,y2,y3,IX,maxX,maxY,IM]=initial(IM) IM=uint8(IM); IM=IM(:,:,1); figure(1); imshow(IM); IM=double(IM); [maxX,maxY]=size(IM); v1=0; v2=85; v3=170; v11=1; v22=1