马尔科夫相关性质、马尔科夫随机场详解.pptVIP

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。 基于MRF的图像分割模型 势函数 选择 MLL （多级逻辑模型）为势函数的参考模型。 对于单点子团，函数依赖于已经分配的标签值： 对于成对点子团势，势函数为： J为像素点i邻域内的点， 为耦合系数，表示领域内相邻像素的惩罚程度。 根据上面的式子，我们可以求出P(X) 特征场模型建立 接下来是求P(Y|X),表示给定标记场 X=xi 一个实现的条件下，特征场 Y=yi 的联合分布 。 拟合原始的观测数据，尽可能的反映出每一个分类的特征信息 ，使分割结果保留更多的细节信息。假设则图像的观测数据可以视为多个高斯函数的加权来表现其特征。即P(Y|X)服从高斯分布，即： 其中，y表示该点的灰度值；m=1,2,…，n 表示观测区域的类别标记状态； 表示图像中标记为 k 类像素的个数占整幅图像的像素个数的比重。即0 1 f(Y|X=m)表示对应类别的高斯概率密度函数，即： 其中， 和分 别表示标记为m区域的均值和方差。 参数估计 根据每一个像素位置(标记分类)直接计算出该像素的每一个参数。 为图像中被标记为 m类像素的个数，N为整幅图像的像素个数，y 为像素的灰度值。 根据上面得到的P(X)和P(Y|X)的计算公式，采用最大后验估计来得到图像标号的分布，即求得最优分割结果 ，即完成图像的分割过程。 Markov 随机场分割算法 对图像进行预分割，将分割后的图像根据灰度直方图设定一个阈值T。 假设 W表示观测图像的标记场，根据阈值 T 对图像进行初始标记分类 。 w 是像素的标记。 计算当前状态 的每个像素的标记场能量函数：U1(w) ，其中k=n，n 为分割的次数。 假设F表示观测图像的特征场，求得似然函数 P(F|W)的参数集合即对每个分类求得均值 和方差 。 计算当前状态每个像素的特征场能量函数。 根据能量最小原则 更新标记场，估计新的分割结果。 整个算法处于递减过程，若 为常数，可以近似能量不再变化则此时为最终分割结果，否则返回3执行。 参考文献 任然，刘宏申.一种基于Markov随机场的图像分割方法[J].安徽工业大学学报自然科学版 刘杰，张艳宁.一种基于灰度分布马尔科夫模型的图像分割[J].西北工业大学计算机应用 * 马尔科夫与图像处理 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??? ...??