一种基于SVM后验概率的MRF分割方法.pdfVIP

第 12卷 　第 2期 遥 　感 　学 　报 Vol. 12,No. 2 2008年 3月 JOURNAL OF REMOTE SEN SIN G 　M ar. , 2008 　　文章编号 :(2008) 一种基于 SVM 后验概率的 M RF分割方法 1 2 1 王鹏伟 ,李 　滔 ,吴秀清 ( 1中国科学技术大学 电子工程与信息科学系 ,安徽 合肥 　230027; 2中国科学技术大学 自动化系 ,安徽 合肥 　230027) 摘 　要 :　提出了一种基于 SVM 后验概率的 MRF分割方法 ,将支持向量机的后验概率应用于 M arkov随机场方法中, 通过贝叶斯公式将对样本条件概率的估计转换为后验概率估计 ,再通过对 SVM 决策函数输出的映射来产生后验概 率 ,并将 SVM 估计的后验概率信息带入 MRF模型实现分割 ,从而完成了一种新的 M arkov 随机场模型的分割方法 。 实验结果表明,采用此方法分割纹理图像可以获得较好的分割结果 。 关键词 :　M arkov随机场 ;支持向量机 ;后验概率 ;纹理图像分割 中图法分类号 :　TP181　　　文献标识码 :　A 法 。该方法可以有效地解决这类问题 。在有监督的 ( 1　引　言 情况下 ,可以利用样本得到分布信息 采用非参数的 ) 学习方法 ,通过采用 SVM 输出样本后验概率的估 在大多数计算机视觉问题中,获得有效信息通常 计 ,利用 B ayes公式转换为条件概率 ,然后将其应用 有两个来源 :一是在图像的特定位置上观察得到的信 于 MRF 中,得到了较好的分割结果 。 息;二是关于图像单元邻域限制关系的先验信息。基 于 Bayesian理论的统计模型在图像分类处理中有执行 2　支持向量机的后验概率 ( ) 效率高和分类精确的特点,而 Markov 随机场 MRF 模 型理论考虑到图像类别模式的空间相关性 ,能够有效 支持向量机是在 V apn ik 等人发展的统计学习理 建立上下文相关模式类的先验概率模型 ,因此被广泛 论 [ 6 ]基础上产生的一类新的学习算法 。它通过对线 应用于图像分割、图像复原、纹理分析及目标识别中。 性可分训练集按类间最大间隔设计线性分类器的方 在 MRF方法中,一般是建立类别标记的先验概 法来控制假设函数集空间的能力 ,对非线性可分训练 率模型并估计每个类别样本的条件概率分布 ,然后利 集引入松弛变量以控制样本误分率构造线性分类器 , ( ) 利用该方法推广线性分类器为非线性分类器 。 用最大后验 m aximum a po steriori 准则得到最优的 类别标记估计 。在 MRF框架中,需要估计观测对于 在实际模式识别时 , 需要一种软判决