实验二MRF图像分割.docxVIP

一、实验目的 实验二 MRF 图像分割 通过 Markov 随机场（MRF）实现图像的分割。 二、算法概要 令L 和 D 是两个符号集： L ? ?1,2,..., L?, D ? ?1,2,..., D?。 S ? ?1,2,..., N?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L 和D ，这样对于?i ? S 有 X i ? L,Y i ? D 。 令 x 表示 X 的一组配置， X 是所有可能配置的集合，即 X ?=?x ? ?xx 1 ,... x ? x N i ? L, i ? S ?；同 样 ， 令 y 是 Y 的 一 组 配 置 ， Y 是 所 有 可 能 配 置 的 集 合 ， 同 样 得 到 Y ?=?y ? ?xy 1 ,... y ? y N i ? D, i ? S ?。用 X 表示图像类别标识，Y 表示图像灰度。 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，S 中的位置通过邻域系统相互关联，邻域系统定义为 N ? ?N i , i ? S?，这里 N 是 i 位置i 的邻域集， i ? N i 。如果满足 ?? p ?x?? 0, ?x ? X ? ? ? ? ? （2-1） ? p x x ?? ? p x x ? i S ? i i Ni 则随机场 X 是 S 上关于邻域系统 N 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 p ?x?? Z?1 e x p?? Ux( ? ) （2-2） 这里 Z 是归一化常数；U (x) 为能量函数， U (x) ? ?? ? V c?C c ?x?为所有可能基团C 的基团势 能V ?x?之和，一个基团C 被定义为S 中位置的子集，V c c MRF-MAP 估计 ?x?的值依赖于基团C 的局部配置。 令 x? 是图像真实标号的估计，由最大后验概率（MAP）准则有 x? ? arg max?P ?y x?P ?x?? x?X  （2-3） 由式（2-3）可知，要得到x? ，需要首先计算类别的先验概率和观测量的似然概率。 类别先验概率 由于x 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 ? ? exp??u(x )? p x ? ? exp?? i ? （2-4） i xi?L u(x ) i 由Potts模型有：V (x ) ? ? (x , x ) ?1 j ? N ，则 ic i i j i u(x ) ? ?? i i ?V ?x ?? ?? ? c i i [? (x , x i j ) ?1] （2-5） 其中， ? (x , x  ) ? ??1 x ? x 。 c?C j?Ni ? i j ?i j ?0 x ? x ? i j 观测量似然概率 在给定类别标号 x ? ? 时，通常认为像素强度值 y 服从参数为? ? ?? ,? ?高斯分布， i ? ? i i ? ? P( y | x ) ? 1 2?? 2 ?exp(?( y ? ? )2 2? 2 ) （2-6） i i ? i ? ? 基于最大后验概率(MAP)准则的图像分割，就是求标记集 X ，使得关于 X 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 ? ? ? ?? x ? arg max f y x ? f x x ??, i ? S （2-7） i x ??1,2,..., C? i i i i N i 三、变量说明 像素点i 的类别标号； i 像素点i 的像素值； i L 最大类别数； D 像素最大取值（灰度图像为 255）； ? 第l 类区域的均值； ? ? 第l 类区域的标准方差； ? ? 平滑参数（取值通常在0.8 1.4 ）； N 像素点i 的邻域。 i 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? i ? ?? ? ,? ?，? ? ? 和? 分别是当前第l 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]