论文部分内容阅读
图像分割为理解图像提供了基础,比如,目标识别、图像检索等等。但是,图像分割仍然是一个棘手的问题,一种理想的图像分割框架是,它能用一种概率方法将不同的信息和约束结合到一起。本文采用基于概率图模型(Probabilistic Graphical Model,PGM)的方法来对图像进行分割。具体研究内容如下:(1)采用基于超像素的马尔科夫随机场模型(Markov Random Field,MRF)来进行图像分割。首先用SLIC(Simple Linear Iterative Clustering)过分割算法对图像进行过分割,提取出超像素区域,然后根据图像的超像素区域和图像的观测值来构建马尔科夫随机场模型,最后用最大后验概率推理方法来获得区域结点的最佳值。(2)采用基于过分割的贝叶斯网模型(Bayesian Network,BN)来进行图像分割。首先根据超像素区域提取出边界,其次用Moravec角点检测算法来检测交叉点,然后根据边界提取出边界夹角,接下来根据超像素区域、边界、交叉点、边界夹角来构建贝叶斯网模型,最后用最大后验概率推理方法来获得边界结点的最佳值。(3)通过图像中区域结点和边界结点之间的因果关系,将基于超像素的马尔科夫随机场模型和基于过分割的贝叶斯网模型结合起来,构成混合概率图模型。(4)将混合概率图模型通过因子图理论转化为因子图来表示,并通过最大积变量消除方法得到图像中随机变量的最优值,从而来进行图像分割。马尔科夫随机场模型只能获取随机变量之间的空间相关性,贝叶斯模型只能获取随机变量间的因果依赖关系。而采用混合概率图模型既可以获取图像变量间的空间相关性,又可以获取变量间存在的因果关系。实验表明,这种混合概率图模型可以提高图像分割的精准率。