论文部分内容阅读
图像分类是图像分析与理解中非常重要的研究内容。目前有多种方法可用来解决这一问题,其中,基于概率图模型的方法受到了越来越多的关注,它为解决图像信息领域的不确定问题提供了重要的途径。概率图模型中的条件随机场和马尔科夫随机场模型被广泛用于图像处理和模式识别等领域,它们在应用中主要有以下问题:图模型中参数估计和推导时间复杂度较高,图像分类结果易受参数估计、遮挡、复杂背景和噪声影响等。已知先验信息如形状以及边缘的引入显得极为必要,有助于指导目标的正确分类。论文研究了概率图模型中的条件随机场和马尔科夫随机场模型及其图像分类应用,并在此基础上提出了三种图像分类方法。论文的主要工作如下:1、针对图模型在参数估计和推导中时间复杂度较高的问题,提出一种基于超像素的条件随机场图像分类方法。该方法先采用均值漂移算法将图像过分割成匀质区域,构成为超像素,然后以其为节点建立图模型,给出了相应条件随机场的定义,实现了参数估计及推导。实验结果表明,基于超像素的条件随机场模型极大地缩短了运行时间,得到了较好的分类结果。2、针对仅使用底层图像特征如颜色、纹理等时,图像分类结果易受遮挡、复杂背景和噪声影响的问题,将形状先验信息引入马尔科夫随机场中,提出一种基于形状先验的马尔科夫随机场图像分类方法。该方法将图像分类问题转化为标号的最大后验概率估计问题,它等价于Gibbs能量函数的最小化,基于图像特征和形状先验定义能量函数,采用图割算法进行能量最小化,得到最终分类结果。同时,图像对齐过程能够有效地处理图像目标和形状模版间的仿射不同。实验结果表明,形状先验这种高层特征在图像分类中起到了不可替代的作用。3、提出了一种基于核主成份分析形状和边缘信息的图像分类方法。方法中给出了基于核主成份分析的形状表示,解决了形状配准问题,定义了边缘距离映射函数,将边缘和形状信息引入能量函数,给出完整的能量函数的定义,并采用图割算法进行能量最小化,得到最终分类标记。该方法以迭代的方式实现,形状先验项可以通过权值在迭代过程中自适应的调整。实验结果表明,基于核主成份分析的形状先验能够更好地反映出形状的变化,边缘信息也能够约束目标边界,同时考虑形状先验和待分类图像边缘,使该方法能够适应形状模版和目标形状间较大的变化,取得了较好的分类结果。