摘要基于空间约束的高斯混合模型广泛应用于图像分割。然而，大多数方法经存在很多挑战，例如对于异常值或噪声的鲁棒性、图像的过度平滑、对于不同的观测数据缺乏灵活的适应性。为了解决以上问题，本文实现了一种基于空间约束的非对称高斯混合模型的图像分割技术。利用非对称分布适应不同的观察数据，基于先验概率与后验概率共同构造针对类内、类间的空间约束；在KL 距离的基础上，分别引入类内、类间对应的先验概率与后验概率的辅助变量，并利用 EM 算法求解模型。在合成图像和真实图像上的实验结果表明了本文算法的优越性。 28439
毕业论文关键词 图像分割，非对称的高斯混合模型，EM算法，马尔克夫随机场，空间约束。
Title A SPATIALLY CONSTRAINED ASYMMETRIC GAUSSIAN MIXTURE MODEL FOR IMAGE SEGMENTATION
Abstract Gaussian mixture models with spatial constraint play an important role in image segmentation. Nevertheless, most methods suffer from one or more challenges such as limited robustness to outliers, over-smoothness for segmentations,and lack of flexibility to fit different shapes of observed data.To address above issues, this paper proposes a spatially constrained asymmetric Gaussian mixture model for image segmentation. The asymmetric distribution is utilized to fit different shapes of observed data. Then this asymmetric model can be constructed based on the posterior and prior probabilities of within-cluster and between-cluster. Moreover, introducing two pseudo likelihood quantities which respectively couple neighboring priors of within-cluster and between-cluster based on the KL pergence. Finally, EM algorithm evaluation model to complete the final step. Experimental results on synthetic and real images demonstrate the superior performance of the proposed algorithm comparing with state-of-the-art segmentation approaches.
Keywords Image segmentation, asymmetric Gaussian mixture model, EM algorithm, Markov random fields,spatial constraint
目次
1 引言 . 1
1.1 课题研究背景 . 1
1.2 图像分割 . 1
1.2.1 图像分割的分类 . 1
1.2.2 图像分割的常用方法 . 2
1.3 本文的思路 . 3
2 有限混合模型 . 5
3 实现的算法 . 8
3.1 模型近似 . 9
3.2 参数估计 10
4 实验结果 15
4.1 图像分割的评价标准 15
4.2 实验结果 16
4.2.1 合成图像 16
4.2.2 大脑MR 图像 . 18
4.2.2 彩色图像 21
结 论 . 23
致 谢 . 24
参考文献 25
1 引言 图像是人类获取和交换信息的主要来源。 在数字图像处理的研究及应用中,图像的每一部分并不都是有用的， 对一幅图像中感兴趣的往往只是某一部分或者某些部分,即具有特殊性质的特定区域,称之为目标或前景,剩下的即称之为图像的背景。为了识别和分析这些有用的部分,需要把目标从一幅图像中隔离出来,这就是图像分割要研究的问题。 1.1 课题研究背景 数字图像处理是一个非常复杂的跨学科领域，大约形成于 20 世纪 60 年代初期。随着计算机科学技术的发展，关于图像的研究已经逐渐形成了独立的科学体系，虽然它的历史不长但新的处理方法不断出现并引起各方人士的广泛关注。图像分割占据着图像工程中十分重要的位置，是图像处理过度到图像分析的关键步骤。同时也是一道经典难题，没有一个通用的算法解决，也没有通用的判断算法质量的标准。在对图像进行初步的处理操作后，比如去噪，滤波等，并在对图像进行分析之前，图像分割是进行操作的最关键步骤之一。图像分割广泛地应用于各个领域。在工业生产中，利用图像分割技术把生产产品分割出来，利用产品性质等特性来判断产品是否有异常状态以及对产品进行自动分类等操作；在视频应用中，视频监控系统需要对运动的图像进行分割，得到有意义的目标图像；视频压缩编码中，分割标识移动场景中的目标提高视频的压缩率；在医学领域，对器官组织进行正确的分割，方便医生对组织器官的病理和功能进行有效的判断分析，同时可以对器官进行测量等操作；智能交通系统中，包含了车牌识别功能，该功能的第一步就是要将车牌上的字母，汉字和数字等字符正确的分割出来，然后再进行识别操作；甚至在热门的电商领域，图像处理技术也得到了广泛的应用，例如对交易双方的身份认证，交易产品进行有效防伪及数字水印技术等。随着互联网的飞速发展，网络带宽的急剧增加，成像设备成本的下降，产生的图像数量迅猛增多，基于图像处理的产品与我们的日常生活也越来越紧密相关。图像分割作为图像处理中的一项关键技术，对它的研究是十分重要而且具有非常大的潜在经济效益的。 1.2 图像分割 图像分割就是把图像分成若干个特定的、具有独特性质的区域，保证区域内的最大相似性和区域间的最大差异性，并提出感兴趣目标的技术和过程。 1.2.1 图像分割的分类 图像分割可应用在各个领域，各个方面，因此分类也是多种多样。依据的准则不同,得到的图像分割的分类不同。由分割对象的属性可分为彩色图像和灰度图像的分割；由应用目的可分为细分割和粗分割；由分割对象的状态可分为动态和静态的图像分割；由分割对象的应用领域可分为工业、军事、交通、医学、安全等领域的图像分割；由运用知识的特点和层次可分为模型驱动和数字驱动图像分割；由被分割图像的文数可分为二文、三文和四文的图像分割。总体来说，图像分割可粗略分为基于直方图的分割技术和基于邻域的分割技术[1][2][3][4]。 基于空间约束的非对称高斯混合模型图像分割技术:http://www.youerw.com/jisuanji/lunwen_23285.html