基于馬爾科夫鏈蒙特卡羅方法的道路圖像分割.pdf

1、道路圖像分割的問題是移動機器人視覺導(dǎo)航研究中的重要內(nèi)容及難點問題。在實際生活中，道路通?？梢苑譃榻Y(jié)構(gòu)化道路和非結(jié)構(gòu)化道路。其中結(jié)構(gòu)化道路一般是指高速公路、城市道路等部分結(jié)構(gòu)化比較好的道路，這些道路具有較清晰的車道線、比較明顯的道路邊界;而非結(jié)構(gòu)化道路一般是指越野環(huán)境、鄉(xiāng)村道路等結(jié)構(gòu)化程度比較差的道路，這些道路與結(jié)構(gòu)化道路恰恰相反，它們沒有清晰的車道線，也不具有比較明顯的道路邊界。由于道路本身環(huán)境的復(fù)雜性，使用傳統(tǒng)的分割方法對道路圖像進行

2、分割會使得圖像分割的結(jié)果錯誤率較高。因此為了解決上述問題，本文的研究主要有以下幾個方面:
　　(1)研究了馬爾科夫鏈蒙特卡羅(MCMC)方法，介紹了該方法的起源，以及馬爾科夫鏈與蒙特卡羅的模擬，研究了MCMC方法的基本思想并闡述了常用的兩種MCMC方法——Gibbs抽樣方法和Metropolis-Hastings算法，并分析了馬爾科夫鏈的收斂性。
　　(2)研究并實現(xiàn)了基于馬爾科夫鏈蒙特卡羅方法(MCMC)的道路圖像分割算法

3、，為了適應(yīng)以數(shù)據(jù)方式存儲的道路圖像，首先將圖像分割問題公式化，從而使得對道路圖像的分割更加直接有效。同時，建立數(shù)學(xué)圖像模型以提高圖像分割的完整性，分割結(jié)果更加精確且誤差較小。相比傳統(tǒng)圖像分割來說，該方法能獲得更好的分割效果，區(qū)域之間的邊界分割也更加清晰，錯誤率較低且耗時更少。
　　(3)為了加強道路圖像的分割效果，本文研究并實現(xiàn)了基于馬爾科夫鏈蒙特卡羅方法以及遺傳算法(MCMC-GA)的道路圖像分割算法。由于GA算法的交叉、變異和