非監(jiān)督貝葉斯彩色圖像分割.pdf

1、馬爾可夫隨機場因結(jié)合局部信息與空間信息的特性，被廣泛應(yīng)用于機器視覺與圖像處理相關(guān)領(lǐng)域中。然而馬爾可夫隨機場被證明是NP問題。隨著MRF與Gibbs分布等價性的提出，使得計算變成可能。因此本文使用Markov隨機場作為模型對圖像進行基于色彩分割。然而原始Markov隨機場的計算需要監(jiān)督獲得局部信息。為了解決此問題，本文使用基于Dirichlet過程的非監(jiān)督貝葉斯模型來求局部信息。
　　 Dirichlet過程聚類算法實現(xiàn)貝葉斯混合

2、模型，本算法的主要思想是使用概率混合模型來解釋觀測數(shù)據(jù)。每個觀測數(shù)據(jù)被認為隸屬于其中模型，然而并不確切知道屬于那一個模型，在此情況下處理一個被稱作隱參數(shù)問題，此隱參數(shù)用于指明觀測數(shù)據(jù)是由哪一個模型隨機產(chǎn)生的。然而具體如何確定模型的個數(shù)成為本問題的核心。若模型選擇太少，此概率模型將不能表述復(fù)雜分布。反之，若模型選擇過多，將產(chǎn)生過適定問題。因此使用Dirichle分布進行先驗概率選擇。Dirichlet分布是一個基于多參數(shù)的分布，可以看作b

3、eta分布的一般化形式。Dirichlet分布是分布的分布，也就是說從Dirichlet分布的采樣序列屬于離散分布空間。設(shè)模型的個數(shù)為K，當(dāng)時DP依然成立。因為K的個數(shù)與觀測數(shù)據(jù)的個數(shù)有關(guān)，故屬于非參數(shù)估計。并且k的個數(shù)呈指數(shù)速度下降，因此通常不會產(chǎn)生過適定問題。在最優(yōu)化問題中，本文使用blei的變分推導(dǎo)(variantional inference)方法處理DP混合模型問題，以使在可以接受的時間內(nèi)，可以良好的處理圖像的聚類問題。

4、>　　 決定基于色彩的分割正確率一個重要步驟就是如何衡量兩個像素視覺差距的測度函數(shù)，傳統(tǒng)的方法是使用歐拉距離，然而本文認為這種方法不符合視覺習(xí)慣。通過色彩空間的觀測與試驗發(fā)現(xiàn)，相對于歐拉距離，兩個像素之間的夾角距離扮演更重要的角色。然而夾角距離也存在其缺點，如在純黑與純白像素，若使用夾角距離計算，則會認為兩個像素完全類似。為了克服上述問題，本文依據(jù)歐拉距離與夾角距離的性質(zhì)，結(jié)合兩者的特點設(shè)計一個基于夾角距離與歐拉距離的分布。并將此分布

5、用于Dirichlet過程中作為分布模型。因為本文考慮到選擇了更恰當(dāng)?shù)南袼乇容^模型，并結(jié)合空間局部信息，實驗證明本文提高分割的視覺效果。
　　 然而圖像分割所需要處理的數(shù)據(jù)量巨大，在MRF中，本文討論了Yuri Boykov的圖切割算法的并行能力，設(shè)計并實現(xiàn)了其增長(Grow)和收養(yǎng)(Adopt)步驟的并行算法。在增長函數(shù)中本文使用分支界限法的廣度優(yōu)先搜索，并使用擴展終止線程函數(shù)，提升算法的執(zhí)行效率，并在上述兩個函數(shù)中調(diào)用Ope