基于互信息量與馬爾可夫隨機(jī)場(chǎng)的圖像分割研究.pdf

1、圖像處理技術(shù)作為信息科學(xué)中的一個(gè)組成部分，正發(fā)揮著日益重要的作用。它融合了多學(xué)科的成果，并將之成功應(yīng)用于航天、軍事、工業(yè)、農(nóng)業(yè)等各個(gè)領(lǐng)域。圖像處理技術(shù)在醫(yī)學(xué)研究、臨床診斷和治療等方面也扮演著重要的角色，它已經(jīng)成為保障人類健康的必備手段。 圖像分割常用算法大體可分為基于區(qū)域分割、基于邊界分割以及它們的融合算法三大類。本文基于互信息量和馬爾可夫隨機(jī)場(chǎng)(MRF)理論，圍繞基于區(qū)域的圖像分割方法進(jìn)行了一些有益的探索。 互信息量(

2、MI)的概念源于信息論，它是兩個(gè)隨機(jī)變量統(tǒng)計(jì)相關(guān)性的一種測(cè)度。目前，互信息量是公認(rèn)的圖像配準(zhǔn)準(zhǔn)則之一。互信息量應(yīng)用于圖像分割的研究較少。近年來，有學(xué)者在此方向做了一些嘗試。在圖像配準(zhǔn)中，互信息量作為聯(lián)結(jié)兩幅圖像的紐帶，發(fā)揮了重要作用。同樣地，互信息量也有可能作為一種聯(lián)結(jié)原圖像與分割圖像的紐帶，并在某些性能指標(biāo)上提高分割的質(zhì)量。 本文從互信息量入手，提出一種基于互信息熵差(dMI)測(cè)度的模糊交叉分割算法(DDC)。實(shí)驗(yàn)結(jié)果表明，d

3、MI揭示了分割圖像與原圖像的一種內(nèi)在聯(lián)系，因而得以有效地確定圖像分類數(shù)，而DDC算法對(duì)含有病灶的醫(yī)學(xué)圖像能夠進(jìn)行自動(dòng)優(yōu)化分割。 另外，本文基于模擬退火算法和互信息量，以最大互信息量為優(yōu)化目標(biāo)，以dMI作為分類類數(shù)判據(jù)，并在此基礎(chǔ)上構(gòu)造了一種新的閾值分割算法——最大互信息量分割算法(MMS)。實(shí)驗(yàn)結(jié)果表明，該算法具有一些獨(dú)特的優(yōu)點(diǎn)。 基于隨機(jī)場(chǎng)的方法是一類考慮像素點(diǎn)之間空間關(guān)聯(lián)的統(tǒng)計(jì)學(xué)方法。其中，基于馬爾可夫隨機(jī)場(chǎng)(MRF

4、)的圖像分割方法應(yīng)用較為廣泛。該理論也成功應(yīng)用于圖像處理的其他方面，如圖像恢復(fù)、配準(zhǔn)、重建等。本文基于樹結(jié)構(gòu)的馬爾可夫隨機(jī)場(chǎng)(TS-MRF)，提出模糊多級(jí)邏輯模型(fuzzy MLL)，并提出了一種新的圖像分割算法——模糊TS-MRF算法。與傳統(tǒng)的MRF分割算法和TS-MRF算法比較，該方法在計(jì)算耗時(shí)增加很少的情況下，對(duì)分割精度提高較大。更為重要的是，該方法提供了一個(gè)新思路，使得基于MRF的先驗(yàn)信息的描述更為精細(xì)。 并且，本文針

5、對(duì)基于二叉樹分割算法的分割停止判斷做了一些嘗試。我們?cè)诜指顖D像中引入試探圖像作為“催化劑”，并以“催化劑”在分割結(jié)果中是否顯現(xiàn)為依據(jù)來判斷二叉樹分割的候選結(jié)點(diǎn)是否應(yīng)該停止分割。初步實(shí)驗(yàn)表明該方法簡(jiǎn)潔有效。 雖然本文在上述方面做出了一些有益的探索，并取得了初步的成果，但仍有一些不足：(1)本文重點(diǎn)在于方法的提出與模型的建立，但針對(duì)所提出方法尚需進(jìn)行大量的分割實(shí)驗(yàn)并應(yīng)用于解決臨床具體問題；(2)本文提出的模糊MLL模型提供了一個(gè)使得