統(tǒng)計圖像建模與分割算法研究.pdf

1、為了有效地處理和分析圖像，人們始終對統(tǒng)計圖像建模技術給予了極大的關注。在圖像分割領域，統(tǒng)計圖像建模技術通過簡單的數(shù)學模型捕獲了圖像中的關鍵信息，達到了良好的應用效果，其相關技術的研究已成為了當前國內外學者研究的熱點。本文圍繞圖像分割這一應用領域對空間域和小波域統(tǒng)計圖像建模進行了研究，提出了自己新的模型和紋理圖像分割方法。本文的研究工作主要包括以下幾個方面：
　　 (1)提出了Enhanced Hidden Markov Mode

2、l-Hidden Markov Tree(EHMM-HMT)模型和基于EHMM-HMT模型的圖像分割方法。為了改進HMM對圖像宏觀結構的描述能力，在空間域我們提出了EHMM模型；而后，我們運用EHMM和小波域HMT分別對圖像塊間的相關性和圖像塊內紋理特征建模，提出了EHMM-HMT模型。實驗結果表明EHMM模型改善了模型對圖像的宏觀(塊間)特征的描述。
　　 (2)提出了 Enhanced Hidden Markov Model

3、-Hidden MarkovTree-3S(EHMM-HMT3S)模型和基于EHMM-HMT3S模型的圖像分割方法。本文從如何進一步提高EHMM-HMT模型對塊內紋理特征建模的準確度出發(fā)，分析了HMT和HMT-3S兩個模型對紋理描述的能力，認為HMT-3S模型比HMT模型能更全面地捕獲Discrete Wavelet Transform(DWT)子帶間統(tǒng)計相關性。于是，我們將EHMM模型與HMT-3S模型相結合提出了EHMM-HMT3S

4、模型，實驗結果表明該模型在紋理特征描述方面的有效性。
　　 (3)為了提高模型在細尺度上邊界檢測的能力和降低EHMM-HMT模型的計算復雜度，本文提出了基于EHMM-HMT模型和Multi-States Weighted HiddenMarkov Tree(MSWHMT)的多尺度圖像分割方法。鑒于基于EHMM-HMT模型的圖像分割方法有計算復雜度較高、邊界感知能力較弱的不足，我們提出了基于MSWHMT模型的多尺度圖像分割方法。M

5、SWHMT模型著重描述了圖像中不同類型紋理子結構的統(tǒng)計關系，舍棄了對紋理子結構間的空間結構關系的捕捉，將各類型紋理子結構的宏觀估計與局部描述有機結合。相比HMT模型MSWHMT增強了對不同類別紋理的判別能力，相比EHMM-HMT模型則去除了圖像塊間的相互作用，提高了模型對邊界的感知能力。實驗表明該模型在各細尺度上達到了減少區(qū)域邊界誤分的目的，并有效地降低了模型的計算復雜度。
　　 (4)在多尺度融合策略方面，提出了結合邊界信息的

6、多尺度貝葉斯融合策略。該策略的提出基于兩點考慮：一方面，基于EHMM模型在最粗尺度上的初分割比較可靠，區(qū)域一致性好；另一方面，基于MSWHMT模型在各細尺度上的初分割的邊界保持效果好。該融合策略結合初分割結果和似然從圖像分割的角度給出了邊界新的定義，并區(qū)別處理邊界節(jié)點和非邊界節(jié)點。實驗結果表明該策略綜合了區(qū)域一致性和邊界保持兩方面因素，取得了良好的融合效果。
　　 本文工作得到了國家自然科學基金(No.60673097)、國家8