论文研究-数字高程模型数据的无损数字水印.pdf-其它代码类资源-CSDN下载

论文研究-数字高程模型数据的无损数字水印.pdf

所需积分/C币：5 2019-09-07 12:10:47 929KB .PDF
0

收藏
举报

基于树结构的马尔可夫随机场（TS-MRF）,提出模糊多级逻辑模型（fuzzy MLL）,并提出了一种新的图像分割算法——模糊TS-MRF算法。与传统的MRF分割算法和TS-MRF算法比较,该方法在计算耗时增加很少的情况下,对分割精度提高较大。更为重要的是,该方法提供了一个新思路,使得基于MRF的先验信息的描述更为精细。
吕庆文,周少为,陈武凡:基于TS-MRF与模糊ML模型的图像分割 2007,43(30)39 图2给出了“geom”图像的分割结果,其中(a)为原始图像, (b)为噪声图像(高斯噪声),(c)为MRF分割(记为fat-MRF), (d)为TS-MRF分割,(e)为采用本文算法的分割结果(记为 TSF-MRF)。图3给出了“MR”图像的分割结果,其中(a)为原始图像,(b)为专家的分割结果,(c)为MRF分割(记为fat-MRF (d)为TS-MRF分割,(e)为采用本文算法的分割结果(记为 (a)原图(b)噪声图像(c)SMRF分割(d丌SF-MRF分割 TSF-MRF)。实际上,这里已假定专家的分割图像为“真”图像图5“lgo'图像分割而原始图像为¨真"图像加噪而得来。图4给出了“ ellipse'图像表1为采用TS-MRF和TSF-MRF(本文算法)对上述4幅的分割,其中(a)为原始图像,(b)为噪声图像(高斯噪声),(c)图像进行分割的对比结果,其体列出了错分率(mis- classifica 为MRF分割(记为nat-MRF),(d)为TS-MRF分割,(e)为采用 tion rates,MCR)、错分像素数(mis- -classification pixels,MCP) 本文算法的分割结果(记为TSF-MRF)。图5给出了“1o图像和计算时间(PC机,CPU为 Pentium4,2.8GHz,内存为1.0G 的分割,其中(a)为原始图像,(b)为噪声图像(高斯噪声),(c)操作系统为 Windows xP professional,应用软件为 MATLAB 为TS-MRF分割(因只有两类,故结果等同于fat-MRF),(d)为6.5)。从表1中可以看出,采用本文算法(与TS-MRF相比), 采用本文算法的分割结果(记为TSF-MRF)。 MCP和MCR平均减少了266%,而计算时间只增加了3.8%。表1MCR,MCP与计算时间比较 TS-MRF TSF-MRF MCP时间 MCR MCP Time/ s MCR MCP Time/s(MCR)变化变化 ellipse0.01176331.410.00961132.7519.9%+4.3% logo0.025164022.080.019122323.73 54% 7.5% geom0.00955442.950.00531443.1943.3%+0.5% (a)原图 (b)噪声图像(c)at-MRF分割 MR0.075275729.220.061226430.06-17.9%+29% 平均0.030142931.410.02411033243 20.0%+3.8% 5.2讨论如文献⑨所言,TS-MRF算法是图像分割的一个较有力的工具。但因其采用普通MIL模型来描述先验信息,分割精度仍 (d)TS-MRF分割 (e)TSF-MRF分割有可提高之处。图2“geom”图像分割本文基于TS-MRF模型和模糊MLL模型,提出了一个新的分割算法。该算法的核心在于使用后验概率将势团函数模糊化。实验表明,该算法在耗时増加很少的情况下,使分割精度得到较大提高。事实上,模糊MLL模型可被视为一般的模型,它有望被应用于分割以外的领域。更为重要的是,本文揭示了一种新颖而 (a)原图 (b)专家分割(cat-MRF分割有效的将基于MRF的先验信息精确化的途径(并不局限于MLL 模型),即采用后验概率将基于MRF的势团模糊化。 (收稿日期:2007年8月) 参考文献: [1] Winkler G. Image analysis, random fields and dynamic Monte Carlo (d)TS-MRF分割 (e)TSF-MRF分割 methods[M[S1. Springer-Verlag, 1995 图3“MR'图像分割 12Li s Z Markov random field modeling in image analysis IMIS1. Springer-Verlag, 2001 3 Zhang Y, brady M, Smith SSegmentation of brain MR images through a hidden Markov random field model and the expectation-maximi zation algorithm[J].IEEE Trans Med Image, 2001, 20(1): 45-57 [4] Chen T, Huang T s, Liang Z PSegmentation of brain MR ima using hidden markov random field model with weighting neighborhood (a)原图 (b)噪声图像(c)fat-MRF分割 system[C/Proc IEEE NSS/MIC 2004, 2004: 3209-3212 5 Laferte J M, Perez P, Heitz F Di Marke ng nference on the quadtree[J].IEEE Trans Image Proces, 2000, 9 16 Salembier P, Garrido BInary partition tree as an efficient representation for image processing, segmentation, and information retrieval[JIEEE (d)TS-MRF分割 e)TSF-MRF分割 Trans Image Process, 2000,9: 561-576 图4“ ellipse”图像分割 (下转82页)

...展开详情

论文研究

试读 3P 论文研究-数字高程模型数据的无损数字水印.pdf