论文研究-基于参数初始化ContourletHMT模型的图像分割.pdf-其它代码类资源-CSDN下载

论文研究-基于参数初始化Contourlet HMT模型的图像分割 .pdf

所需积分/C币：10 2019-08-15 15:31:10 549KB .PDF
9

收藏
举报

基于参数初始化Contourlet HMT模型的图像分割，焦李成，侯彪，基于Contourlet的多尺度和多方向性，本文提出了一种改进的Contourlet域HMT模型的图像分割方法(Improve Contourlet-domain hidden markov tree model, ICHMT)��
山国酸技论文在线水平扫描假设水平扫描中, 系数在相同层有相同的密度,因此系数可以依照它们的尺度被分组到不同的分类中,并且每组用两状态的高斯混合模型刻画。水平扫描的任务是找到合适的两状态高斯混合模型参数丌= 表示系数在模型中的状态,分别对应小状态和大状态,这是系数在尺度上, 且。我们用算法米实现水平扌措。对于给定的系数,在尺度上有个系数向量,我们要估计高斯混合模型x的最大似然这里 x=∏ 其中 μσ。我们从一个中立的设置z开始水平扫摧,设定有相等的概率我们由中的算法可以训练得出z。垂直计算估计完初始髙斯混合模型后,下一步进行垂直计算。给定和 ,我们能确定基于最大似然标准的初始隐状态为其中, 给定初始状态,我们能计算两相邻尺度间的状态概凇和沿着树结构系数的设置。我们能由归一化的转移概率设置初始的状态转移概率值ε。我们将不同尺度的状态转移概率平均,以得到这里表小事件发生的次数。进行完初始化估计后,我们就可以根据我们所估计出来的参数进行模型的参数训练。并利用训练山来的参数进行多背景多尺度的图像融合,最后得到最终的分割结果。基于模型的图像分割图像的系数是稀疏的,每个系数的边缘密度可以建模成一个二维的高斯混合模型。系数的高斯混合模型有一个离散随机状态变量,它有两个状态其中表小小状态和大状态。给定的概率密度函数是高斯的有均值a和方差a。因此,全部的的概率密度函数为这里 1, 且 =。在文献里,假设的变换的了代是统计独立的。文献中用⊙ee分别表示了代的参数向量。我们有=⊙⊙⊙。e是由迭代的期望最大化( )算法估计得山国酸技论文在线到的参数向量。最大似然函数分割及像素级分割在子带独立的假设下,我们有其中 e=∑ B θ是由一个向上的四叉树扫描算法得来的条件似然函数我们可以由求得的模型下的类别的概率得到最简单的( )分类为我们可以由得到粗分割结果我们采用基于高斯混合模型的方法来进行像素级分割。概率密度函数可以通过对应于每纹理的像素直方图来建模,纹理可以被近似为一个高斯混合模型。对于训练纹理的像素, 给其一个高斯混合模型来建模像素灰度佰,则可计算每一像素的相似度,丙通过比较相似度大小来获得图像像素级分割结果。这样就可以通过下面给出的基于上下文的尺度问融合的方法,从合适的粗尺度的分割结果一直融合到像素级得到最终结果。及其基于上下文的多尺度融合分割图是五种进行最大后验慨率分割的上下文模型。在中提出了一种上下文模型, 考虑模型和。如图所示, 考虑父类标与邻域类标的主类标和父类标,组成一个上下文向量考虑的是父类标父类标及其邻域的主类标和子邻域的主类标组成的一个上下文向量考虑的是子邻域的主要类标与子节点组成的一个上下文向量。任一二值图像块的上下文信息用上下文矢量来代表。概括了的邻居结点的信息。我们考虑不同尺度间的关系来改良粗分割。在贝叶斯分割体系中,我们将每类的类标看做一个随机变量,它的取值范围为值图像块的最大后验概率分类对应于最大后验分布的类标这里是一个在尺度类别概率质量函数,并且是图像块关于类别的似然函数,它是通过一个向上扫描的算法计算得来。分割算法 ()对测试和训练图像数据进行变换,得到系数 ()根据进行训练模型的参数初始化。 ()进行基于的模型训练。对每类具有均一区域的训练图像进行隐马尔可夫模型的训练,得到参数θ。训练一个像素级的概率模型来得到像素级的分割图像。山国酸技论文在线 ()计算多尺度似然函数。使用模型的似然计算算法和式,计算在不同尺度下每个图像子块的似然函数。 ()使用标记树融合多尺度似然函数来得到多尺度最大后验概率()的分类。选择为上下文模型,用中的算法估计参数和使最大。其中 =∏∑ 当迭代收敛时确定使即式最大的ε在*基础上继续融合+尺度,直到最细的尺度像素级分割,得到最终的分割结果 D of the Sample under consideration Samples in the finer scale Parent sample in the coarser scale Neighbors of the ple nple (d) 图1上下文模型实验结果与分析基于算法,本文对合成纹理图像和图像进行了分割实验,并与的分割结果进行了比较变换均采用滤波器。图为合成纹理图像及其分割结果,并且给出了错分率作为客观评价标准。本文选取纹理图像进行分割是为了说明本文方法的有效性,故只选取了两类分割图像。错分率定义为图像总错分像素点与图像总像素点的百分比。山国技论文在线佟合成纹理图及其分割结果。合成纹埋图像结果结果由以上的合成纹理图分割对比结果可以看出的分割结果边缘不光滑,且有锯齿状产生。在图中比较明显。图的两类分割结果杂块比较多。这都是由于变换是用类似于线段的基结构来遥近原图像的,训练模型参数吋选取的初始值都是中值,使得这种模型的粗分割结果块状结构比较多,在上下文融合中将这些块状信息保留了下来,使最终分割结果边缘比较粗糙。但是从图中可以看出边缘相对光滑,对区域和边缘的保持更好。除了参数初始化的优化作用外还因为能充分利用上下文的背景信息进行融合。这是从图中得出的视觉效果评论。表给出了两类纹理图的错分率数据表和改良分割结果的错分率比较山国酸技论文在线由表的错分率可知的错分率小的错分率。合成纹理图的对比实验结果不仅从视觉效果还从评价参数上说明了本文方法优于。在合成纹理图分割实验中,本文的方法是优于原方法的。但是合成纹理图的分割对比实验只能说明本文方法的有效性。为了说明本方法的泛化性,我们选择图像来进行第组分割对比实验。图为图像分割实验对比图影图图像分割结果由于对图像的分割结果没有统一的评价参数,我们只能从视觉效果上进行评价。从图的对比实验可以看出, 的图像分割结果边缘也比较粗糙,类似于合成纹理图。对于均一区域分割区域中还包含大量的杂块点,使得分割的结果在视觉方面不太理想。但是本文方法的实验结果不管在边缘的平滑性上还是在区域的均一性上都有良好的效果。实验结果表明,本文的改进方法优于结论与算法性能分析本文提出了一种采用训练参数初始化的模型,并结合上下文的多尺度融合的图像分割分割。本文的方法针对模型的初始参数中值化带来的不有效和不精确性采用了一种模型训练参数初始化的方法。并且用上下文模型替代了原有的上下山国酸技论文在线文模型。能充分利用父节点及其邻域,了节点及其邻域以及父了节点及其相互之间邻域的关系进行多背景的多尺度融合。增强了算法的稳定性,可以很好的改善分割的结果本文针对合成纹理图像和图像都给出了分割结果。与方法相比方法具有更好的视觉效果和更好的参数评价。参考文献作者简介焦李成,男年生,西安电子科技大学教授,博士生导师高级会员,主要研究方向为智能算法、机器学习、非线性科学、智能信号处理、小波理论及应用侯彪,男年生,西安电子科技大学副教授,硕十生导师, 会员,主要研究方向为多尺度几何分析,小波分析, 图像理解与解译等; 徐婧,女,年生,西安电子科技大学硕上研究生。主要饼究方向为基于多尺度儿何分析的图像分割

...展开详情

图像分割

试读 8P 论文研究-基于参数初始化Contourlet HMT模型的图像分割 .pdf