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 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
试读 8P 论文研究-基于参数初始化Contourlet HMT模型的图像分割 .pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
weixin_39841848 你的留言是对我莫大的支持
2019-08-15
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

    成功上传501个资源即可获取
关注 私信
上传资源赚积分or赚钱
最新推荐
论文研究-基于参数初始化Contourlet HMT模型的图像分割 .pdf 10积分/C币 立即下载
1/8
论文研究-基于参数初始化Contourlet HMT模型的图像分割 .pdf第1页
论文研究-基于参数初始化Contourlet HMT模型的图像分割 .pdf第2页

试读结束, 可继续读1页

10积分/C币 立即下载 >