本文選題：馬爾可夫隨機(jī)場(chǎng) + 超像素��； 參考：《科技展望》2016年07期

【摘要】：我們提出了一種不僅可以表示隨機(jī)變量間的因果關(guān)系,也可以表示它們之間非因果關(guān)系的概率圖模型(Probabilistic Graphical Model,PGM),并將它用于圖像分割問(wèn)題。我們首先用馬爾可夫隨機(jī)場(chǎng)(Markov Random Field,MRF)模型建立圖像超像素區(qū)域和它們度量值間的空間關(guān)系。然后我們用多層貝葉斯網(wǎng)(Bayesian Network,BN)建立不同圖像變量(圖像區(qū)域,邊,頂點(diǎn))之間存在的因果依賴(lài)關(guān)系。馬爾可夫隨機(jī)場(chǎng)模型和貝葉斯網(wǎng)模型通過(guò)因子圖理論系統(tǒng),緊密地結(jié)合到一起形成了一種可以捕捉不同圖像變量間復(fù)雜關(guān)系的混合概率圖模型。采用這種混合的圖模型,通過(guò)一種原則性的概率推理來(lái)進(jìn)行圖像分割。它比使用單一的馬爾可夫隨機(jī)場(chǎng)模型或貝葉斯模型更有效。
[Abstract]:In this paper, we propose a probabilistic Graphical model which can not only represent the causality between random variables, but also non-causality among them, and apply it to image segmentation. In this paper, we first establish the spatial relationship between the super-pixel region of the image and their measurements by using the Markov Random FieldFs (MRFs) model of Markov random field. Then we use Bayesian Network (BN) to establish the causality dependence among different image variables (image region, edge, vertex). Markov random field model and Bayesian network model are closely combined to form a mixed probability graph model which can capture the complex relationship between different image variables. Using this mixed graph model, image segmentation is carried out by a kind of principle probability inference. It is more efficient than using a single Markov random field model or Bayesian model.
【作者單位】： 中原工學(xué)院;
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳志攀;趙躍龍;;車(chē)型圖像分割方法的研究[J];惠州學(xué)院學(xué)報(bào)(自然科學(xué)版);2005年06期

2 楊夢(mèng)寧;楊丹;張強(qiáng)勁;;基于最大樹(shù)法的模糊圖像分割方法[J];計(jì)算機(jī)科學(xué);2005年08期

3 宋麥玲;楊小紅;;圖像分割技術(shù)研究[J];軟件導(dǎo)刊;2007年07期

4 蔣小標(biāo);湯光明;徐蕾;;基于模糊理論的圖像分割方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2007年16期

5 鄭肇葆;;Cognitive Agent在圖像分割中應(yīng)用的研究[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2008年07期

6 侯立華;;圖像分割方法綜述[J];科技創(chuàng)新導(dǎo)報(bào);2008年22期

7 劉海亮;;數(shù)字圖像分割方法研究[J];電腦知識(shí)與技術(shù);2009年09期

8 胡天翔;鄭加強(qiáng);周宏平;叢靜華;;提高動(dòng)態(tài)樹(shù)木圖像分割處理速度的方法[J];林業(yè)科學(xué);2009年06期

9 黃長(zhǎng)專(zhuān);王彪;楊忠;;圖像分割方法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2009年06期

10 宋寅卯;劉磊;;圖像分割研究方法及進(jìn)展[J];電腦學(xué)習(xí);2010年02期

相關(guān)會(huì)議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國(guó)高校通信類(lèi)院系學(xué)術(shù)研討會(huì)論文集（下冊(cè)）[C];2009年

2 楊暄;郭成安;李建華;;改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

7 李盛;;基于協(xié)同聚類(lèi)的圖像分割[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進(jìn)展[A];中華中醫(yī)藥學(xué)會(huì)中醫(yī)診斷學(xué)分會(huì)第十次學(xué)術(shù)研討會(huì)論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專(zhuān)業(yè)委員會(huì)A卷[C];2011年

相關(guān)碩士學(xué)位論文 前10條

1 馬生雋;交叉皮層模型在圖像分割中的應(yīng)用研究[D];蘭州大學(xué);2009年

2 朱嵬鵬;基于聚類(lèi)算法的圖像分割[D];江南大學(xué);2009年

3 郭曉潔;基于非參數(shù)模型的圖像分割方法研究[D];云南大學(xué);2010年

4 劉春燕;圖像分割評(píng)價(jià)方法研究[D];西安電子科技大學(xué);2011年

5 王亞榮;基于圖割的交互式圖像分割方法研究[D];西北大學(xué);2011年

6 薛耿劍;人體腦圖像分割技術(shù)研究[D];西北工業(yè)大學(xué);2006年

7 徐敏;新聚類(lèi)算法及其在圖像分割中的應(yīng)用[D];江南大學(xué);2005年

8 吳學(xué)明;圖像分割的算法研究[D];成都理工大學(xué);2006年

9 楊斯涵;圖像分割技術(shù)在簡(jiǎn)牘保護(hù)中的應(yīng)用研究[D];成都理工大學(xué);2006年

10 徐高奎;圖像分割與合成方法的研究[D];天津大學(xué);2005年

，

本文編號(hào)：1853320