本文選題：LMM-HMT + 動(dòng)態(tài)紋理分割�。� 參考：《哈爾濱工程大學(xué)》2016年碩士論文

【摘要】：紋理分析是圖像處理領(lǐng)域的基礎(chǔ)性研究課題。動(dòng)態(tài)紋理是紋理的一種類別,它作為紋理分析研究的重要內(nèi)容,近年來(lái)已成為計(jì)算機(jī)視覺(jué)和數(shù)字圖像處理領(lǐng)域的研究熱點(diǎn),在軍事、工業(yè)、醫(yī)學(xué)、智能交通、氣象遙感、公共安全等領(lǐng)域有著廣泛的應(yīng)用價(jià)值。多尺度分析方法也即多分辨率分析,是近年新興起的一種信號(hào)分析技術(shù),其可從不同尺度的角度描述景物,利用不同尺度分析問(wèn)題、解決問(wèn)題,更加有效地提取圖像或視頻特征并進(jìn)行分析,為信號(hào)分析提供了一個(gè)全新的視角研究課題。小波變換作為多尺度分析的主要基礎(chǔ)方法,其具有良好的時(shí)頻分析特性,它能通過(guò)變換以充分突出問(wèn)題某些方面的特性。馬爾可夫理論作為描述局部統(tǒng)計(jì)分布的強(qiáng)有力工具,能有效地與小波域空時(shí)變換特性相結(jié)合,推動(dòng)了小波域模型的發(fā)展,對(duì)準(zhǔn)確刻畫(huà)信號(hào)非平穩(wěn)特性起著至關(guān)重要的作用。小波域隱馬爾可夫(HMT)模型充分利用小波系數(shù)尺度間和尺度內(nèi)的相關(guān)性,在紋理分析等方面表現(xiàn)出了出色的性能�；谝陨侠碚摶A(chǔ),本文主要研究基于小波域隱馬爾可夫模型的動(dòng)態(tài)紋理分割算法,主要工作如下:1.提出三維小波域LMM-HMT模型。將HMT模型推廣到三維空時(shí)域,改進(jìn)已有的EM算法以進(jìn)行參數(shù)估計(jì),并改進(jìn)分割過(guò)程以適應(yīng)三維動(dòng)態(tài)紋理的處理。在訓(xùn)練及粗分割階段,結(jié)合紋理圖像自身小波系數(shù)的分布規(guī)律,利用拉普拉斯分布尖峰厚尾的分布特性,對(duì)紋理圖像的小波系數(shù)分布進(jìn)行匹配,提出LMM-HMT模型及與之相對(duì)應(yīng)的參數(shù)估計(jì)算法公式。在多尺度融合階段,提出基于26鄰域背景向量的多尺度融合方法。利用動(dòng)態(tài)紋理幀間相互依賴關(guān)系,建立一個(gè)基于三幀紋理圖像的26鄰域背景向量模型。在像素級(jí)分割階段,再次使用混合拉普拉斯分布模型,并給出參數(shù)估計(jì)算法,提高其最終分割效果。2.提出三維小波域HMT-3S模型。通過(guò)連接三維小波域七個(gè)細(xì)節(jié)子帶的小波系數(shù),建立三維小波域上的HMT-3S模型,并提出對(duì)應(yīng)的模型參數(shù)訓(xùn)練方法、似然函數(shù)計(jì)算及多尺度融合算法。將以上對(duì)基于小波域HMT模型的動(dòng)態(tài)紋理分割的改進(jìn)算法應(yīng)用到HMT-3S模型中,與HMT模型進(jìn)行對(duì)比,使分割效果得到進(jìn)一步提升。
[Abstract]:Texture analysis is a basic research topic in the field of image processing. Dynamic texture is a kind of texture. As an important part of texture analysis, dynamic texture has become a hotspot in the field of computer vision and digital image processing in recent years. It has been widely used in military, industrial, medical, intelligent transportation and meteorological remote sensing. Public safety and other fields have extensive application value. Multiresolution analysis, or Multiresolution Analysis, is a new signal analysis technique in recent years. It can describe the scene from different scales and use different scales to solve the problems. More efficient extraction and analysis of image or video features provide a new perspective for signal analysis. Wavelet transform, as the main basic method of multi-scale analysis, has good time-frequency analysis characteristics, and it can fully highlight some aspects of the problem by means of transformation. As a powerful tool to describe the local statistical distribution, Markov theory can effectively combine with the space-time transform characteristics of wavelet domain, promote the development of wavelet domain model, and play an important role in accurately characterizing the non-stationary characteristics of signals. The hidden Markov (HMT) model in wavelet domain makes full use of the correlation between scales and scales of wavelet coefficients and has shown excellent performance in texture analysis. Based on the above theoretical basis, this paper mainly studies the dynamic texture segmentation algorithm based on wavelet domain hidden Markov model, the main work is as follows: 1. A three dimensional wavelet domain LMM-HMT model is presented. The HMT model is extended to 3D space-time domain, the existing EM algorithm is improved to estimate the parameters, and the segmentation process is improved to adapt to the 3D dynamic texture processing. In the stage of training and rough segmentation, the distribution of wavelet coefficients of texture images is matched by using the distribution characteristics of Laplacian distribution of peak and thick tail, combining with the distribution of wavelet coefficients of texture images. The LMM-HMT model and the corresponding formula of parameter estimation algorithm are presented. In the multi-scale fusion stage, a multi-scale fusion method based on 26 neighborhood background vector is proposed. In this paper, a 26 neighborhood background vector model based on three frames texture images is established by using dynamic texture frame interdependence. In the pixel level segmentation stage, the mixed Laplace distribution model is used again, and the parameter estimation algorithm is given to improve the final segmentation effect. A three dimensional wavelet domain HMT-3s model is proposed. The HMT-3S model in 3D wavelet domain is established by connecting the wavelet coefficients of seven subbands of detail in 3D wavelet domain. The corresponding training method of model parameters, likelihood function calculation and multi-scale fusion algorithm are proposed. The improved algorithm of dynamic texture segmentation based on wavelet domain HMT model is applied to HMT-3S model, and compared with HMT model, the segmentation effect is further improved.
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳青;朱俊宇;唐朝暉;劉金平;桂衛(wèi)華;;動(dòng)態(tài)紋理建模在硫浮選工況的識(shí)別分析[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年10期

2 韓冰;趙銀娣;戈樂(lè)樂(lè);;遙感圖像分割的迭代上下文融合小波域HMT模型[J];測(cè)繪學(xué)報(bào);2013年02期

3 李康;陳雪軍;劉冰;胡湘江;石湘;;基于Contourlet域HMT模型的Cycle Spinning去噪方法[J];電子設(shè)計(jì)工程;2012年14期

4 李曉峰;徐軍;羅積軍;曹立佳;張勝修;;基于Contourlet域HMT-3S模型的激光主動(dòng)成像圖像分割[J];紅外與激光工程;2012年02期

5 李暉暉;劉坤;;基于Contourlet域隱馬爾可夫樹(shù)模型的圖像融合[J];計(jì)算機(jī)工程與應(yīng)用;2011年32期

6 陳蓉偉;劉芳;郝紅俠;;基于EHMM-HMT和MSWHMT的多尺度紋理圖像分割[J];軟件學(xué)報(bào);2010年09期

7 劉坤;郭雷;陳敬松;;基于Contourlet域隱馬爾可夫樹(shù)模型的圖像融合算法[J];光子學(xué)報(bào);2010年08期

8 侯彪;翟艷霞;焦李成;;用于SAR圖像分割的第二代Bandelet域HMT-3S模型[J];紅外與毫米波學(xué)報(bào);2010年02期

9 陳昌紅;趙恒;胡海虹;梁繼民;;基于改進(jìn)動(dòng)態(tài)紋理模型的人體運(yùn)動(dòng)分析[J];模式識(shí)別與人工智能;2010年02期

10 侯彪;劉鳳;焦李成;包慧東;;基于小波域隱馬爾科夫樹(shù)模型的圖像分割[J];紅外與毫米波學(xué)報(bào);2009年02期

相關(guān)博士學(xué)位論文 前1條

1 喬玉龍;小波在紋理圖像處理中的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 張思遠(yuǎn);基于Contourlet域HMT模型的圖像融合方法技術(shù)研究[D];西北大學(xué);2014年

2 郭昌;小波域HMT模型的圖像超分辨率插值算法研究[D];安徽大學(xué);2013年

3 徐曉明;基于MRF和非采樣小波變換的動(dòng)態(tài)紋理分割[D];哈爾濱工程大學(xué);2013年

4 王遠(yuǎn)淋;基于壓縮感知的圖像融合[D];哈爾濱工程大學(xué);2013年

5 施濵;基于時(shí)空方向能量的動(dòng)態(tài)紋理研究[D];上海交通大學(xué);2012年

6 王來(lái)慧;基于多分辨率隱馬爾可夫隨機(jī)場(chǎng)的動(dòng)態(tài)紋理分割[D];哈爾濱工程大學(xué);2012年

7 王福山;基于復(fù)小波的動(dòng)態(tài)紋理分類[D];哈爾濱工程大學(xué);2012年

8 孫先強(qiáng);基于Surfacelet變換的動(dòng)態(tài)紋理檢索的研究[D];蘭州大學(xué);2011年

9 趙正輝;基于隱馬爾科夫模型的信號(hào)分類[D];重慶大學(xué);2011年

10 張冬;基于空時(shí)馬爾可夫場(chǎng)的動(dòng)態(tài)紋理分割[D];哈爾濱工程大學(xué);2011年

，

本文編號(hào)：2101079