【摘要】：動(dòng)態(tài)紋理是由空間重復(fù)且隨時(shí)間變化的一系列的圖像序列組成,并且在空時(shí)域上具有某種自相似性。動(dòng)態(tài)紋理分析在很多領(lǐng)域表現(xiàn)出潛在的應(yīng)用前景,動(dòng)態(tài)紋理分割作為動(dòng)態(tài)紋理研究的關(guān)鍵問(wèn)題之一,得到越來(lái)越多的關(guān)注,促使動(dòng)態(tài)紋理的研究成為了一個(gè)熱點(diǎn)問(wèn)題。動(dòng)態(tài)紋理分割就是將自然紋理的圖像序列分割成互不相疊的若干區(qū)域,并且不同的區(qū)域有不同的紋理,同一區(qū)域內(nèi)紋理表現(xiàn)出均勻一致性。尺度間上下文關(guān)系可以充分利用不同尺度間標(biāo)號(hào)之間的關(guān)系刻畫動(dòng)態(tài)紋理表現(xiàn)出的“運(yùn)動(dòng)”和“外觀”特征。因此,本文提出基于尺度間上下文關(guān)系模型的方法進(jìn)行動(dòng)態(tài)紋理分割。本文的主要工作如下:1.提出了基于小波域馬爾可夫鏈的上下文關(guān)系的動(dòng)態(tài)紋理分割算法。對(duì)動(dòng)態(tài)紋理進(jìn)行小波變換后同一幀圖像尺度內(nèi)各子帶間以及相鄰尺度子帶間存在較強(qiáng)的依賴關(guān)系,這種關(guān)系可以用于提高動(dòng)態(tài)紋理的刻畫能力。本算法的標(biāo)記場(chǎng)模型采用尺度間因果馬爾可夫隨機(jī)場(chǎng)模型和尺度內(nèi)的非因果馬爾可夫隨機(jī)場(chǎng)模型,特征場(chǎng)建模采用高斯馬爾可夫隨機(jī)場(chǎng)模型進(jìn)行建模,通過(guò)鄰域交互參數(shù)矩陣考慮了每一小波系數(shù)向量與同一尺度上相鄰小波系數(shù)向量之間的作用關(guān)系。實(shí)驗(yàn)結(jié)果表明該算法可以很好的實(shí)現(xiàn)動(dòng)態(tài)紋理分割。2.提出了基于馬爾可夫隨機(jī)場(chǎng)能量的上下文關(guān)系的動(dòng)態(tài)紋理分割算法。根據(jù)空時(shí)鄰域系統(tǒng)和多尺度隨機(jī)場(chǎng)模型確定標(biāo)記場(chǎng)的鄰域系統(tǒng)和能量函數(shù)。利用高斯分布描述觀測(cè)場(chǎng),形成基于多尺度隨機(jī)場(chǎng)模型的馬爾可夫隨機(jī)場(chǎng)的動(dòng)態(tài)紋理分割方法,運(yùn)用最大后驗(yàn)準(zhǔn)則分割動(dòng)態(tài)紋理。最后,將仿真結(jié)果與現(xiàn)有模型算法的仿真結(jié)果進(jìn)行對(duì)比,得到本方法具有更好的分割結(jié)果。
[Abstract]:Dynamic texture is composed of a series of image sequences which are repeated in space and change with time, and have some self-similarity in space-time domain. Dynamic texture analysis has a potential application prospect in many fields. As one of the key issues in dynamic texture research, dynamic texture segmentation has attracted more and more attention, which makes the research of dynamic texture become a hot issue. Dynamic texture segmentation is to segment natural texture image sequences into several regions that are not overlapped with each other, and different regions have different textures, and the texture in the same region shows uniform consistency. The contextual relationship between scales can make full use of the relationships between different scales to characterize the "motion" and "appearance" of dynamic textures. Therefore, this paper proposes a dynamic texture segmentation method based on the context relation model between scales. The main work of this paper is as follows: 1. A dynamic texture segmentation algorithm based on context relation of Markov chain in wavelet domain is proposed. After the dynamic texture is transformed by wavelet transform, there are strong dependencies between subbands and adjacent sub-bands in the same frame image scale, which can be used to improve the performance of dynamic texture characterization. The mark-up field model of this algorithm adopts the inter-scale causal Markov random field model and the non-causal Markov random field model in the scale, and the Gao Si Markov random field model is used to model the characteristic field. The interaction relationship between each wavelet coefficient vector and adjacent wavelet coefficient vector on the same scale is considered by neighborhood interaction parameter matrix. Experimental results show that the algorithm can achieve dynamic texture segmentation. 2. 2. A dynamic texture segmentation algorithm based on the context relation of Markov random field energy is proposed. Based on the space-time neighborhood system and the multi-scale random field model, the neighborhood system and energy function of the label field are determined. The dynamic texture segmentation method of Markov random field based on multi-scale random field model is formed by using Gao Si distribution to describe the observation field, and the dynamic texture is segmented by maximum a posteriori criterion. Finally, the simulation results are compared with those of the existing model algorithms, and better segmentation results are obtained.
【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9條

1 趙泉華;高郡;李玉;;基于區(qū)域劃分的多特征紋理圖像分割[J];儀器儀表學(xué)報(bào);2015年11期

2 李亞楠;趙耀;林春雨;白慧慧;劉美琴;;基于圖像分割的金字塔Lucas-Kanade光流法提取深度信息[J];鐵道學(xué)報(bào);2015年01期

3 朱玉蓮;陳松燦;;特征采樣和特征融合的子圖像人臉識(shí)別方法[J];軟件學(xué)報(bào);2012年12期

4 楊葉梅;;基于改進(jìn)光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J];計(jì)算機(jī)與數(shù)字工程;2011年09期

5 李杰;熊琨;楊東曉;;基于邊緣光流法向分量的運(yùn)動(dòng)區(qū)域劃分[J];北京理工大學(xué)學(xué)報(bào);2011年04期

6 劉峰;龔健雅;;一種結(jié)合能量最小和馬爾可夫隨機(jī)場(chǎng)的圖像分割方法[J];地理與地理信息科學(xué);2011年02期

7 劉國(guó)英;茅力非;王雷光;秦前清;;基于小波域分層Markov模型的紋理分割[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2009年05期

8 劉少華;張茂軍;智利丁;;基于像素塊最大后驗(yàn)概率的視頻對(duì)象分割方法[J];中國(guó)圖象圖形學(xué)報(bào);2009年01期

9 趙銀娣;張良培;李平湘;;廣義馬爾可夫隨機(jī)場(chǎng)及其在多光譜紋理影像分類中的應(yīng)用[J];遙感學(xué)報(bào);2006年01期

相關(guān)博士學(xué)位論文 前1條

1 張印輝;多尺度馬爾可夫隨機(jī)場(chǎng)圖像分割方法研究[D];昆明理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 林江;基于邊緣檢測(cè)和馬爾可夫隨機(jī)場(chǎng)的AD癥腦MRI分割方法研究[D];西南交通大學(xué);2015年

2 劉曉磊;基于MRF隨機(jī)場(chǎng)模型的機(jī)器人視覺(jué)圖像分割方法研究[D];西安建筑科技大學(xué);2015年

3 劉純;基于區(qū)域的馬爾可夫隨機(jī)場(chǎng)在高分辨率遙感影像分類中的應(yīng)用研究[D];云南師范大學(xué);2015年

4 王建;基于圖像的智能交通系統(tǒng)中車標(biāo)識(shí)別技術(shù)研究[D];南京理工大學(xué);2014年

5 李元博;基于運(yùn)動(dòng)邊界模型的光流估計(jì)方法研究[D];西安電子科技大學(xué);2013年

6 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

7 楊陽(yáng);基于光流空間分布的步態(tài)識(shí)別研究[D];天津大學(xué);2012年

8 趙敏;基于最小二乘估計(jì)人臉?biāo)孛栊Ч惴ㄑ芯縖D];電子科技大學(xué);2012年

9 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

10 向川平;基于光流場(chǎng)的視頻運(yùn)動(dòng)檢測(cè)研究[D];西華大學(xué);2011年

，

本文編號(hào)：2245976