条件随机场模型研究及应用

图像分割是将图像分为若干互不交叠的有意义且具有相同或者相似性质区域的技术,这些区域具有相似的纹理特性或者相似的灰度特性,它是图像识别和图像理解的基本前提,好的分割会使后续图像处理更加方便精确,因此,图像分割的作用至关重要。 概率图模型(Probability Graphical Model PGM)是人工智能领域里最流行的一种图模型,它是基于概率论中的贝叶斯规则建立起来的一种图形结构,所以它是一种用图形模式来表达基于概率相关关系的模型。该模型最早是由Whittaker根据统计学理论提出的,由于能够很好的结合上下文关系,所以在预测时取得了很好的效果。这种结合了概率论和图论的概率图模型为解决人工智能领域中的不确定性问题提供了重要的途径。由于概率图模型使用大量的变量独立关系来构建基于联合概率分布的结构模型,所以能够有机结合实际问题的时间和空间等信息,以便能够有效的对信息数据进行表示。概率图模型分为有向图模型和无向图模型,条件随机场(Conditional Random Field CRF)是无向图模型中的一种,最开始是基于自然语言处理而提出来的,后来被应用于图像处理,包括去噪,分割等,鉴于此本文使用条件随机场来分割图像,分别用来分割医学图像MR (Magnetic Resonance Imaging)脑图像中分割脑白质,灰质和脑脊液,以及Weizmann horse自然图像库中的马。 本文的研究内容如下： (1)提出一种结合超像素和扩展后的条件随机场的分割方法,称为S-ECRF分割方法,将该法应用到彩色图像的分割中,彩色图像选择Weizmann horse图像库,从图像库中分割出图像中的马。由于该图像库分割目标马所处的环境比较复杂,使用超像素比使用像素作为图节点更具有优势,时间复杂度低,而且分割出的马完整性更高。通过对该方法的初步探讨和研究,为实际应用条件随机场模型分割图像提供了一定的参考。 (2)在对脑MR图像进行分割时,有的超像素边缘不能很好的贴近不同组织的边缘,例如脑白质中狭小的区域和存在于脑灰质间的脑脊液,这样会导致分割精度降低,这时考虑使用基于像素和扩展后的条件随机场模型来分割MR脑组织可以提高分割的精确性。由于在图模型中,图节点的数量直接决定着算法的时间复杂度,所以有时需要根据需要选择使用像素级别还是超像素级别。