一种基于灰度分布马尔可夫模型的图像分割

基于MRF模型和形态学运算的SAR图像分割
倪维平;严卫东;边辉;吴俊政;芦颖;王培忠
【期刊名称】《电光与控制》
【年(卷),期】2011(018)001
【摘要】针对目标监测分析中的SAR图像分割问题,构造了一种基于马尔可夫随机场(MRF)模型和形态学运算的处理方法.首先利用SAR图像邻域空间上的马尔可夫性以及像素灰度的高斯分布模型,以较少的迭代次数实现了SAR图像的初分割;然后通过形态学运算进行处理,抑制干扰性分割,同时填充目标区域内部空洞,改善分割效果.实验结果显示,该方法可以较好地实现SAR图像目标区域的分割,且处理效率较高,利于实现SAR图像的快速有效分割.
【总页数】5页(P32-36)
【作者】倪维平;严卫东;边辉;吴俊政;芦颖;王培忠
【作者单位】西北核技术研究所,西安,710024;西北核技术研究所,西安,710024;西北核技术研究所,西安,710024;西北核技术研究所,西安,710024;西北核技术研究所,西安,710024;西北核技术研究所,西安,710024
【正文语种】中文
【中图分类】V271.4
【相关文献】
1.基于混合Gamma建模与MRF的SAR图像分割方法 [J], 李恒恒;郁文贤
2.基于区域的MRF模型用于SAR图像分割 [J], 何楚;夏桂松;曹永峰;杨文;孙洪
3.基于MRF模型的NSCT域SAR图像分割 [J], 鲁昌华;盛柳青;岳公和
4.基于小波域MRF模型的SAR图像分割 [J], 曹兰英;夏良正;张昆辉
5.基于改进FCM与MRF的SAR图像分割 [J], 韩子硕;王春平
因版权原因，仅展示原文概要，查看原文内容请购买。

人工智能机器学习技术练习(试卷编号141)1.[单选题]分类模型在进行训练时需要()A)训练集B)训练集与测试集C)训练集、验证集、测试集答案:C解析:2.[单选题]基于划分的聚类,说法正确的是()A)对分区个数敏感B)无法区分互斥的簇C)有利于寻找非球形簇答案:A解析:3.[单选题]现在有一份数据，你随机的将数据分成了n份，然后同时训练n个子模型，再将模型最后相结合得到一个强学习器，这属于boosting方法吗A)是B)不是C)不确定答案:B解析:4.[单选题]如果SVM模型欠拟合, 以下方法哪些可以改进模型 :A)增大惩罚参数C的值B)减小惩罚参数C的值C)减小核系数(gamma参数)答案:A解析:5.[单选题]假设下图是K-means算法的聚类结果，那么K的值为（）A)1B)2C)3D)4答案:C解析:6.[单选题]下列关于DataFrame说法正确的是（ ）。

A)DataFrame结构是由索引和数据组成B)DataFrame的行索引位于最右侧C)创建一个DataFrame对象时需要指定索引D)DataFrame每列的数据类型必须是相同的答案:C解析:7.[单选题]某单位运用随机森林算法思想建立抢修热点模型。

该模型主要预测下期台区工单数量,构建抢修热点。

模型构建步骤如下:①将历史数据进行随机自助法重抽样,生成N个训练样本集;②将N个训练样本集分别做决策树,生成N棵决策树;③将N棵决策树随机构成随机森林;④未来根据预测样本气候环境、设备属性、设备工况进行随机森林决策投票,得出针对该预测样本最优的决策树进行运算,并计算出最终结果。

模型算法构建步骤合理的顺序是()。

A)①②③④B)①③②④C)④①②③D)④②①③答案:A解析:8.[单选题]AGNES是一种采用（__）策略的层次聚类算法。

A)自顶向下B)自底向上C)自左至右D)自右至左答案:B解析:9.[单选题]下面关于 Random Forest 和 Gradient Boosting Trees 说法正确的是？A)Random Forest 的中间树不是相互独立的，而 Gradient Boosting Trees 的中间树是相互独立的B)两者都使用随机特征子集来创建中间树C)在 Gradient Boosting Trees 中可以生成并行树，因为它们是相互独立的D)无论任何数据，Gradient Boosting Trees 总是优于 Random Forest答案:B解析:本题考查的是随机森林和梯度提升树（GBDT）的基本概率和区别。

摘要图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。

在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。

在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结，本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。

关键词：图像分割；边界；区域；水平集；马尔科夫AbstractImage segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields.Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article.This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized.Keywords: Image segmentation; Border; Area；Level-set；Markov第1章引言1.1 图像分割的背景和重要作用图像是传达信息的一种方式，图像中含有大量的有用信息，理解图像并从图像中抽取信息以用来完成其他工作是数字图像技术中一个重要的应用领域，而理解图像的第一步就是图像的分割。

基于马尔可夫随机场的图像分割算法研究图像分割是计算机视觉领域中的一个重要研究方向，其目的是将图像分割成不同的区域或对象。

基于马尔可夫随机场的图像分割算法是近年来被广泛研究和应用的方法之一。

本文将对基于马尔可夫随机场的图像分割算法进行深入研究，并探讨其在实际应用中的优势和不足之处。

首先，我们将介绍马尔可夫随机场在图像分割中的基本原理。

马尔可夫随机场是一种概率模型，可以用于描述具有局部依赖关系的多变量系统。

在图像分割中，我们可以将每个像素视为一个变量，并通过定义条件概率来描述相邻像素之间的关系。

通过对条件概率进行建模，我们可以利用马尔可夫随机场来实现对图像进行自动分割。

接下来，我们将介绍基于马尔可夫随机场的图像分割算法中常用的能量函数和优化方法。

能量函数是描述系统状态和目标函数之间关系的数学模型，在基于马尔可夫随机场的图像分割算法中起着重要作用。

常用的能量函数包括数据项和平滑项，数据项用于描述像素的颜色或纹理信息，平滑项用于描述相邻像素之间的一致性。

优化方法则是通过最小化能量函数来实现图像分割的过程，常见的优化方法包括图割算法、模拟退火算法和迭代条件模式算法等。

然后，我们将讨论基于马尔可夫随机场的图像分割算法在实际应用中的优势。

相比于传统的图像分割方法，基于马尔可夫随机场的算法能够充分利用像素之间的空间关系和上下文信息，从而在保持边界一致性和细节保留方面具有更好的效果。

此外，基于马尔可夫随机场模型可以方便地与其他计算机视觉任务相结合，如目标检测、目标跟踪等。

然而，基于马尔可夫随机场的图像分割算法也存在一些不足之处。

首先，在建模过程中需要手动选择合适的参数和特征来描述图像特性，在不同应用场景下需要进行适当调整。

其次，在计算过程中需要解决复杂度较高、计算量较大的问题，这对于大规模图像的分割任务来说是一个挑战。

此外，基于马尔可夫随机场的图像分割算法对初始分割结果较为敏感，容易受到噪声和初始条件的影响。

最后，我们将展望基于马尔可夫随机场的图像分割算法未来的发展方向。

一种改进的MBNN图像分割算法
蔡念;杨杰;胡匡祜;熊海涛
【期刊名称】《北京邮电大学学报》
【年(卷),期】2005()z1
【摘要】提出了一种改进的基于模型的神经网络(MBNN,model-based neural network)图像分割算法.采用马尔科夫随机场(MRF,Markov randomfield)对图像建模,将该模型融入MBNN,应用改进的最大期望值
(EM,expectationmaximization)算法估计网络中MRF参数,采用预指定类别数技术减少网络计算量,最终实现图像分割.实验结果表明,该算法能够有机地将先验知识和图像局部统计相关性结合起来,从而有效地完成图像分割.
【总页数】4页(P55-57)
【关键词】基于模型的神经网络;图像分割;马尔科夫随机场;最大期望值算法
【作者】蔡念;杨杰;胡匡祜;熊海涛
【作者单位】上海交通大学,图像处理与模式识别研究所,上海200240;中国科学院,生物物理研究所,北京100101
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种结合改进OTSU法和改进遗传算法的图像分割方法 [J], 李贤阳;黄婵
2.一种改进的基于遗传算法优化的OTSU算法在岩心CT扫描图像分割中的应用
[J], 汤翟;何风
3.一种基于形态学分水岭算法的图像分割改进算法 [J], 毕浩宇;李燕
4.一种基于遗传算法的彩色图像分割改进算法 [J], 常竞;王玲
5.一种改进稀疏表示的多图谱脑MR图像分割算法 [J], 曹敏;侯金秀;张月芳;邓红霞;李海芳
因版权原因，仅展示原文概要，查看原文内容请购买。

基于随机游走的图像分割算法研究图像分割作为图像处理中的一项重要技术，已经被广泛应用于计算机视觉、医学影像、自动驾驶等领域。

而基于随机游走的图像分割算法由于其高准确性和良好的鲁棒性而备受关注。

本文将介绍基于随机游走的图像分割算法的原理、方法以及应用现状，并分析其优点和局限性。

一、随机游走与马尔科夫链随机游走是指在一个有向图或无向图上，按照每个节点的出边/入边按一定概率进行转移的过程。

而马尔科夫链则是指一个概率模型，描述了在给定状态下从一个状态到另一个状态的概率，且当前状态只和前一个状态有关。

在图像分割中，图像被描述为一个无向图，每个像素点为图的节点。

二、基于随机游走的图像分割算法原理基于随机游走的图像分割算法的核心思想是将图像分割视为节点的分类问题，假设每个像素点都属于某个类别，根据节点彼此之间的关系（像素之间的相似性）以及节点自身的特征（像素的灰度值、纹理等）对节点进行分类，使得同一类的节点之间的相似性最高，不同类之间的相似性最低。

具体来说，算法首先构建一个无向图，由像素构成，其中每个像素作为节点，根据相邻像素之间的灰度值差异，建立连边权重。

算法设置一个指针，从图中的某个节点开始随机游走。

随着指针的游走，每个节点上的标记信息逐渐更新，最终收敛到一个平衡状态。

在平衡状态下，每个节点都被标记为属于某个类别。

通常情况下，标记信息由一组实数表示，每个数字代表节点属于某个类的概率。

三、基于随机游走的图像分割算法方法基于随机游走的图像分割算法包括两个主要部分：图模型的构建和标记信息的计算更新。

1. 图模型的构建图像被视为一个无向图，每个像素点为图的节点。

对于图中的每个节点，根据像素点之间的相似性，设置其连接的权重。

若两个节点之间的权重值大于阈值T，则两个节点之间连一条边。

2. 标记信息的计算更新标记信息表示了每个节点属于某个类别的概率，通常由一组实数表示。

标记信息的计算更新分为两个步骤：初始标记和标记传播。

医学图像处理中的病变区域检测与分割算法研究在医学诊断中，图像处理技术扮演着重要的角色。

其中，病变区域的检测和分割是一项关键任务，可以帮助医生准确地定位和识别病变区域，从而提供更精确的诊断结果和治疗方案。

本文将介绍医学图像处理中病变区域检测与分割的算法研究进展，并探讨其中的挑战和未来发展趋势。

一、背景介绍医学图像处理中的病变区域检测与分割是一项复杂的任务，涉及到大量的数据预处理、特征提取和分类等工作。

随着计算机硬件和图像处理算法的不断发展，越来越多的方法被提出来解决这一问题。

其中，常用的算法包括传统的阈值分割、区域生长、图割、基于模型的方法和深度学习方法等。

二、传统方法1. 阈值分割阈值分割是最简单和基础的分割方法之一，它通过设定一个灰度值的阈值，将图像分成两部分：背景和前景。

然而，阈值的选择对分割结果有较大影响，对于复杂的图像，使用单一阈值的效果并不理想。

因此，阈值分割常常被用作初步的预处理步骤，用于提取感兴趣的区域。

2. 区域生长区域生长算法是一种基于种子点开始的分割方法，通过将种子点周围具有相似颜色或纹理特征的像素逐步添加到种子区域，从而扩展到整个病变区域。

然而，区域生长算法对初始种子点的选择敏感，容易受到噪声和边界模糊的影响，导致分割结果不准确。

3. 图割图割算法是一种基于图论的分割方法，通过将图像转化为图的形式，将图像中的像素看作图中的节点，像素之间的相似度看作边的权重，从而将图像分割为若干个连通分量。

图割算法具有较好的分割效果，但计算复杂度较高，对图像大小和分辨率要求较高。

三、基于模型的方法基于模型的方法将医学图像分割问题视为一个概率推断问题，通过建立灰度模型、纹理模型或形状模型等来进行分割。

常用的模型包括马尔可夫随机场（MRF）、条件随机场（CRF）和Active Shape Model（ASM）等。

基于模型的方法主要依赖人工设计特征和先验知识，对分割结果质量和泛化性能有较好的控制。

马尔可夫网络在图像识别中的应用一、介绍马尔可夫网络是一种数学模型，用于描述一系列可能的状态以及这些状态之间的转移概率。

它在许多领域都有着广泛的应用，其中之一就是在图像识别中。

通过马尔可夫网络，可以对图像进行分析和识别，从而实现自动化的图像识别和分类。

二、马尔可夫网络在图像分割中的应用图像分割是图像处理领域的一个重要任务，它的目标是将图像分割成具有语义上有意义的区域。

马尔可夫网络可以用于图像分割中，通过对图像中像素的状态进行建模，来实现对图像的自动分割。

马尔可夫随机场是一种常用于图像分割的马尔可夫网络模型。

它通过对图像中相邻像素之间的关系进行建模，来实现对图像的分割。

通过对图像进行分割，可以实现对图像中不同区域的识别和分析。

三、马尔可夫网络在目标识别中的应用除了图像分割，马尔可夫网络还可以用于目标识别。

在目标识别中，我们的目标是识别图像中的特定物体或者场景。

马尔可夫网络可以通过对图像中不同区域的状态进行建模，来实现对目标的识别。

在目标识别中，通常会使用基于特征的方法来描述图像中不同区域的状态。

通过对这些特征之间的关系进行建模，可以使用马尔可夫网络来实现对目标的识别。

通过对图像中不同区域的状态进行建模，可以实现对目标的自动识别和分类。

四、马尔可夫网络在图像生成中的应用除了对图像进行分割和识别，马尔可夫网络还可以用于图像的生成。

通过对图像中像素的状态进行建模，可以使用马尔可夫网络来实现对图像的生成。

在图像生成中，通常会通过对图像中不同区域的像素进行建模，来实现对图像的生成。

通过对图像中不同区域的状态进行建模，可以使用马尔可夫网络来实现对图像的自动生成。

五、总结马尔可夫网络在图像识别中有着广泛的应用。

通过对图像中不同区域的状态进行建模，可以使用马尔可夫网络来实现对图像的分割、识别和生成。

马尔可夫网络的应用为图像识别领域带来了新的可能性，为实现自动化的图像识别和分析提供了新的方法和思路。

希望通过不断的研究和探索，能够进一步发挥马尔可夫网络在图像识别中的作用，为图像识别领域的发展做出更大的贡献。

基于变分贝叶斯框架的医学图像分割第一章绪论医学图像分割是医学图像处理的重要环节。

如何准确地将医学图像中的不同组织及器官分割出来，成为了医学图像处理研究的热点问题。

在医学诊断、手术规划和治疗等方面有着广泛的应用。

现今医学图像分割方法中，基于变分贝叶斯框架的方法被认为是最有效的分割方法之一。

本文将详细分析该方法在医学图像分割中的应用及相关技术。

第二章变分贝叶斯框架变分贝叶斯框架是一种基于贝叶斯推断的方法。

该方法的主要思想是，在已有数据的基础上，通过构建某些概率分布模型，得到所要求的未知参数的概率分布。

变分贝叶斯框架分为生成式模型和判别式模型。

生成式模型的主要任务是建立观测数据和未知参数之间的联合概率分布，然后通过贝叶斯公式计算后验分布；而判别式模型则是直接对所要求的分类或回归问题进行建模。

第三章基于变分贝叶斯框架的医学图像分割方法基于变分贝叶斯框架的医学图像分割方法具有以下几个步骤：首先，对输入的医学图像进行预处理，包括图像平滑、去噪、灰度变换等操作；其次，根据实际需求，选择合适的概率分布模型来描述数据的特征。

例如，高斯混合模型用来描述目标区域和背景的灰度值分布，马尔可夫随机场模型用来对图像的局部空间关系建模；接着，利用变分推断算法，确定模型参数的后验分布，并对数据进行分割。

分割后，通过提取目标区域的特征，进行进一步的处理，如分割边界的平滑处理和曲线拟合等。

第四章应用实例基于变分贝叶斯框架的医学图像分割方法在医学影像领域已经得到广泛应用。

例如，利用该方法可以对肝脏病变区域进行分割，为肝脏病变的诊断和治疗提供有力的支持；另外，在眼科领域，可以对视网膜图像进行分割，帮助医生对病变的程度和范围进行准确的评估和诊断。

第五章结论在实际应用中，基于变分贝叶斯框架的医学图像分割方法具有分割精度高、可靠性强等优点。

尽管该方法中需要对随机变量的后验分布进行计算，但是利用现代计算机技术，可以高效地进行计算，从而实现快速分割医学影像。

一种基于马尔可夫随机场的影像纹理分类方法随着数字影像技术的不断发展，影像分类成为了很多领域中的必要技术。

其中，影像纹理分类是一项很有挑战性的任务。

本文将介绍一种基于马尔可夫随机场的影像纹理分类方法，这种方法能够在纹理分类中发挥重要作用。

在影像分类中，纹理是一个很重要的特征。

影像中的不同对象拥有不同的纹理，因此纹理可以用来帮助识别不同的对象。

影像纹理分类将影像划分为不同的区域，每个区域有其不同的纹理。

在纹理分类中，马尔可夫随机场是一种广泛使用的技术。

马尔可夫随机场模型可以用来描述相邻像素之间的关系，从而建立纹理分类模型。

在本文提出的基于马尔可夫随机场的影像纹理分类方法中，首先要建立一个能够捕捉影像像素之间空间关系的图像邻域系统。

其中，邻域大小是一个重要的参数，需要根据实际情况进行选择。

然后，对邻域内的像素进行灰度值差分，并通过灰度值差分矩阵计算不同像素之间的关系。

接下来，将这些关系表示成一个马尔可夫随机场模型。

对于马尔可夫随机场模型，从中选择特征向量可以提取出纹理特征。

一般而言，图像纹理特征可以表示为相邻像素之间的灰度值关系。

通过对这些特征向量进行分类，即可实现影像纹理分类。

为了验证这种基于马尔可夫随机场的影像纹理分类方法的性能，我们将其应用于标准的图像分类数据集。

实验结果表明，这种方法在纹理分类方面表现出色，尤其是在复杂纹理场景中能够比其他方法更好地区分不同的像素。

综上所述，基于马尔可夫随机场的影像纹理分类方法是一种有效的纹理分类技术，它可以在纹理分析上发挥重要作用。

我们相信这种方法可以在实际应用中带来更好的效果，并对各种场景中的影像分类问题提供更好的解决方案。

基于改进U-Net模型下的椎骨CT图像分割方法作者：刘侠余鸿波李冰王波来源：《哈尔滨理工大学学报》2021年第03期摘要：针对经典U-Net模型在椎骨CT分割过程中对图像信息利用不充分而造成图像边缘分割不清的问题，采用一种基于改进的U-Net模型的椎骨CT图像分割算法。

首先在经典U-Net模型基础上进行了改进，其次利用改进的U-Net模型分割出椎骨区域并得到粗分割结果，最后对粗分割结果利用图割算法（Graph-Cut）加强边缘约束，从而做到边缘细化分割。

分割方法整体分割精度可达到95.5%，Dice系数96.2%，Jaccard系数92.6%，HdD指标4.88%。

与经典U-Net模型相比Dice系数提高2.2%，Jaccard系数提高3.7%，HdD指标降低13.9%。

实验结果表明，提出的分割方法对椎骨图像分割可以达到精确分割的效果，能够适用于临床中的椎骨图像分割任务。

关键词：椎骨CT图像;U-Net网络;Graph-Cut算法;图像分割DOI：10.15938/j.jhust.2021.03.009中图分类号： TP391.4文献标志码： A文章编号： 1007-2683（2021）03-0058-07Vertebra CT Image Segmentation Method Basedon Improved U-Net ModelLIU Xia， YU Hong-bo， LI Bing， WANG Bo（School of Automation， Harbin University of Science and Technology， Harbin 150080，China）Abstract：In view of the problem that the classical u-net model does not make full use of the image information during the CT segmentation of vertebrae， which leads to unclear image edge segmentation， an improved algorithm of CT image segmentation of vertebrae based on the u-netmodel is proposed. Firstly， it was improved and optimized on the basis of the classic u-net model. Then， the improved u-net model was used to segment the vertebral region and obtain the rough segmentation result. Finally， the rough segmentation result was strengthened by the edge constraint algorithm （Graph-Cut） so as to achieve the edge refinement segmentation. In this paper， the segmentation precision of the methord can be reached 95.5%. The Dice coefficient is 96.2%. The Jaccard coefficient is 92.6%.The HdD index is 4.88. Compared with the classic u-net model， the Dice coefficient increased by 2.2%， the Jaccard coefficient increased by 3.7%， and the HdD index decreased by 13.9%.Keywords：CT image of vertebrae; U-Net network; Graph-Cut algorithm; image segmentation 0 引言健康的椎骨維持着人体正常生理形态，从颅骨开始中间连接肋骨到髋骨为止，是人体后侧支撑，具有挺拔躯体，保护内脏器官等重要作用。

一种改进的马尔可夫随机场分割算法闫利;章炼伟;赵展;夏旺【摘要】针对传统马尔可夫随机场没有充分考虑图像像素之间的关系导致对噪声过于敏感的问题,提出了一种改进的MRF图像分割方法.在经典MRF中加入了观察像素的邻域信息,利用拉普拉斯算子来描述MRF中似然能量的可靠性,并使用α-βswap算法获得能量最小解.采用期望最大算法对高斯混合模型进行参数估计前,进行了样本点的可靠性评判和选择,用以提高GMM的可靠性和减少EM算法解算的时间.实验证明,对于存在噪声的遥感光学影像和SAR影像,该方法较经典的马尔可夫随机场算法分割效果表现更好,解算时间也更短.【期刊名称】《遥感信息》【年(卷),期】2018(033)003【总页数】6页(P26-31)【关键词】马尔可夫随机场;高斯混合模型;EM算法;拉普拉斯算子;图像分割【作者】闫利;章炼伟;赵展;夏旺【作者单位】武汉大学测绘学院,武汉430079;武汉大学测绘学院,武汉430079;武汉大学测绘学院,武汉430079;武汉大学测绘学院,武汉430079【正文语种】中文【中图分类】TP7510 引言遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程[1]。

分割在遥感影像处理过程中非常重要，是遥感信息提取的基础环节。

良好的分割利于目标地物的分类、提取等后续处理。

随着遥感技术的发展，遥感影像的分辨率越来越高，随之而来的是影像噪声的大量增加[2]。

此外诸如合成孔径雷达(synthetic aperture radar，SAR)等新的成像方式也对常见的分割技术带来了挑战[3]。

上述出现的新变化增加了图像的分割难度，使得常见的聚类、分水岭[4]等分割方法不能产生很好的效果，需要引入新的方法来解决这些难题。

马尔可夫随机场(Markov random field，MRF)理论是一种概率理论，它可以被用来分析物理现象的时间或空间的相关性，在图像边缘检测、特征匹配、立体视觉、姿态估计、人脸识别中等邻域有广泛应用[5-6]。

第15卷 第9期2010年9月中国图象图形学报Journa l o f I m age and G raphicsV o.l 15,N o .9Sep .,2010基金项目:国家自科基金项目(60475002);航空基金项目(2008ZD56003);江西省自然科学基金项目(2009GZS0090);江西省教育厅科技项目(GJJ09483,G JJ 08209)。

收稿日期:2008 11 07;改回日期:2009 05 16第一作者简介:李 凌(1981 ),女。

南京航空航天大学自动化学院测试计量技术与仪器专业博士研究生。

主要从事图像处理、模式识别相关研究。

E m ai:l ti n a @nuaa .edu .cn,lili ng35@163.co m 。

通讯作者:黎 明,E m ai:l li m i ngn iat @hot m ai.l co m 。

基于模糊灰度共生矩阵与隐马尔可夫模型的断口图像识别李 凌1),黎 明2),鲁宇明2)1)(南京航空航天大学自动化学院,南京 210016)2)(南昌航空大学无损检测技术教育部重点实验室,南昌 330063)摘 要:纹理通常由空间分布和灰度分布共同描述,灰度共生矩阵(GLC M )能兼顾二者,故广泛应用于纹理分析中。

在计算G LC M 时,为降低其维数,需对纹理图像进行灰度量化,这必然丢失部分图像信息。

灰度量化时,由灰度值与量化区间中心值的不同距离,构造出相应的模糊隶属度函数,并定义了模糊灰度共生矩阵(FG LC M )。

通过对断口图像FG LCM 的14个特征统计量进行相关性分析,选择角二阶矩和熵等7个统计量作为特征参数,并验证了其有效性。

最后,在4类典型断口图像的特征空间上,采用隐马尔可夫模型(HMM )进行分类识别。

实践表明,FGLC M 比已有的GLC M 能更好地表征断口特性,且在HMM 状态数为3时,断口分类的平均识别率可达98%。