基于马尔科夫随机场的纹理图像分类

图像纹理特征总体描述图像纹理特征总体简述纹理是⼀种反映图像中同质现象的视觉特征，它体现了物体表⾯的具有缓慢变化或者周期性变化的表⾯结构组织排列属性。

纹理具有三⼤标志：某种局部序列性不断重复；⾮随机排列；纹理区域内⼤致为均匀的统⼀体；不同于灰度、颜⾊等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。

另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。

纹理特征体现全局特征的性质的同时，它也描述了图像或图像区域所对应景物的表⾯性质。

但由于纹理只是⼀种物体表⾯的特性，并不能完全反映出物体的本质属性，所以仅仅利⽤纹理特征是⽆法获得⾼层次图像内容的。

与颜⾊特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进⾏统计计算。

在模式匹配中，这种区域性的特征具有较⼤的优越性，不会由于局部的偏差⽽⽆法匹配成功。

在检索具有粗细、疏密等⽅⾯较⼤差别的纹理图像时，利⽤纹理特征是⼀种有效的⽅法。

但当纹理之间的粗细、疏密等易于分辨的信息之间相差不⼤的时候，通常的纹理特征很难准确地反映出⼈的视觉感觉不同的纹理之间的差别。

例如，⽔中的倒影，光滑的⾦属⾯互相反射造成的影响等都会导致纹理的变化。

由于这些不是物体本⾝的特性，因⽽将纹理信息应⽤于检索时，有时这些虚假的纹理会对检索造成“误导”。

⼀. 纹理特征的特点优点：包含多个像素点的区域中进⾏统计计算；常具有旋转不变性；对于噪声有较强的抵抗能⼒；缺点：当图像的分辨率变化的时候，所计算出来的纹理可能会有较⼤偏差；有可能受到光照、反射情况的影响；从2-D图像中反映出来的纹理不⼀定是3-D物体表⾯真实的纹理；⼆. 纹理特征分类1. 基本说明纹理特征分类图如下所⽰：纹理特征的提取，⼀般都是通过设定⼀定⼤⼩的窗⼝，然后从中取得纹理特征。

然⽽窗⼝的选择，存在着⽭盾的要求：窗⼝设定⼤：纹理是⼀个区域概念，它必须通过空间上的⼀致性来体现。

观察窗⼝取的越⼤，能检测出同⼀性的能⼒愈强；反之，能⼒愈弱；窗⼝设定⼩：由于不同纹理的边界对应于区域纹理同⼀性的跃变，因此为了准确地定位边界，要求将观察窗⼝取得⼩⼀点；这种情况下，会出现困难是：窗⼝太⼩，则会在同⼀种纹理内部出现误分割；⽽分析窗太⼤，则会在纹理边界区域出现许多误分割。

１ 阴工学 院 电子与 电气 工程 学院 ， 难 江苏 淮安 ２ ３ ０ ２０ １ ２大连工业 大学 机械工程 与 自动化学院 ， 宁 大连 １６ ３ ． 辽 １０ ４
１Ｆ ｃ ｌ ｆ Ｅｌｃ ｒ ｎ ｃ ａ ｄ Ｅｌｃ ｒ ａ ｎ ｉｅ ｒ ｇ， ａｙ ｎ Ｉ ｓ ｔ ｔ ｆ Ｔ ｃ ｎ ｌ ｇ Ｈｕ ｉ ａ Ｊａ ｇ ｕ ２ ３ ０ ， ｉ ａ ． ａ ｕ ｔ ｏ ｅ ｔ ｉ ｎ ｅ ｔｉ ｌ Ｅ ｇ ｎ ｅ ｉ Ｈｕ ｉ ｉ ｎ ｔ ｕ ｅ ｏ ｅ ｈ ｏ ｏ ｙ， ａ ’ ｎ，ｉ ｎ ｓ ２ ０ １ Ｃｈ ｎ ｙ ｏ ｃ ｎ ｉ
２Ｓ ｈ ｏ ｆ Ｍ ｅｈ ｎｃ ｌＥ ｇ ｅ ｒ ｇ ａ ｄ Ａｕｏ ａｉｎ， ｌ ｎ Ｐ １ｔｃ ｎｃ Ｕｎｖ ｒｉ Ｄａｉｎ， ｉｏ ｉｇ ６ ３ Ｃ ｉａ ．ｃ ｏ ｌｏ ｃ ａ ｉａ ｎ ｉ ｅｉ ｎ ｎ ｎ ｔｍ ｔｏ Ｄａｉ ｏｙｅ ｈ ｉ ｉｅｓ ｙ， ｌ ａ ｔ ａ Ｌ ａ ｎｎ １ ０ ４， ｈｎ １
ｇ ａｅ ｎ ｕ ａ ｅｗｏ ｋ ｒ ａ ｈ ｓ ｏ ９ ．％ ａ ｄ ｔ ｅ ｎ ａ ｅｇ ｂ ｒ ｌ ｓ ｉ ｅ ｅ ｃ ｅ ｔ ９ ． ％ ， ｉｈ ｉ ｄ ｃ ｌ ａ ｅ ｌ ｉ ｇ ｔ ｅ ｒ ｔｄ ｅ ｒ ｌ ｎ ｔ ｒ ｅ ｃ ｅ Ｉ ４Ｏ ｎ ｈ ｅ ｒ ｎ ｉ ｈ ｏ ｃａ ｓｆ ｒ ｒａ ｈ ｓ Ｏ １０ ｉ ｗｈ ｃ ｎ ｉａ ｅ ｔ ｔ ｒ ａ ｉ ｎ ｈ ｈ ｚ ｃａ ｓｆｃ ｔｏ ａ ｄ ｒ ｃ ｇ ｉ ｏ ｏ ｏ ｔｘ ｕ ｅ ｂ ｓ ｄ ｏ ｔｉ ＧＭＲＦ ａ ａ ｅｅ ｙ ｔ ｍ ｉ ｅ ｓｂ ｅＴ ｉ ａ ａ ｔｒ ｓ ｓｅ Ｃ ｌ ｌ ｓｉ ａｉ ｎ ｎ ｅ ｏ ｎ ｔ ｎ ｆ ｗｏ ｄ ｅ ｔ ｒ ａ ｅ ｎ ｈ ｓ ｉ ｉ ｐ ｒ ｍ ｔｒ ｓ ｓｅ ｓ ｆ ａ ｉ ｌ ． ｈ ｓ ｐ ｍｅｅ ｙ ｔｍ ａｌ ｒ ａ Ｓ ｅ ｕ ｅ ｏ ｄ ｓ ｒ ｅ ｎ ｔｒ １ ｗｏ ｄ ｔｘ ｕ ｅ ｗｈ ｃ ｓ ｓｍｉ ｒ ｔ ｏ ｅ ｔ ｒ ． ｌＯ ｂ ｓ ｄ ｔ ｅ ｃ ｉ ａｕ ａ ｏ ｅ ｔ ｒ ｉ ｈ ｉ ｉ ｌ ｏ ｗｏ ｄ ｔｘ ｕ ｅ ｂ ａ

mrf能量函数-回复什么是mrf能量函数？MRF（Markov Random Field，马尔可夫随机场）能量函数是一种用于图像分割和图像处理中的数学模型。

它基于概率图模型理论，用于描述像素之间的关系和相互作用。

MRF能量函数提供了一种量化图像中的局部和全局特征，并通过优化算法找到能量最小的图像分割方案。

在图像分割中，MRF能量函数可以被视为一种图像的概率模型。

该模型表达了给定图像的分割方式出现的概率，并通过最小化能量函数的方法来寻找最优的分割结果。

MRF能量函数的目标是通过最小化能量函数来实现对图像中不同区域的分割。

MRF能量函数通常定义为一个关于像素标签的函数，其中每个像素都可以被分为不同的标签。

能量函数的形式化定义为：E(x) = Σi V(xi) + Σi, j S(xi, xj) (1)其中，E(x)表示图像分割的能量函数，x表示对应于图像像素的标签变量。

V(xi)是一个局部能量函数，它衡量了将像素i分配到标签xi的代价。

S(xi, xj)是一个代表像素i和像素j之间交互的势函数，它衡量了像素i和像素j 在彼此接近或不接近时的代价。

在能量函数中，局部能量函数V(xi)通常由图像特征表示，如像素的灰度值、纹理特征等。

例如，对灰度图像而言，可以将局部能量函数定义为像素灰度值与某个预先设定的值之间的差异或差平方。

而交互势函数S(xi, xj)则测量了邻近像素之间的关系，可以考虑像素之间的空间距离、灰度差异等因素。

为了最小化能量函数，通常使用迭代优化算法，如Gibbs采样、最大期望算法等。

这些算法通过迭代更新像素的标签变量，不断降低能量函数的值，直到找到能量最小的图像分割结果。

总结起来，MRF能量函数是一种基于概率图模型的数学模型，用于描述图像中像素之间的关系和相互作用。

它以图像的局部特征和相邻像素之间的交互为基础，通过最小化能量函数来实现对图像的分割，从而识别出图像中的不同区域。

该模型在图像处理和计算机视觉领域中得到广泛应用，并且可以结合其他技术进一步优化和改进图像分割的结果。

2012年 序号 1 2 3 4 5 6 17 18 19 20 21 22 23
科研热词 图像分割 高斯混合模型(gmm) 阈值选取 视觉显著性 网格分割 粗糙认知 粒计算模型 稳健函数 浮雕提取 活动轮廓模型 水平集方法 曲线演化 显著度图 显著对象 局部阈值 基曲面估计 图像处理 变分水平集 去噪 交互式文本图像分割 otsu算法 fisher线性判别算法 fisher准则
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
科研热词 图像分割 隐写 量化嵌入 连接通道 运动捕获 运动合成 运动分割 自适应 自组织 类自适应 竞争学习 特征空间聚类 微钙化点 图像特征 动作单元 分级 分割类数 人体动画 互信息量 二维粒子 乳腺钼靶片 mean shift gauss-markov随机场 fast marching
推荐指数 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
科研热词 高阶势能 阴影区域 超像素马尔可夫随机场 超像素 视觉导航 自适应的局部块 网格马尔可夫随机场 细节点 纹理特征 秘密共享 模糊盖子 曲率 智能机器人 无参数形状检测子 指纹 形状分类 局部统计信息 密钥隐藏 图割 可通行性检测 受限矩形框 分裂bregman方法 交通标志识别 二元树复小波变换 kullback-leibler距离
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

马尔可夫随机场符号定义篇一马尔可夫随机场可有点意思呢。

它是一种概率图模型，在很多领域都发挥着重要作用。

先来说说它的基本构成元素。

马尔可夫随机场里有节点，这就像是一个个小的单元。

比如说在图像分割里，每个像素点就可以看作是一个节点。

这些节点不是孤立存在的，还有边把它们连接起来。

边就代表着节点之间的关系。

这种关系在符号定义里可重要啦，因为它决定了节点之间的相互影响。

那马尔可夫随机场里的符号呢？先讲讲概率符号。

概率符号表示的就是某个事件发生的可能性大小。

在马尔可夫随机场里，它反映了节点处于某种状态的可能性。

就好比在文本分析中，一个单词出现在某个语境下的概率。

这个概率符号的数学含义就是通过一系列的计算得出的一个数值，实际意义就是对现实情况可能性的一种量化。

还有状态符号。

状态符号代表着节点的不同状态。

比如在图像分割中，一个像素点可能有前景或者背景两种状态。

这个符号在数学上是一种标识，用来区分不同的情况，在实际应用里就是对具体事物不同状态的标记。

再看实例。

在图像分割中，马尔可夫随机场的节点就是像素，边连接着相邻的像素。

概率符号决定了一个像素点是属于物体还是背景的可能性大小。

状态符号明确了这个像素到底是物体还是背景。

通过这些符号的相互作用，就能把图像里的物体和背景区分开来。

在文本分析里也类似，节点可以是单词，边表示单词之间的联系，概率符号决定单词出现的概率，状态符号可以表示单词的词性之类的。

这些符号定义之间的关系很紧密呢。

概率符号和状态符号相互影响。

概率符号的计算往往依赖于状态符号所代表的状态，而状态符号的确定也会根据概率符号得出的可能性大小。

它们共同构建起了马尔可夫随机场的理论框架。

没有这些符号定义，马尔可夫随机场就无法准确地描述各种复杂的关系，也不能在图像分割、文本分析等众多领域发挥作用。

这就是马尔可夫随机场符号定义的奇妙之处呀。

篇二马尔可夫随机场在科学研究领域可是相当重要的概念呢。

咱们先聊聊它的历史发展中的符号定义吧。

机器学习——马尔可夫随机场（Ma...最近刚好在调研马尔可夫随机场，发现可以参考的资料少之⼜少，中⽂外⽂⽂献资料都相对较少。

按照仅有的知识稍作稍作整理⾃留以免之后⽤到再作查询。

有需要的也可以简单参考，但。

根据已有资料确实不太好理解，有简单明了易理解的还望推荐。

马尔可夫随机场（MRF）：是关于⼀组有马尔可夫性质的随机变量X的全联合概率分布模型。

换句话说，若⼀组随机变量是马尔可夫随机场，那么其⼀定满⾜马尔可夫性质。

马尔可夫⽹络或是MRF在依赖性的表⽰上类似于贝叶斯⽹络。

两者的区别在于：贝叶斯⽹络是有向⽆环的，⽽马尔可夫⽹络是⽆向可以有环的。

因此，马尔可夫是可以表⽰某些贝叶斯⽹络⽆法表述的依赖关系，⽐如循环依赖。

另⼀⽅⾯，它也不能表⽰贝叶斯⽹络可以表述的依赖，⽐如诱发依赖。

马尔可夫随机场的底图可以是有限的也可以是⽆限的。

1.定义给定⼀个⽆向图G=（V,E）,其中每个顶点v∈V表⽰⼀组随机变量X=(Xv)，每条边{u，v}∈E表⽰随机变量u和v之间的⼀种依赖关系。

（1）成对马尔可夫性质：任意两个不相邻的变量相对给定的其他全部变量都是条件独⽴的。

（2）局部马尔可夫性质：所有其他变量的邻居变量都是条件独⽴的。

（3）全局马尔可夫性质：对于给定⼀个分离⼦集，任何两组变量都是条件独⽴的以上三个马尔可夫性质并不等价：全局马尔可夫性质强于局部马尔可夫性质，同样的，局部马尔可夫性质也强于成对马尔可夫性质。

Markov⽹Markov⽹也称 Markov 随机场(Markov random field,简称 MRF),是⼀个变量集合 X=(X1,X2,…,X n)∈χ的联合分布模型.它由⼀个⽆向图 G 和定义于 G 上的⼀组势函数φk组成.其中,⽆向图的每个节点都代表⼀个随机变量,⽽ G 中的每⼀个“团(clique)”都对应着⼀个势函数(为⾮负实函数),表⽰团的⼀个状态.Markov ⽹所代表的变量集的联合分布表⽰为P ( X = x ) =1/ Z ∏kφk(X{k}) (1)其中，X{k}表⽰Markov⽹中第k团的状态，即对应于第k个团中所有变量的取值状态。

随机过程在信号处理中的应用随机过程在信号处理中的应用随机过程是研究随机现象变化规律的数学工具，在信号处理领域起着重要的作用。

本文将介绍随机过程在信号处理中的应用，并探讨其在噪声滤波、图像处理和通信等方面的具体应用。

一、噪声滤波噪声是信号处理中常见的问题之一，通过随机过程的应用可以有效地对噪声进行滤波处理。

随机过程能够描述噪声信号的统计特性，进而提供有效的降噪算法。

例如，高斯随机过程可以用于建立高斯噪声的数学模型，进而通过滤波算法对信号进行降噪。

此外，自适应滤波算法中的LMS（最小均方）算法也是基于随机过程的理论基础。

二、图像处理图像处理是信号处理领域的重要分支，而随机过程在图像处理中有着广泛的应用。

随机过程能够描述图像中的纹理、噪声和边缘等特征，为图像分析与识别提供基础。

例如，马尔可夫随机场在图像分割中的应用就是其中的一个典型例子。

通过建立图像的马尔可夫模型，可以实现图像的分割和目标提取等处理。

三、通信通信领域是随机过程在信号处理中应用最为广泛的领域之一。

随机过程可以用来描述信道的统计特性，进而为通信系统的设计和优化提供理论依据。

例如，无线信道的衰落是随机过程的一种典型表现形式，通过对信道衰落过程进行建模，可以设计出更加鲁棒的通信系统。

此外，随机过程还可以用来描述通信中的干扰，通过干扰建模和抑制算法，提高系统的抗干扰能力。

总结起来，随机过程在信号处理中的应用十分广泛，涉及到噪声滤波、图像处理和通信等多个方面。

通过对随机过程的建模和分析，可以提供有效的算法和方法来解决信号处理中的相关问题。

随着技术的不断发展和创新，随机过程在信号处理领域的应用也将不断扩大和深化，为信号处理技术的进一步发展提供强大的支持。

2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
科研热词 马尔科夫随机场 模式识别 图像分割 马尔可夫随机场 阈值 邻域系统 边缘惩罚 超像素 视觉目标检测 自适应权 纳什均衡 紧凑型 粒度 立体匹配 活动轮廓 模拟退火 核磁图像分割 核密度估计 极化白化滤波 极化合成孔径雷达 条件迭代 最小描述长度 时空上下文 支持向量随机场 手绘笔画 岩性识别 尺度选择 地物类别邻接矩阵 图文分类 图切割 图像处理 图像分类 吉布比斯随机场 合成孔径雷达 各向异性扩散 分割 全局优化 光流 像斑 srgb色彩空间 graph dirichlet混合过程 cuts bayesian框架
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10
科研热词 马尔科夫随机场(mrf) 马尔科夫随机场 非监督分割 阈值分割 道路提取 纹理特征 灰度特征 期望最大化算法 图像分割 em算法
推荐指数 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
2011年 科研热词 马尔科夫随机场 阴影检测 目标检测 高斯混合模型 马氏距离 马尔可夫随机场 非监督分类 视频序ห้องสมุดไป่ตู้ 自适应阈值 混合高斯模型 核函数 极化目标分解 多极化合成孔径雷达 多尺度 均值漂移 图割 图像融合 图像分割 变化检测 分类 全极化合成孔径雷达 wishart分布 推荐指数 5 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Ｏｃ． １ ｔ ２０ ２
２１ ０ ２年 １ Ｏ月
［ 章 编 号 ］１ ７— ７７ ２ １ ）５０ ４—８ 文 ６ １９ ２ （０ ２ ０—５ １０
基 于 马 尔 科 夫 随 机 场 模 型 的 多视 角 异 质 多模 图像 的 目标检 测
何 智 翔 丁 晓青
（ 能 技 术 与 系 统 国 家 重 点 实 验 室 ， 华 信 息 科 学 与 技 术 国 家 实 验 室 ， 华 大 学 电 子 工 程 系 ， 京 １０ ８ ） 智 清 清 北 ０ ０ ４
第 ３卷 ９
第 ５ 期
成 都 理 工大 学学 报 （ 自然 科学版 ）
Ｊ ＯＵＲＮＡＬＯＦ ＣＨＥＮＧＤＵ ＵＮＩ ＶＥＲ Ｉ ＥＣＨＮＯＬ Ｓ ＴＹ ＯＦ Ｔ ＯＧＹ （ ｃｅｃ Ｓ ｉｎｅ＆ Ｔｅｈ ｏｏ ｙＥ ｉｏ ） ｃ ｎ ｌｇ ｄｔ ｎ ｉ
Ｖ １３ ｏ５ ｏ ９ ．ห้องสมุดไป่ตู้ ． Ｎ
Ｚｎ ｅ ｇ等 “ 利 用 ｓ ｂ ｌ算 子 生 成 原 图像 的 边 缘 ｏｅ 图， 然后利 用 边 缘 图的 互 相 关进 行 匹配 。参 考 图 像 和观测 图像 虽 然 光 质 不 同 ， 是 处 于 同 一视 角 但 并且 是 同一 场 景 ， 景 比较 简单 。类 似 的 方法 也 背
［ 金 项 目］ 国 家高 技 术 研 究发 展 计 划 （６ ） 目（ ０ ９ 基 ８３项 ２ ０ ＡＡｌ Ｚ １ ） ｌ ２ ４ ；国 家 自然科 学基 金 资 助项 目（０ ７ ０ ４ ６０ １３ ） ６ ９ ２ ９ ，１ ７ １ ５ ； 教 育 部 博 士 点 基 金 项 目（Ｏ ９ ０ ２ １０ ７ ２ＯＯＯｌＯ７） ［ 者 简 介 ］何 智 翔 （ ９ ４ ） 男 ， 士 研 究 生 ， 究 方 向 ： 杂 背 景 下 多视 角 的 目标 检 测 与 识 别 ，Ｅｍａ ：ｅｈｘａｇ 作 １８ 一 ， 博 研 复 － ｉ ｈ ｚｉｉｎ ＠ ｌ

类 数学形态学 实时渲染 图像区域分割 图像分类 高空间分辨率 高程图 马尔科夫随机场 马尔可夫模型 飞行模拟器 颜色直方图 频谱度量 音频系统 非真实感绘制 非下采样contourlet变换 遥感影像 遗传算法 迷彩设计 边缘模板匹配 边缘检测 贝叶斯置信传播 贝叶斯分类器 设计 视景系统 虚拟人体经络系统 色度直方图 自适应控制系统 自组织特征映射网络 自动拼图 纹理统计 纹理特征 纹理合成 纹理分割 粒子系统 环形邻域 特征抽取 烟花 灰度共生矩阵 模拟 标定符号定位 昆虫图像分割 摄像机 循经感传 形态学 强噪声背景 局部特征 室外场景 天空体 多纹理混合 墨扩散效果 均值聚类 均值平移聚类
推荐指数 3 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44

基金项目：国家自然科学基金（ｔＩＩｅ Ｎ撕ｏｎａＩ Ｎａｎｌｒａｌ ｓｃｉｅｎｃｅ Ｆｏ∞ｄａｔｉ∞０ｆ ｃｈｉＭ ｕｎｄ日Ｇｍｎｔ Ｎｏ．６０４７３１４１）；辽宁省自然科学基金（ｔｌｌｅ Ｎ蚰Ｉｒａｌ
ｕｎｄｅｒ‰ｌｔ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ ｕ∞ｌｌｉｎｇ Ｐｍｖｉｎｃｅ“ｃＩｌｉｎａ
文献标识码：Ａ
中图分类号：７Ｉ鸭９１．４
目标的自动检测与跟踪是计算机视觉的—个重要课题，一直 是监视和预警系统的重要组成部分。若要监视和预警系统具备快 速的反应能力，就必须能及时地发现目标、跟踪目标、捕获和锁定 目标。这就要求监视和预警系统增大其有效作用距离，能在远距 离发现目标。比如在现代高科技战争中，为了能尽早地发现敌方 卫星、导弹、飞机、坦克、车辆等军事目标，增大作战距离，能够在 越远的距离发现、跟踪目标，越能更好地实现有效的防御和攻击。
果通常不够理想。下面便利用多高斯和马尔可夫随机场的混合 模型对视频进行前景分割。
每帧图像中的每个像素点都是马尔可夫随机场中的结点， 结点的邻域结构采用四联通的邻域方式。如图１所示，每个结 点将接收其相邻４个结点的信息。其实这也是大多数文献中惯 用的邻域结构。文中的Ｋ（Ｊｓｉ）将会使用多高斯模型中的信息， 它实际上已经涵盖了历史中该点属于背景的信息，所以无需对 时间领域额外建模。这里只考虑空问邻域。
摘要：精确的目标检测是目标跟踪和识别的重要前提。提出了一种基于固定摄像机环境下的运动目标检测方案，利用多高斯和 马尔可夫随机场的混合模型对视频序列进行前景分割，以达到对运动目标检测的目的。建立了马尔可夫随机场用以刻画图像中每
个像素点与一定范围的领域内其他各点的关系，同时考虑一定的时域中的关系从而构建一个全局的约束，弥补多高斯模型只考虑

第33卷第3期 2018年6月遥感信息Remote Sensing InformationVol, 33，No.3 Jun. ,2018

一种改进的马尔可夫随机场分割算法

闫利，章炼伟，起展，夏旺(武汉大学测绘学院，武汉430079)

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。 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 doi：10. 3969/j. issn. 1000-3177. 2018. 03. 005

中图分类号：TP751 文献标志码：A 文章编号=1000-3177(2018)157-0026-06

An Improved Markov Random Field Segmentation AlgorithmYAN Li,ZHANG Lianwei.ZHAO Zhan,XIA Wang{School of Geodesy and Geomatics 9Wuhan University ,Wuhan 430079 ,C/iina)

Abstract ： Aiming at the problem that the traditional Markov random field does not fully consider the relationship between

the image pixels and the noise is too sensitive, an improved MRF image segmentation method is proposed. The neighborhood information of the observed pixels is added to the classical MRF. The Laplacian operator is used to describe the reliability of the likelihood energy in the MRF, and the global optimal solution is obtained by using the a-p swap algorithm. In addition ? the reliability of the sample points is evaluated and selected before the parameter estimation of the Gaussian mixture model (GMM) is estimated by the maximum expectation maximization (EM) method. The experimental results show that the proposed method is better than the classical Markov random field algorithm for the remote sensing optical images and SAR images with noise?and the time consumption is less.Key words：Markov random field；Gaussian mixture model；EM algorithm；Laplacian operator；image segmentation

率遥感卫星的相继发射， 高分辨率遥感卫星数据的处理与应用 研究逐步成为遥感应用领域的研究热点。 高分辨率遥感的图像 像元精度达到 &"8 以内，它可以以一种 非 常 精 细 的 方 式 观 测 地面， 使某些从前只能通过航空遥感方式完成的大比例尺专题 制图可用航天遥感完成， 在成本、 方便性等方面极具优势， 因此 在测绘制图、 城市规划建设、 交通、 水利、 军事、 农业、 林业、 资源 环境监测与管理等领域有着广阔的应用前景。 遥感工作者们希 望尽快认识高分辨率卫星遥感数据的特点， 设计开发针对性的 数据处理和应用方法， 从而充分挖掘数据应用潜力， 为祖国的 政治、 经济、 文化、 国防建设提供更好的服务。 为 此 ， !""% 年 中 国环境遥感学会还专门在兰州召开了高分辨率卫星遥感数据 处理与应用技术研讨会 。
" #
" " " "
!
!
。对于每个像元，
用最小均方差估计 （H&I ） 训练计算以其为中心的窗口内像元 的灰度均值、 方差和特征参数 C! （% ， ， （% ， 公式如下： &） &） !’E， （ （8 ， （ + "， "） （ + "， 8） （ + "， ! ）（ + 8， "） ’ ! 8 ） ’$ + 8， 8） ’ $ $ % ( % （ （8 ， （ + "， 8） （ + "， "） （ + "， 8 ）（ + 8， D8 ） ! " ） (% + 8， "） ( （! ） G% % ( % ( ( （ ， ） （ ， ） （ ， ）（ ， ） （8 ， ） （ ， + " ! + " 8 + " " + 8 D! ! D8 + 8 % ( % (% D8） ( （ （" ， （ + 8， " ）（ + 8， D8 ）（ + 8， D! ）（ + "， "） ) ! 8 ） )& + "， 8） ) & &

摘要纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。

纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。

本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。

灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。

关键字：灰度共生矩阵，纹理特征提取，图像识别ABSTRACTTexture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly.On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition.Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition.KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition目录前言............................................... 错误!未定义书签。

方法， 反映了全局颜色分布 ， 具有计算简单 ， 对图像 的大小、 旋转不敏感等优点－ 。大多数 医学图像是 ４ Ｊ 灰度 图像 ， 与彩色 医学 图像 （ 超、 彩 内窥镜 图像、 病
谱获取特征是可取 的。
近２ ， Ｏ年 大量的研究集 中在应用随机场模型表
达纹理特征 ， 包括 马尔可夫 、 自回归等随机场模
匀、 噪声和类别差异小等 因素 的影 响 ， 医学图像 使
的诊断识别成为一个复杂的非 线性问题 …。如何
快速、 准确地采用语义信息和 内容相结合的多级识 别方法确定 医学图像 的类 别 ， 检索 出相 似 的病例 ， 已成为 当前医学图像数据 库研究 的关键点之一 ， 其
中基于内容 的医学图像分类 是当前的研究热点 ， 可
型， 对于 自然纹理 的分类 获得 了较好 的效果 ， 在医 学图像的应用 中 ， ｉ ｓ Ｇｂ 分布定义 的马尔可夫 随机 ｂ
场模型研究较多 ＿ 。 ｌ
理切片等 ） 颜色特征相 对应 的是灰度特征 ， 同样
具有鲁棒性强 的优点 ， 适于 医学 图像 的初步筛选 ，
另外一个研究 热点是在纹理 特征提取 中引入 多尺度思想 ， 小波理论在 时频分析 中的灵活性 ， 决
定 了它在医学图像 纹理特征提取 中的优势 ， 能更好
地表 征 医学 图像 纹 理 的多尺 度 性 。Ｓｍｅ 和 ｅｌ ｒ Ｄ ｔｒ ｌ使用从小波子带 中提取 的平均值 、 差、 ｅｏ ＿ ｔ ｉ 方 共生矩阵等统计特征作 为纹理 特征 ， ５种 Ｃ 对 Ｔ图
可以保证检全率 ｌ。 ７ ＿
将图像的空间特性反 映在 灰度直方 图中是提 像 ， 采用小波子带上能量分布的均值 和方差构成纹 高检索效率的有效途径 ， Ｊ通过引入颜色对方法反

纹理是物体表面的固有特征之一 ， 是图像 区域
一
的尺度 上可 以观察 到 。纹 理 研 究 需 要 确定 一 定 的
种重要的属 Ｉ 是图像 中普遍存在而又难 以描述 生，
尺度 ， 尺度不 同， 观察 到的纹理也可能不 同。对 所
收稿 Ｅ期 ：０ １ ２月 １ ｔ ２１ 年 ９日， 回日期 ：０ １年 ３月 ２ 修 ２１ ７日
２ ２ 结 构 法 ．
ｆ” ］ ［ 一∑ｈ
∈
（） ２
ｌ计［ 一∑ｇ ］ 走
小 波包重 构算 法 ：
Ｅ ｌ ｌ
在 结构 法 中 ， 理被 看作 是一 组 纹 理基 元 以某 纹 种 规 则 的或重 复 的关 系结 合 的结 果 。结 构 法 处 理
辑 是＝ ∑ ｈ ２￣ ｚ ｇ ｄ 明 ［］ ｋ， ｌ ∑ ｄ Ｅ ＋ Ｚ
的特 征 。关 于 纹理 的定 义 至今 还 没 有 一 个 统 一 的 标准 ， 针对 图像 处理 领域 ， 具有 代表 性 的定义 有 ： 定义 １卜 纹 理是一 种 反映 图像 中 同质现 象 ］ Ｅ
的视觉 特征 ， 现 了物 体 表 面 共 有 的 内在属 性 ， 体 包
总第 ２ ２ ６ 期
计 算 机 与 数 字 工 程
Ｃ ｍｐ ｔｒ＆ Ｄｉｉ ｌ ｎ ｉ ｅ ｉｇ ｏ ｕｅ ｇｔ ｇｎ ｒ ａＥ ｅ ｎ
Ｖ０ ． ９ Ｎｏ ８ １３ ．
１ １５
２ １ 年第 ８ ０１ 期
基 于 纹理 的 图像 检 索关 键 技 术 研 究
叶 青 唐鹏 举
Ｃｌｓ ｍｂ ｒ ＴＰ３ 】 ４ ａ ｓ Ｎｕ ｅ ９．】
１ 引言
基 于内容 的图像检 索 （ ｏ ｔｎ ａｅ ｍａｅ Ｃ ｎｅ ｔ ｓｄＩ ｇ Ｂ Ｒ ｔｉ ａ， Ｂ Ｒ） 是 一 项 从 图像 数 据 库 中 找 出与 ｅｒ ｖ ｌＣ Ｉ ， ｅ

2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
科研热词 图像分类 图像分割 高斯混合模型 骨龄 骨骼边缘 马尔可夫模型 阵发性心脏病 遗传算法 边缘图像 边界泄漏 贝叶斯模型 贝叶斯分类器 计算机生成图形 自然图像 统计矩特征 纹理特征 粒子群优化算法 粒子群优化 环形邻域 支持向量机 序列生境 局部特征 多峰函数优化 双水平集 分类优化 决策因子 中值迭代函数 em算法 chn bhanu模型
推荐指数 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2012年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
科研热词 推荐指数 支持向量机 2 人脸识别 2 车牌字符识别 1 距离学习 1 语义鸿沟 1 词袋模型 1 视频检索 1 视频分类 1 缺陷检测 1 纹理分类 1 环形对称 1 特征提取 1 概率潜在语义分析算法 1 梯度方向直方图 1 局部特征 1 局部二值模式 1 小波变换和光滑支持向量机集成算法 1 子区域模糊融合 1 多尺度 1 图像标注 1 图像分类 1 合成孔径雷达 1 医学影像分类 1 加权pca 1 分类 1 人耳识别 1 二维经验模态分解 1 二叉树 1 主成份分析 1 两级分类 1 svm 1 pcb 1 lbp 1 k近邻法 1 kpca 1 gabor变换 1 cbir 1 adaboost算法 1