bayesian网及其在图像分析中的应用研究

《bayesian网及其在图像分析中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、合肥工业大学博士学位论文Bayesian网及其在图像分析中的应用研究姓名：彭青松申请学位级别：博士专业：计算机应用技术指导教师：张佑生20041201摘要本文对Bayesian网的国内外研究现状作了深入的分析，对其构造方法以及变异Bayesian网进行了系统的理论研究。此外，还研究了该网络及其变异模型在图像分析中的应用，包括文本与人脸等目标的检测与定位。全文主要内容如下：1．介绍Bayesian网原理以及常用的推理算法。介绍了Bayesian网常用的消息传递推理算法、予团树传播推理算法以及基于消元的推理

2、算法等，并给出了几种常用推理算法的推理过程。2．通过分析用遗传算法对Bayesian网进行结构学习时存在的缺点，提出了根据混合遗传算法进行结构学习的新方法；在分析Bayesian网等价结构的基础上提出了Rudimentary结构等价性定理，并将该定理应用于对Bayesian网的结构优化中：推导了根据现有数据库和网络结构学习Bayesian网参数表的过程：介绍了由基于模型的诊断系统向Bayesian网转化的方法，拓展了Bayesian网的应用范围。3．通过对几种常见图模型的分析，以及根据因果独立性，提出了

3、Bayesian网的变异模型。新模型对数据之间关系的描述更准确，同时也简化了条件概率表的规模。通过对学生成绩Bayesian网及其变异模型的分析，验证了变异模型的有效性。4．图像中的场景文本由于受多种条件的影响，在文本检测中，其位置表现出不确定性。提出了用于文本检测与定位的变异直方图，并将其应用于图像中的文本特征提取。通过分析各种特征之间的不确定性关系，以及对这些不确定性关系进行处理，建立了文本检测Bayesian网，得到了有效的检测与定位结果。5．人脸检测与定位的难点是人脸在复杂背景以及不同成像条件下

4、包含大量不确定性。针对这一现象，提出了肩线检测Bayesian网以确定脸部区域：又提出了分级阈值分割方法，并根据该方法对脸部区域的分割结果建立变异Bayesian网确定眼睛位置。对BiolD图像数据库的检测结果表明了该方法的实用性。关键词：Bayesian网；图像分析；文本检测；人脸检测；II台肥工业大学博士论文ABSTRACTAftertheoverviewonresearchresultsaboutBayesiannetworksinbothdevelopedcountriesandourcount

5、ry，thisdissertationresearchessystematicallyontheconstructionandlearningofBayesiannetworksaswellasthevariantmodel．TextdetectionandfacedetectionarethetwoapplicationsofobjectionanalysisbyBayesiannetworks．Themaincontentsandnovelpartsofthisthesisareasfollows：

6、1．ThefundamentaltheoryofBayesiannetworksandfrequentlyusedinferencealgorithmsareintroduced．Bo也血eaccurateandapproximateInferencealgorithmssuchasMessagepassingalgorithm，Cliquetreepropagationalgorithm，VariableeliminationalgorithmandSOonaresummarized，andanexp

7、erimentisusedtoverifytheavailabilityofsomefrequentusedalgorithms．2．StructurelearningalgorithmofBayesiannetworkbyhybridgeneticalgorithmiSpresentedafterthedrawbackofGeneticAlgorithm—basedlearningalgorithmsisanalyzed．Rudimentaryequivalencetheoryforstructure

8、learningispresentedaftertheequivalencestructureofBayesiannetworkiSstudied．AndalgorithmtoparameterlearningiSalsojnduced．Finallytheprocessoftransferringfrommodel—basedgraphicalmodeltoBayesiannetworkisintroduced．3．Thevariantm