基于有限混合模型图像分割的研究与应用

《基于有限混合模型图像分割的研究与应用》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、分类号密级硕士学位论文题目：基于有限混合模型图像分割的研究与应用英文并列题目：Thestudyandapplicationofimagesegmentationbasedonfinitemixturemodel研究生：牛艺蓉专业：数字媒体技术研究方向：图像处理与智能识别导师：王士同指导小组成员：学位授予日期：2016.06答辩委员会主席：刘渊江南大学地址：无锡市蠡湖大道1800号二○一六年五月摘要摘要图像分割是指将一幅图像分解为若干互不交迭的区域的集合，同时它是数字图像处理的一个重要方向，是机器视觉的基础环节。图像分割又是特征提取和图像理解的基础，正确的分割结果能够为信息判断提供有力的

2、依据。图像作为信息的载体，本身具有复杂性且内容丰富，传统的阈值分割、区域生长分割法、分裂合并法等算法虽然对简单图像表现出良好的性能，但在应用上尚有一定的局限性。图像分割的本质也是对图像像素聚类的过程，由于混合分布的原理简单并且容易实现，常用于图像分割。传统的有限混合模型在进行图像分割时没有考虑像素之间的关系，因此，分割效果并不理想。基于马尔科夫随机场的模型在进行图像分割时充分的考虑了像素间的邻域关系，然而在进行图像分割时仍然存在一些问题。本文在对有限混合模型进行研究的基础上，进行了以下的创新：1.针对传统的图像分割方法不能有效地适应重尾噪声下的图像拖尾情况，提出了具有良好抗重尾噪声能力

3、的student-t分布下的图像分割方法。与高斯混合模型（Gaussianmixturemodel，GMM）相比，该算法充分考虑了图像像素之间的空间关系，同时与基于马尔科夫随机场的模型相比，该算法需要较少的参数，因此它更容易实现。相较传统混合模型采用EM算法进行参数估计，该算法采用梯度下降法优化参数。实验结果表明，基于student-t分布的混合模型能够有效地处理重尾噪声下的图像拖尾。2.当用已有的改进高斯混合模型于图像分割时,如何加快其分割过程是一个有研究意义的课题。基于最新的噪音受益EM算法，本文通过人工加噪来加快已有的改进高斯混合模型的收敛速度，从而达到加快图像分割的目的。当添加

4、的噪声满足噪音受益EM定理时，加性噪声加快了EM算法收敛到局部最大值的平均收敛速度。改进的高斯混合模型是EM算法的特例，因此，噪音受益EM定理同样适用于改进的高斯混合模型。实验表明，本文提出的算法进行图像分割时，其收敛速度明显加快，时间复杂度明显变小。关键词：student-t分布；重尾噪声；图像分割；空间邻域关系；高斯混合模型；噪声受益；NEM定理；IAbstractAbstractImagesegmentationdenotesaprocessbywhicharawimageispartitionedintononoverlappingregions,andatthesametim

5、eitisanimportantdirectionofdigitalimageprocessingandthebasicofmachinevision.Imagesegmentationisthefoundationoffeatureextractionandimageunderstanding.Correctsegmentationprovidespowerfulevidenceforinformationdetermination.Asacarrierofinformation,imagesareinherentlycomplexandofrichcontent.Althought

6、hetraditionalthresholdsegmentation,thesegmentationmethodbaseonregiongrowing,splitandmergealgorithmmethodshowgoodperformancesimpleImage,thereremainsomelimitationsontheapplications.Theessenceofimagesegmentationistheclusteringofimagepixels.Mixturemodelshavebeensuccessfullyappliedtoimagesegmentation

7、sinceitiseasytobeimplemented.However,thetraditionalfinitemixturemodelcannotgetgoodimagesegmentationresultsonnoisyimagesduetotherelationshipbetweenpixelsisnotconsidered.Markovrandomfieldmodelconsidersthespatialrelationshipsbe