传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分...传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.展开更多
针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此...针对传统高斯混合模型(GMM,Gaussian mixture model)难以自动获取类属数和对噪声敏感问题,提出了一种基于可变类空间约束GMM的遥感图像分割方法。首先在构建的GMM中,将像素类属性建模为马尔可夫随机场(MRF,Markov random field),并在此基础上定义其先验概率;结合邻域像素类属性的后验概率和先验概率,定义噪声平滑因子,以提高算法的抗噪性;在参数求解过程中,分别采用可逆跳变马尔可夫链蒙特卡罗(RJMCMC,reversible jump Markov chain Monte Carlo)方法和最大似然(ML,maximum likelihood)方法估计类属数和模型参数;最后以最小化噪声平滑因子为准则获取最终分割结果。为了验证提出的分割方法,分别对模拟图像和全色遥感图像进行了可变类分割实验。实验结果表明提出方法的可行性和有效性。展开更多
提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了...提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.展开更多
文摘传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.
文摘提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.
