小波变换和马尔可夫随机场在图像处理中的应用研究

摘要

本论文根据小波变换和马尔可夫随机场理论，针对图像处理技术中的图像去噪、图像分割和纹理合成三个重要课题进行了深入研究，主要工作及贡献如下： 1.提出了一种新的基于小波域隐马尔可夫树模型的图像去噪算法。该算法采用三态隐马尔可夫树模型或分级隐马尔可夫树模型对图像进行多尺度统计建模，降低了计算复杂度，提高了模型参数的估计精度。对加性高斯白噪声进行图像去噪仿真实验，实验结果表明本文提出的图像去噪算法在峰值信噪比和主观视觉效果方面均优于传统图像去噪算法。 2.提出了一种基于小波域自适应上下文结构的多尺度图像分割算法。该算法为了减小计算量，采用智能初始化和半树HMT模型参数加权训练算法，得到了可靠的初始分割；为了获得较好的区域一致性和边缘准确性，在进行尺度间融合时，采用自适应的上下文结构分别应用于图像纹理均质区域和图像纹理边缘，保证了图像大致轮廓的准确性和可靠性，提高了分割后图像纹理边缘的精确度。仿真实验结果表明本文提出的图像分割方法对合成纹理图像和自然界图像均有很好的分割效果。 3.提出了一种新的基于马尔可夫随机场的纹理合成方法，该算法首先利用纹理图像及其子图像的统计特性的相似性，自动选取最佳邻域的大小，然后采用L邻域匹配快速搜索算法加速纹理合成。仿真实验结果表明，本文提出的纹理合成算法和传统算法相比，不仅减少了合成时间，而且获得了比较好的纹理图像合成效果。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题研究的背景和意义

1.2论文的主要研究内容

1.2.1主要工作及创新点

1.2.2内容安排

第二章小波变换与马尔可夫随机场

2.1小波理论

2.1.1小波理论的发展

2.1.2小波变换

2.2马尔可夫随机场

2.2.1二维Markov随机场定义

2.3隐马尔可夫模型

2.3.1 HMM定义

2.3.2隐马尔可夫模型的三个基本问题

2.3.3隐马尔可夫模型的经典算法

第三章小波域隐马尔可夫树模型

3.1引言

3.2小波域HMT模型建立

3.2.1小波变换特性分析

3.2.2单个小波系数的概率模型

3.2.3图像信号小波分解及多尺度树图表示

3.2.4小波域HMT模型

3.3小波域HMT模型训练

3.3.1最大似然参数估计

3.3.2 EM算法及似然函数计算

3.3.3隐马尔可夫树的EM算法

第四章图像去噪

4.1引言

4.1.1小波域图像去噪基本原理

4.2小波域阈值滤波算法

4.3 2SHMT模型图像去噪算法

4.3.1噪声方差的估计

4.3.2 2SHMT模型在图像去噪中的应用

4.4 3SHMT模型图像去噪算法

4.5 HHMT模型图像去噪算法

4.6仿真结果和分析

4.7医学图像去噪

4.8本章小结

附图

第五章图像分割

5.1引言

5.1.1图像分割定义

5.1.2多尺度图像分割

5.2基于隐马尔可夫树模型的图像分割

5.2.1 2-D HMT模型

5.2.2 HMTseg初始分割

5.2.3基于上下文模型的尺度间融合

5.2.4 HMTseg仿真结果和分析

5.3自适应上下文结构多尺度分割

5.3.1小波基的选取

5.3.2模型训练算法的改进

5.3.3自适应上下文结构多尺度分割

5.3.4 JACMS仿真结果和分析

5.4航摄像片图像分割

5.4.1航摄像片图像分割

5.4.2图像分割训练样本的影响

5.5本章小结

附图

第六章纹理合成

6.1引言

6.1.1基于参数统计模型的纹理合成方法

6.1.2非参数纹理合成方法

6.2基于马尔可夫随机场的纹理合成

6.2.1 Wei基本算法

6.2.2改进的纹理合成算法

6.2.3仿真结果和分析

6.3本章小结

附图

第七章总结与展望

7.1论文总结

7.2展望与设想

参考文献

发表论文和科研情况说明

致 谢