多尺度Markov模型的可适应图像分割方法

摘要

本文在图像分割的TSMAP(trainable sequential maximum a posterior)方法基础上,提出基于多尺度Markov模型的可适应ATSMAP(adaptive TSMAP)图像分割方法.在给定训练图像及其基本真实分割(ground truth segmentation,GTS)的基础上,通过直接对原始图像的GTS进行小波变换产生粗尺度上的GTS,进而估计出图像数据的分布参数和Markov四叉树模型参数;上下文模型参数根据上下文的低维特征(类别数量特征)而非上下文本身来估计.该方法具有上下文模型参数估计计算量小,Markov四叉树模型参数可针对特定的待分割图像重新优化等优点(模型适应过程),解决了TSMAP方法易导致过学习的问题,在待分割图像与训练图像的统计特性不匹配的情况下,仍能给出较好的分割结果.对合成图像与SAR图像的实验结果表明,这种方法的分割精度高于TSMAP和其它几种基于多尺度Markov模型的图像分割方法.