基于概率图模型的图像分割方法研究

Graphical models are a marriage between probability theory and graph theory. Graphical models are powerful tools for describing uncertainty and complexity of high dimensional system. Graphical models theory provides a convenient and consistent way to model spatial features and correlated features. Currently, the image segmentation methods based on graph models focus on how to solve energy minimization problems. However, the structure of graphical models is often unknown in practice. Therefore, how to learn structure of graphical models from observational image data, and then it makes sense for image modeling .The existing graphical models for image segmentation tend to be either directed or undirected models alone. While they can effectively capture one type of image relationship, they often fail to capture the complex image relationships of different types. To overcome this limitation, we want to find a probabilistic framework that mixes an undirected graphical model with a directed graphical model. It can flexibly incorporate image measurements, both non-causal relationships（undirected graphical models）and causal relationships(directed graphical models). With this framework, image segmentation is performed through a principled probabilistic inference.

概率图模型（Graphical Models）是概率论和图论的结合,是描述复杂高维系统的不确定性和复杂度的有力工具。概率图模型理论为描述图像的空间特征和关联特征提供了一种简洁一致的建模方法。目前，基于概率图模型的图像分割方法都是在已知模型结构的基础上，研究如何处理能量函数最小化问题。而实际应用中，如何从观察数据中学习概率图模型结构，然后进行图像建模就也非常重要。此外，当前的图像分割方法仅仅是利用无向概率图模型或有向概率图模型的一种。这就导致只有一些图像关联被捕捉，其它信息则被忽略。为克服这种缺陷，希望提出一种结合有向概率图模型和无向概率图模型的混合框架来分割图像，既能处理非因果关系（无向概率图模型），又能处理因果关系（有向概率图模型）。在这种框架下，可通过概率推断方法实现图像分割。

图像分割是一个重要的早期视觉任务，具有相似特征的像素被分为均匀区域。概率图模型是概率论和图论的结合，它可用相对简单的局部条件概率表示复杂的随机系统。本项目用概率图模型描述图像分割问题。但是，从有限的信息中获取图模型的结构非常困难。此外，对于大而复杂的图结构，则很少涉及。本文构造了一个框架从图像数据学习无向图模型的结构，它可以表示变量之间的空间关系，并将其应用于图像分割问题。首先，本项目在对图像数据特征采集及降噪预处理的基础上，提出基于白平衡偏差补偿和小波尺度分解的多尺度纹理图像数据抗干扰信息映射方法，进行图像数据的偏差补偿，实现多尺度纹理图像数据信息融合。然后以超像素为节点来学习概率图模型的结构并构建图像分割体系。该方法应用于脑胶质瘤MRI图像分割也取得好的结果。本项目同时研究了基于粒子竞争的复杂网络理论，利用图模型学习得到的图结构和节点特征，提出并验证了基于粒子竞争的分类方法。进一步扩展了对图模型的研究。通过在不同数据集上的实验以及和其它方法相比较，本项目中的方法准确有效，在实验中均得到好的结果。