为了实现对纹理图像的分割,需利用建模像素间相互作用关系,因此本文利用在标号场和特征场中分别建模邻域多边形和邻域像素之间的作用关系,并提出一种基于马尔科夫随机场(Markov Random Field,MRF)的区域化纹理图像分割方法。即利用Voro...为了实现对纹理图像的分割,需利用建模像素间相互作用关系,因此本文利用在标号场和特征场中分别建模邻域多边形和邻域像素之间的作用关系,并提出一种基于马尔科夫随机场(Markov Random Field,MRF)的区域化纹理图像分割方法。即利用Voronoi划分技术,将图像划分为若干个多边形;在标号场上利用Gibbs分布建模相邻多边形标号间的相互作用,在特征场上利用高斯分布建模多边形内邻域像素间光谱测度的相关性;结合贝叶斯定理建立分割模型;通过最大期望值(Expectation Maximization,EM)算法来估计模型参数,进而获得最优分割结果。本文分别对合成纹理图像、自然纹理图像和遥感图像进行分割实验,并对分割结果进行定性和定量评价。通过计算混淆矩阵得出Kappa值为0.97,满足了优秀分类器的标准。本文提出的算法具有很强的抗噪和描述复杂光谱测度的能力,可行性好,准确性高。展开更多
连续型储集层属性分布预测是油气储集层研究的重要内容。定量化的方法有各种插值技术和基于地质统计学的一些随机模拟技术,不同方法各有其优缺点。对基于GMRF(Gaussian Markov Random Fields)模型的随机模拟方法的原理和算法进行了较为...连续型储集层属性分布预测是油气储集层研究的重要内容。定量化的方法有各种插值技术和基于地质统计学的一些随机模拟技术,不同方法各有其优缺点。对基于GMRF(Gaussian Markov Random Fields)模型的随机模拟方法的原理和算法进行了较为详细的介绍,实际模型的运算过程及结果表明,该方法较为简捷,同时连续型属性作为空间随机变量的两个特征———结构性和随机性也得到了很好的反映。展开更多
将基于像素MRF分割方法拓展到基于地物目标几何约束的区域MRF分割,提出了一种基于区域和统计的纹理影像分割方法,其基本思想是利用Voronoi划分技术将影像域划分为若干子区域。在此基础上,采用二值高斯马尔科夫随机场(BGMRF,bivariate Ga...将基于像素MRF分割方法拓展到基于地物目标几何约束的区域MRF分割,提出了一种基于区域和统计的纹理影像分割方法,其基本思想是利用Voronoi划分技术将影像域划分为若干子区域。在此基础上,采用二值高斯马尔科夫随机场(BGMRF,bivariate Gaussian Markov random field)模型,静态随机场模型和Potts模型从邻域、区域及全局层次描述影像的纹理结构,并将该纹理结构模型纳入贝叶斯框架;依据贝叶斯定理构建纹理影像分割模型;利用metropolis-hastings(M-H)算法进行模型参数估计,并依据最大后验概率(MAP,maximum a posterior)准则进行优化,从而完成纹理影像分割。为了验证所提出方法的正确性,分别对合成纹理影像,真实纹理影像及遥感影像进行了分割实验,定性和定量的测试结果验证了提出方法的有效性、可靠性和准确性。展开更多
文摘为了实现对纹理图像的分割,需利用建模像素间相互作用关系,因此本文利用在标号场和特征场中分别建模邻域多边形和邻域像素之间的作用关系,并提出一种基于马尔科夫随机场(Markov Random Field,MRF)的区域化纹理图像分割方法。即利用Voronoi划分技术,将图像划分为若干个多边形;在标号场上利用Gibbs分布建模相邻多边形标号间的相互作用,在特征场上利用高斯分布建模多边形内邻域像素间光谱测度的相关性;结合贝叶斯定理建立分割模型;通过最大期望值(Expectation Maximization,EM)算法来估计模型参数,进而获得最优分割结果。本文分别对合成纹理图像、自然纹理图像和遥感图像进行分割实验,并对分割结果进行定性和定量评价。通过计算混淆矩阵得出Kappa值为0.97,满足了优秀分类器的标准。本文提出的算法具有很强的抗噪和描述复杂光谱测度的能力,可行性好,准确性高。
文摘连续型储集层属性分布预测是油气储集层研究的重要内容。定量化的方法有各种插值技术和基于地质统计学的一些随机模拟技术,不同方法各有其优缺点。对基于GMRF(Gaussian Markov Random Fields)模型的随机模拟方法的原理和算法进行了较为详细的介绍,实际模型的运算过程及结果表明,该方法较为简捷,同时连续型属性作为空间随机变量的两个特征———结构性和随机性也得到了很好的反映。
文摘将基于像素MRF分割方法拓展到基于地物目标几何约束的区域MRF分割,提出了一种基于区域和统计的纹理影像分割方法,其基本思想是利用Voronoi划分技术将影像域划分为若干子区域。在此基础上,采用二值高斯马尔科夫随机场(BGMRF,bivariate Gaussian Markov random field)模型,静态随机场模型和Potts模型从邻域、区域及全局层次描述影像的纹理结构,并将该纹理结构模型纳入贝叶斯框架;依据贝叶斯定理构建纹理影像分割模型;利用metropolis-hastings(M-H)算法进行模型参数估计,并依据最大后验概率(MAP,maximum a posterior)准则进行优化,从而完成纹理影像分割。为了验证所提出方法的正确性,分别对合成纹理影像,真实纹理影像及遥感影像进行了分割实验,定性和定量的测试结果验证了提出方法的有效性、可靠性和准确性。
