论文部分内容阅读
本文主要研究高斯混合模型在纹理分析上的应用。主要集中在纹理分割和分类上面。纹理分析是图象处理中一个非常基本的问题,高斯混合模型也是统计学上一个非常经典的模型。高斯混合模型在语音信号处理等方面取得了非常大的成功,在普通的灰度图象处理方面,特别是医学图象分割方面,近来也日益受到重视。但高斯混合模型在纹理分析上的应用却受到了忽视,本论文试着利用高斯混合模型这个工具对纹理分析进行研究:首先,本文研究了高斯混合模型在纹理分割和分类上的应用。在纹理分割方面,将高斯混合模型与经典的FCM算法、K-均值算法在纹理分割上进行了对比,表现出较强的分割能力。在纹理分类方面,构造了高斯混合模型分类器,其分类正确率也比其它分类器,象欧氏距离、马氏距离、简单马氏距离以及贝叶斯距离的分类能力有较大提高。
其次,本文研究了纹理分析中的核心问题——纹理特征提取,提出了一个结合小波和高斯混合模型的纹理特征提取方法。该方法先对图象进行二级分解,然后利用指数分布拟合三个细节系数的直方图,指数分布的宽度作为纹理的特征,逼近系数的直方图则利用高斯混合模型进行描述,这样,特征提取方法结合了统计方法和信号处理的方法,能同时刻画宏纹理和微纹理。该方法通过与其它特征提取方法进行对比,表现出更强的纹理刻画能力。
第三,考虑到高斯混合模型与高斯马尔可夫随机场的共同特点,提出了一种联合模型,该联合模型以邻域像素间的互作用力作为参数。利用EM算法推导了其模型参数估计的迭代公式,并将该模型应用于两类纹理和指纹图象的分割,实验表明,该模型能有效提高分割能力。
最后,研究了高斯混合模型的“模型选择”问题。在多变量高斯混合模型的“模型选择”中,在最短信息长度规则的基础上引入Wishart先验,通过与Figuerido和Jain算法进行对比,本文算法的稳定性和效率都较之有一定程度的提高。