数字化和信息化的时代,对于海量的图片信息,图像处理在生活中发挥着越来越重要的作用。图像分割是图像处理中最重要也是最基本的技术手段,其作用是对图像中的不同区域进行划分,以此得到自己感兴趣的目标。随着科学技术的不断创新,图像分割广泛应用于各个领域,比如人脸识别、交通监测、军事工程等。现有的图像分割方法非常多,近几年,由于混合模型在图像分割中的灵活性,使得混合模型受到越来越多的科研工作者的关注,尤其是有限混合模型。但是,由于有限混合模型需要手动确定分量数,在很多应用场景中其针对复杂的数据时很难发挥出优势。所以,在本论文中针对有限混合模型的缺陷,提出了两种基于Dirichlet过程的模型方法,并分别将其应用于彩色自然图像和医疗图像分割。另外,本论文还将对现有方法做一些介绍,并指出存在的问题,然后采用本论文中提出的方法来解决相应问题,并用实验结果来验证本论文提出的方法的有效性。论文的主要研究工作概括如下:首先,很多有限混合模型对高斯数据能得到较好的分割效果,但将其应用到非高斯的数据时却表现不佳。所以,在本论文中针对彩色图像提出了一种基于Dirichlet过程的Beta-Liouville混合模型,模型采用Beta-Liouville分布作为基分布,其优点是对于非高斯数据其依旧能得到很好的统计特性。此外,该模型是基于Dirichlet过程的混合模型(又称为无限Beta-Liouville混合模型),相对于有限混合模型,Dirichlet过程混合模型不用手动选定聚类数,模型会根据数据的复杂度来调节模型自身。同时,在该模型中利用广义均值(generalized mean,GM)加入了空间关系,使得提出的模型鲁棒性和抗噪性能得到提升,从而提升模型分割效果。对模型的参数估计,采用的是塌陷的变分推断方法(collapsed variational Bayes)。通过实验证明,该模型方法相比于比现有的一些基于Dirichlet的有限混合模型的方法在自然图像上的分割效果更好。其次,针对医疗图像,考虑到数据的复杂性与统计特性,本论文又提出了另外一种基于Dirichlet过程的inverted Beta-Liouville混合模型(又称无限inverted Beta-Liouville混合模型)。模型采用的基分布是inverted Beta-Liouville分布,该分布可以看作一种泛化的inverted Dirichlet分布,同时可以表现出多重对称和非对称模式,即该分布可以向左倾斜,向右倾斜或者对称的,其泛化能力比BetaLiouville分布更强,适用范围更广。该模型也是无限混合模型,可以根据数据调整模型自身复杂度。另外,为了提升模型的鲁棒性,在这个模型中同样利用广义均值施加空间约束。最后,基于EM算法存在容易出现过拟合和容易陷入局部极小值的缺点,在模型参数学习过程采用的是变分推断。本论文提出的两种方法,分别进行不同的实验来验证,对于第一种方法采用的是网上公开的彩色图像数据,第二种方法则采用的是网上公开的模拟和真实脑部MRI图片进行实验。通过多种实验的定量分析,证明本论文提出的两种模型算法相对于有限混合模型的优越性。