关于马尔科夫随机场(MRF)在图像分割中应用的个人理解
首先明确几个基本概念(个人理解):
先验概率: 基于历史经验得到的当前事件发生的概率
后验概率: 根据数据或证据得到的事件发生的概率 (由因到果)
似然概率: 已知事件发生的概率下数据或证据发生的概率 (由果到因)
图像分割和目标识别都可以看成一个图像中各个像素点做label的过程。例如进行边缘检测,就是以一定阈值判断这些像素值属于标签集{edge,nonedge}中的哪一类。
为此,我们认为每个像素s在图像中具有一个特征向量,对整张图有
定义每个像素s属于label ws,对整张图有
根据以上定义,图形分割从概率的角度来说就是一种求各像素点属于每个label的概率,取其中最大的那个label的过程。
P(w|f)表示基于observed feature f的条件下属于一个标签的概率,也叫后验概率。因此,该过程就是最大化后验概率来寻找最优标签w。该思想被称作MAP(Maximum a Posteriori),即就是
基于贝叶斯理论可知P(w|f)与P(f|w)和P(w)有关
P(f|w)就是似然概率,P(w)是先验概率,P(f)是一个常量。
由于图像中某些区域的相邻像素点见会有相似的颜色,纹理之类的,那么马尔科夫随机场这种概率模型就能够得到很好的应用。
根据The Hammersley-Clifford Theorem可知,当且仅当先验概率P(w)满足Gibbs分布时,随机场为马尔可夫场。Gibbs分布就是如下形式
是归一化参数。
下面介绍Clique的概念。
当一个子集C属于S满足其中的每一对像素点都是相邻的情况下,该子集被称为clique,含有n个像素的C为Cn。图像中clique的交集表示为C,即
对每个C,对应有一个clique potential,定义为Vc(w),w是前文中的标签。那么易得
我们一般假定似然概率符合高斯分布(因为噪声呈高斯分布?)
对于定义的Clique potentials有以下值:
singleton(单个像素点)Clique potential=logP(f|w)
doubleton(像素点对)Clique potential是一个分段函数,与平滑性有关,参数beta越大则该区域越homogenous(同质)
定义mrf模型的能量方程为
寻找最优w的过程就是优化能量函数的过程。
以上就是基本思路,常用优化算法如模拟退火 梯度下降之类的对能量函数进行优化。
参考资料:https://inf.u-szeged.hu/~ssip/2008/presentations2/Kato_ssip2008.pdf,主要为翻译,附带一点个人理解。
关于马尔科夫随机场(MRF)在图像分割中应用的个人理解相关推荐
- 关于马尔科夫随机场MRF的思考
转载自:http://www.cnblogs.com/yysblog/archive/2012/09/17/2689318.html Markov Random Fields(MRF)是undirec ...
- 机器学习强基计划6-2:详细推导马尔科夫随机场(MRF)及其应用(附例题)
目录 0 写在前面 1 无向概率图 2 马尔科夫随机场 3 马尔科夫独立性 4 例题分析 0 写在前面 机器学习强基计划聚焦深度和广度,加深对机器学习模型的理解与应用."深"在详细 ...
- 马尔科夫随机场的基本概念
1.随机过程: 描写叙述某个空间上粒子的随机运动过程的一种方法. 它是一连串随机事件动态关系的定量描写叙述. 随机过程与其他数学分支,如微分方程.复变函数等有密切联系.是自然科学.project科学及 ...
- 马尔科夫随机场之图像分割【二】
由于经常有读者说运行出错,我又本地校准了下程序,由于版权限制,lena图MATLAB新版已经撤除了,这里改成了cameraman的图 参考:http://blog.csdn.net/on2way/ar ...
- 【网络时间同步】基于马尔科夫随机场最大后验估计和Gardner环的无线传感器网络时间同步算法matlab仿真
1.软件版本 matlab2021a 2.本算法理论知识 通过一种基于马尔科夫随机场的最大后验估计方法对无线传感器网络中不相邻的两个接收节点在多个参考广播消息条件下的相位偏差进行估计,然后通过Gard ...
- MRF,马尔科夫随机场
之前自己做实验也用过MRF(Markov Random Filed,马尔科夫随机场),基本原理理解,但是很多细节的地方都不求甚解.恰好趁学习PGM的时间,整理一下在机器视觉与图像分析领域的MRF的相关 ...
- PGM学习之七 MRF,马尔科夫随机场
之前自己做实验也用过MRF(Markov Random Filed,马尔科夫随机场),基本原理理解,但是很多细节的地方都不求甚解.恰好趁学习PGM的时间,整理一下在机器视觉与图像分析领域的MRF的相关 ...
- 马尔科夫随机场(MRF)与吉布斯分布(Gibbs)
1. 首先由两个定义,什么是马尔科夫随机场,以及什么是吉布斯分布 马尔科夫随机场:对于一个无向图模型G,对于其中的任意节点X_i,[以除了他以外的所有点为条件的条件概率]和[以他的邻居节点为条件的条件 ...
- 马尔科夫随机场之图像去燥【Matlab实现,PRML例子】
马尔科夫随机场,本质上是一种概率无向图模型.分类:概率图模型大致上分为两种,一种是有向图,又叫贝叶斯网络,链接节点之间的边是有方向的,用来描述变量之间的因果关系(下图左侧):另一种是无向图,又叫马尔科 ...
最新文章
- 谷歌 AI 编舞师,连张艺兴最喜欢的 Krump 都不在话下
- [MySQL FAQ]系列 -- 为何innodb表select count(*)很慢
- HashMap,LinkHashMap和TreeMap的区别
- redis缓存原理与实现_SpringBoot整合Redis缓存,手把手教你一步一步实现
- 到底什么是API经济
- 前端神器之Sublime Text2/3简单明了使用总结
- linux服务器测试接口命令,Linux 下 TCP/UDP 端口测试及验证方法说明
- cad老是弹出命令中发生异常_打开CAD是时出现错误报告怎么解决?
- Frogger(图论,最短路径)
- Win10更新后桌面右键反应慢的问题
- 传奇手游战神引擎开服教程架设教程工具全套图文教程
- 优化易语言程序占用内存
- android+广播接收者category,广播接收者
- 解决微信小程序IOS中使用picker弹出内容和手机软键盘重叠的问题
- Core Animation学习笔记—第二节Setting up Layer Objects
- 双目视觉焦距_教你如何提高双目立体视觉系统的精度
- ImportError: cannot import name ‘MobileNetV2‘ from ‘keras.applications‘解决方法
- 创龙TI KeyStone C66x多核定点/浮点TMS320C6678 DSP开发板处理器、NAND FLASH、NOR FLASH
- 微信服务号开发的完整人性化版攻略
- 录音语音识别系统功能图