【摘要】：图像分割是将图像中的每一个像素根据它的特性来分配标记的过程。具有相同标记的像素的集合就构成了相应的图像区域，所有像素标记的集合就构成了整幅图像的分割结果。本章提出的基于ST－MRF的图像分割，将通过建立运动序列图像的ST－MRF模型分别构建观察场和标号场的能量函数模型。最后对这两种分割方法进行对比分析发现Metropolis算法比ICM算法运算时间短，适应于动态的图像分割。
图像分割是将图像中的每一个像素根据它的特性来分配标记的过程。相同特性的像素具有相同的标记，不同特性的像素具有不同的标记。在标记分配的过程中，每一像素不能多次分配。具有相同标记的像素的集合就构成了相应的图像区域，所有像素标记的集合就构成了整幅图像的分割结果。
本章提出的基于ST－MRF的图像分割，将通过建立运动序列图像的ST－MRF模型分别构建观察场和标号场的能量函数模型。观察场采用高斯马尔可夫随机场（GMRF）来建模并通过最小二乘法或极大伪似然方法获得参数估计；标号场通过采用Potts模型获得标号场的先验概率模型。无论标号场还是观察场建模都等价于用Gibbs分布来建模，然后根据贝叶斯准则，利用标号场和观察场之间的相互作用，即标号场的先验概率和观察场的似然概率之间的关系，获得标号场的最大后验概率MAP的估计参数，利用迭代条件模型（ICM）算法和模拟退火（Metropolis）算法实现最大后验概率（MAP）估算问题达到对运动目标的提取，从而完成分割过程。最后对这两种分割方法进行对比分析发现Metropolis算法比ICM算法运算时间短，适应于动态的图像分割。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
