contourlet域统计图像建模与分割算法的分析word格式论文.docxVIP

第一章 绪论1第一章 绪论1.1 研究背景视觉信息通常被认为是最具有解释性的信息，其信息量大、形式直观，而且 在人类所感知的各种信息中最容易理解。目前，随着现代生活越来越计算机化， 大多数的视觉信息通常被数字化为图像来存储、传送、分析和各种各样的操作。 例如，在医学上，许多诊断都是基于 X 光、CT、超声、MRI 等的生物医学图像； 在地理科学方面，科学家用遥感图像来监视植物的区域、遥远的星星和银河。因 此，数字图像处理已经有了广泛的光谱应用，近年来，它的许多理论和技术在许 多领域都有了突破性的进展。在图像分析与应用领域，往往包含图像获取、图像 分割、图像识别等多个过程，其中图像分割时图像处理与计算机视觉领域低层次 视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本 前提。一直以来，人们为了有效地存储、传输、处理和分析图像，始终对图像建模 技术的研究给予了极大的关注。图像模型是为了公式化和系统化地解决图像处理问题，而用一定的数学方法对图像关键特征的表示。发展数学工具是图像建模的 关键。大致说来，图像建模技术可以分为两类，确定性建模和统计建模。一个确 定性的建模可以从一系列给定的场合中预测出一个唯一输出。而统计模型把一副图像用一定的概率模型来表示，并且通过衡量它们的相似性或者概率来得到一些 可能的输出[1]。这两种模型对图像特征提取和各种图像处理问题的应用有着不同 的作用。在本文工作中，我们将着重于统计图像建模及其应用。通常，依据图像建模对象(特征)的不同可将统计图像建模方法分为空间(像 素)域模型方法和变换域模型方法两大类。空间域模型方法一直以来备受关注， 其中，马尔科夫随机场(Markov Random Field, MRF)模型是一个比较经典的统计模型，模型可以捕捉图象的空间局部上下文信息，其模型参数表征了图像的基本 特性，理论上 MRF 模型能够建模任何特征均匀的图像。近年来，随着小波分析和 多尺度几何分析的深入发展，基于多尺度变换域的统计图像建模也得到了国内外学者广泛的关注[2,3]。 图像分析的研究包括两个并行的主题，一个是基础理论的研究，包括图像的表示技术、处理技术，另一个是在各种领域的应用研究，包括自然图像、纹理图像和遥感图像等领域。两个主题密切相关，彼此互相促进。随着现代文明的发 展，人类在各个领域都对图像的表示和处理技术提出了越来越高的要求，可见， 目前在图像表示与处理这个方面需要更为深入的研究。1.2 图像技术的研究现状和进展图形图像科学具有涉及面广，内容丰富，跨行业，跨学科的特点。它与数学、 物理学、生物学、电子学、计算机科学等许多学科都可以相互借鉴；它的研究范 围也与人工智能、神经网络、遗传算法、模糊逻辑等理论和技术都有密切的联系； 而它的发展应用与医学、遥感、通信、影视、文档处理和工业自动化等许多领域 都是不可分割的，所以图形图像一直是一个十分活跃的边缘学科。对图像处理的 研究，主流上有两种趋势：一种致力于研究基本的图像表示和建模技术，另一种 致力于图像处理的多样性方面，这两方面如此密切相关并且互相促进。在过去的十几年里，小波在许多领域产生了重大的影响，在这些领域中，小 波给出了理论上的一致性，并在实际应用中取得了成功。对于分段光滑的一维信号，小波提供了简单有效的表示方法，但是对于高维图像处理来说，二维小波无法处理图像中边缘轮廓的平滑性。近年来，随着图像表示的不断发展，许多图像 表示新方法给图像处理技术带来了崭新的活力，这些方法包括余弦包、边缘小波、脊波、Curvelet 等等。今天，当喧嚣的小波尘埃落定，又一次新浪潮正在悄然酝酿[4]，如果小波的兴起能用革命二字来比拟，那么，这次新的浪潮无疑又将掀起 另一场革命；而引导这场革命的，正是那一批推动小波分析发展的先驱者。 他们是：Ingrid Daubechies、Stéphane Mallat、Albert Cohen、David Donoho、MartinVetterli、JeanLuc Starck 等。这场新革命同样也将深刻地影响各科学领域，其深 度、广度、甚至将超过小波分析；而这场革命的名字，就是多尺度几何分析(MGA：Multiscale geometric analysis)。过去几年，在数学分析、计算机视觉、模式识别、统计分析等不同学科中，分别独立地发展着一种彼此极其相似的理论， 人们称之为：多尺度几何分析。发展 MGA 的目的是为了检测、表示、处理某些高维空间数据。这些空间的主要特点是：其中数据的某些重要特征集中体现于其低维子集中(如曲线、面等)。比如，对于二维图像，主要特征可以由边缘所刻 画；而在 3D 图像中，其重要特征又体现为丝状物(filaments)和管状物(tubes)。目前 ， 人