导读:本文包含了高斯马尔可夫随机场论文开题报告文献综述及选题提纲参考文献，主要关键词:光学层析图像,图像重建,联合差分法
高斯马尔可夫随机场论文文献综述
官金兰[1]（2019）在《基于高斯马尔可夫随机场模型的光学层析图像重建》一文中研究指出光学层析图像是一被该领域广为认可的新型成像技术,它的工作原理是利用近红外光,波长大约在650-900nm之间,照射介质。并对介质表面的测量关于透射光和散射光的光学参数从而形成图像。为了实现光学层析图像的重建在人体内的某个组织,比如胳膊和大脑等部分的表面,放置探测器,测量通过组织进红外光透射的能量。光学层析成像具有很多的优点比如敏感度很高,无创检测等。但是目前在临床医学,和其他相关领域还没有完全被广泛应用,主要是因为两个方面,第一个是成像速度慢,第二个是成像不清晰。本文主要介绍了主要介绍了基于高斯马尔可夫随机场模型的光学层析图像重建。(本文来源于《农家参谋》期刊2019年03期）
标本,梁恺彬,管一弘[2]（2017）在《高斯马尔可夫随机场的人脑MR图像分割方法》一文中研究指出传统的聚类分割方法通常是基于图像灰度值的相似程度进行像素划分,对强噪声或边缘模糊的人脑MRI进行分割的效果并不理想。为此,提出了高斯马尔可夫随机场的人脑MR图像分割方法。该方法将空间信息的模糊C均值与高斯马尔可夫随机场相结合,利用空间信息模糊C均值的良好抗噪性能对人脑MRI进行初始分割,降低噪声的影响。由于马尔可夫随机场拥有优良的空间相关性,所以基于马尔可夫随机场的分割方法能够很好地对人脑MRI纹理和边缘进行有效划分。但是它对噪声较为敏感,同时分割往往会因为噪声的影响导致噪点扩大或边缘外扩。鉴于人脑MRI的灰度分布拥有高斯特征,采用高斯函数建立的马尔可夫随机场模型能很好地反映人脑MRI的分布特点。为验证所提算法的有效性,以人脑MRI作为实验数据进行了大量实验,结果表明:所提出的分割方法对人脑MRI具有较好的分割结果,同时鲁棒性与抗噪性能大大增强。(本文来源于《计算机技术与发展》期刊2017年07期）
赵雪梅,李玉,赵泉华[3]（2016）在《基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法》一文中研究指出本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法.该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL(Kullback-Lerbler)信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度.在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度.通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性.(本文来源于《电子学报》期刊2016年03期）
赵雪梅,李玉,赵泉华[4]（2014）在《结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割》一文中研究指出为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。(本文来源于《电子与信息学报》期刊2014年11期）
白雪冰,祝贺,张庭亮,王再尚,张娜[5]（2013）在《基于高斯-马尔可夫随机场的木材表面缺陷类型识别》一文中研究指出为了识别死节、活节和虫眼叁种木材表面缺陷类型,本文采用高斯-马尔可夫随机场模型提取木材表面缺陷图像的纹理参数,结合缺陷区域的矩形度和伸长度两个几何特征,形成14维特征向量。设计叁层BP神经网络来识别缺陷的类型。试验表明,叁种缺陷的整体识别正确率达到96.67%,验证了该方法的有效性。(本文来源于《森林工程》期刊2013年06期）
姜鹏[6]（2012）在《基于GPU的非高斯叁重马尔可夫随机场分割算法加速》一文中研究指出合成孔径雷达（Synthetic Aperture Rader, SAR）图像分割是图像目标识别与解译技术的重要环节，一直是雷达信号处理领域的热点。由于SAR图像包含大量乘性斑点噪声，传统图像分割算法很难应用。鉴于叁重马尔可夫随机场（TripletMarkov random Fields）模型自身的优点和SAR图像的统计特性，采用TMF模型对非平稳、非高斯图像进行建模。非高斯TMF图像分割算法在实际应用中效果十分理想，但是其算法复杂度过高，导致运行速度不能让人满意，这与SAR图像处理要求的实时性和高效性相悖。因此本文提出了一种基于图形处理器（GPU）高性能计算能力的并行化设计方法，将非高斯TMF分割算法部分并行化。由于传统GPU硬件架构的限制，很难有效利用其资源进行通用计算。而统一计算设备架构（CUDA）是NVIDIA公司伴随统一渲染架构推出的一种通用GPU编程模型，其编程性能更高，应用领域更广，能够更有效地应用GPU的高性能计算能力。本文通过利用CUDA将非高斯TMF图像分割算法并行化设计，有效地利用了CPU和GPU资源进行并行计算，通过GPU硬件加速，使其分割结果在保证有较高精确度同时又节省大量的执行时间。同时，为了提高程序的运行效率，本文对GPU的使用率进行测评，结合具体的硬件结构分析，对CUDA的代码进行优化并改善了其结构，进一步提升了非高斯TMF分割算法的性能。(本文来源于《西安电子科技大学》期刊2012-01-01）
詹锡兰,吴波[7]（2011）在《一种基于高斯马尔可夫随机场模型的混合像元分解方法》一文中研究指出传统的混合像元分解模型只考虑了光谱信息,而忽略了空间相关信息的利用.事实上遥感影像以及分解后获得的组分影像都具有空间自相关关系.本研究提出利用高斯马尔可夫随机场模型来描述组分空间相关的特性,构建一种综合利用影像光谱和空间信息的混合像元模型,以提高混合像元分解精度.利用模拟与真实的数据证实了本文方法的有效性,一定程度上能够改善混合像元的分解结果,特别是在噪声相对比较大的情形下分解精度较高,并且表现出良好的鲁棒性.(本文来源于《福州大学学报(自然科学版)》期刊2011年01期）
杜博,陈勇,史瑞芝[8]（2010）在《一种基于高斯马尔可夫随机场的异常目标探测方法》一文中研究指出利用高斯马尔可夫随机场模型描述像元的邻域相关性信息,并将这种邻域信息引入到局域异常探测器中,提出了一种顾及邻域信息的高光谱遥感影像局域异常目标探测算法。实验证明,该方法克服了传统异常探测方法仅仅利用光谱信息的不足,比经典的RX算法的探测效果更好,并且可以更有效地探测出大于一个像元的异常目标。(本文来源于《测绘科学》期刊2010年06期）
孙俊喜,王瑞,才华,郝德芳[9]（2008）在《基于高斯—马尔可夫随机场模型的图像修补方法研究》一文中研究指出实现基于高斯马尔可夫随机场(GMRF)模型的图像修补算法,详细讨论像素扫描顺序以及邻域大小对图像修补效果的影响。实验表明,基于GMRF的图像修补算法的性能依赖于像素扫描顺序和邻域大小的选取。(本文来源于《长春理工大学学报(自然科学版)》期刊2008年03期）
王文辉,冯前进,刘磊,陈武凡[10]（2008）在《基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割》一文中研究指出高斯-马尔可夫随机场模型既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的模型,然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试。本文针对此问题,提出了一种新的、简单的、类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性。再将模型利用EM-MAP算法来迭代求解。最后,将该算法应用于MR图像的分割,实验结果表明,该算法能自适应地、有效地分割噪声图像,并具有较高的正确分类率和类正确分类率。(本文来源于《中国图象图形学报》期刊2008年03期）
高斯马尔可夫随机场论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
传统的聚类分割方法通常是基于图像灰度值的相似程度进行像素划分,对强噪声或边缘模糊的人脑MRI进行分割的效果并不理想。为此,提出了高斯马尔可夫随机场的人脑MR图像分割方法。该方法将空间信息的模糊C均值与高斯马尔可夫随机场相结合,利用空间信息模糊C均值的良好抗噪性能对人脑MRI进行初始分割,降低噪声的影响。由于马尔可夫随机场拥有优良的空间相关性,所以基于马尔可夫随机场的分割方法能够很好地对人脑MRI纹理和边缘进行有效划分。但是它对噪声较为敏感,同时分割往往会因为噪声的影响导致噪点扩大或边缘外扩。鉴于人脑MRI的灰度分布拥有高斯特征,采用高斯函数建立的马尔可夫随机场模型能很好地反映人脑MRI的分布特点。为验证所提算法的有效性,以人脑MRI作为实验数据进行了大量实验,结果表明:所提出的分割方法对人脑MRI具有较好的分割结果,同时鲁棒性与抗噪性能大大增强。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高斯马尔可夫随机场论文参考文献
[1].官金兰.基于高斯马尔可夫随机场模型的光学层析图像重建[J].农家参谋.2019
[2].标本,梁恺彬,管一弘.高斯马尔可夫随机场的人脑MR图像分割方法[J].计算机技术与发展.2017
[3].赵雪梅,李玉,赵泉华.基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法[J].电子学报.2016
[4].赵雪梅,李玉,赵泉华.结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割[J].电子与信息学报.2014
[5].白雪冰,祝贺,张庭亮,王再尚,张娜.基于高斯-马尔可夫随机场的木材表面缺陷类型识别[J].森林工程.2013
[6].姜鹏.基于GPU的非高斯叁重马尔可夫随机场分割算法加速[D].西安电子科技大学.2012
[7].詹锡兰,吴波.一种基于高斯马尔可夫随机场模型的混合像元分解方法[J].福州大学学报(自然科学版).2011
[8].杜博,陈勇,史瑞芝.一种基于高斯马尔可夫随机场的异常目标探测方法[J].测绘科学.2010
[9].孙俊喜,王瑞,才华,郝德芳.基于高斯—马尔可夫随机场模型的图像修补方法研究[J].长春理工大学学报(自然科学版).2008
[10].王文辉,冯前进,刘磊,陈武凡.基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割[J].中国图象图形学报.2008