论文部分内容阅读
纹理是物体表现出的视觉特性。动态纹理是在时空域中具有一定运动规律的纹理模式。随着人工智能和机器视觉领域的发展,动态纹理分析也成为基础研究的热门领域。其中,动态纹理分类和动态纹理分割作为分析的主要研究手段,在医学检验、工业生产、军事探测、智能交通等诸多领域中发挥着重要的应用价值。连续隐马尔可夫模型(CHMM)由两部分构成:描述隐状态转移的马尔可夫链和描述观测值概率分布的随机过程。连续隐马尔可夫模型描述动态纹理时,离散形式的隐状态描述动态纹理的“运动属性”,服从混合高斯分布的观测值向量描述“外观属性”,因此采用CHMM模型描述动态纹理是合理的。基于以上理论基础,本文主要研究基于连续隐马尔可夫模型的动态纹理分类方法和动态纹理分割方法,本文的主要工作如下:1.提出一种基于CHMM的动态纹理分类方案。首先利用动态纹理灰度值序列,分别提取16邻域和24邻域的灰度值特征作为观测值向量,建立连续隐马尔可夫模型。该模型的原理是,不同时刻下动态纹理的灰度值强度看作模型的混合高斯分布的输出,灰度值强度随时间的变化看作模型隐状态转移的结果。然后在动态纹理的连续隐马尔可夫模型描述基础上,利用极大似然准则进行分类,通过与离散隐马尔可夫模型的描述方法进行对比,分析所提方案的分类性能。2.提出一种基于CHMM谱聚类方法的动态纹理分割方案。首先给出数值下溢情况下的CHMM模型KL散度的计算方法,并用于CHMM谱聚类的动态纹理分割方案。具体方案为,首先将动态纹理进行空间分块,并对全部子块分别建立CHMM模型,分别利用结合数值下溢问题的KL散度、互匹配值、BP距离三种相似度测量方法对CHMM模型进行谱聚类,得到动态纹理的初始分割结果。然后利用k-means聚类算法得到连通区域的代表性CHMM模型,采用似然准则的判定标准对动态纹理的进行像素级分割,利用分割正确率的指标,分析所提方案的分割性能。