基于小波域隐马尔科夫树模型的图像分割基于小波域隐马尔科夫树模型的图像分割基于小波域隐马尔科夫树模型的图像分割基于小波域隐马尔科夫树模型的图像分割

针对合成孔径雷达(SAR)图像含有大量斑点噪声的特点,基于Contourlet的多尺度、局部化、方向性和各向异性等优点,并结合隐马尔科夫树(HMT)模型和隐马尔科夫场(MRF),提出了一种基于Contourlet域持续性和聚集性的SAR图像模糊融合分割算法。该算法有效捕获了Contourlet子带的持续性和聚集性,并分别用HMT和MRF来刻画,再依据模糊测度,将多尺度HMT和MRF有机融合,建立Contourlet域HMT-MRF融合模型,并导出新模型下的最大后验概率(MAP)分割公式。对实测S

为克服传统小波域隐马尔科夫树(HMT)后验概率推理算法无法确定迭代次数且通常收敛于局部极值的局限，提出隐马尔科夫森林(HMF)后验概率准确推理方法实现多尺度图像分割。先建立精细尺度像素与高尺度小波系数跨尺度依赖性统计关系，构建HMF模型。通过各子树自下而上分类似然估计和自上而下后验概率推理得到各结点准确后验概率，后验推理可保证一元与二元分布的一致性。最后设定后验概率的固定阈值以确定多尺度二值分割。通过工业制造过程中典型动态背景下目标背景分割实验并与权重聚合分割(SWA)算法对比，验证了该方法的有