基于MRF隨機(jī)場(chǎng)模型的機(jī)器人視覺(jué)圖像分割方法研究.pdf

1、隨著計(jì)算機(jī)等科學(xué)技術(shù)的快速發(fā)展，以計(jì)算機(jī)技術(shù)為支撐的機(jī)器人應(yīng)用也越來(lái)越廣泛。機(jī)器人視覺(jué)圖像分割是移動(dòng)機(jī)器人目標(biāo)識(shí)別、跟蹤和視覺(jué)導(dǎo)航等的基礎(chǔ)，圖像分割結(jié)果將直接影響到特征提取、目標(biāo)識(shí)別和跟蹤等后續(xù)高等級(jí)視覺(jué)處理的準(zhǔn)確性?；隈R爾科夫(Markov Random Field，MRF)隨機(jī)場(chǎng)模型的圖像分割方法將數(shù)學(xué)統(tǒng)計(jì)學(xué)和估計(jì)理論引入到圖像分割中，通過(guò)貝葉斯理論有效地引入了圖像的先驗(yàn)信息，充分考慮了圖像中相鄰像素之間的空間相互關(guān)系，具有較少的

2、模型參數(shù)，且易于擴(kuò)展，因此該方法已成為計(jì)算機(jī)視覺(jué)圖像分割處理領(lǐng)域的一個(gè)研究熱點(diǎn)。
　　首先，本文以機(jī)器人視覺(jué)（Robot Vision，RV）圖像為研究對(duì)象，針對(duì)其模糊、噪聲較多等特點(diǎn)，對(duì)目前國(guó)內(nèi)外已經(jīng)提出的眾多圖像分割方法進(jìn)行對(duì)比分析，選擇將MRF分割方法引入到RV圖像分割中，對(duì)MRF分割方法進(jìn)行了系統(tǒng)的研究。
　　其次，由于RV圖像的復(fù)雜多樣性，傳統(tǒng)的MRF分割難以取得較好的分割結(jié)果。為解決這一問(wèn)題，本文提出一種基于四叉

3、樹分解的條件迭代(Iterative Conditional Mode，ICM)分割算法，充分考慮了圖像中不同區(qū)域的紋理特性，構(gòu)造了一種變耦合系數(shù)的分割模型：針對(duì)ICM算法中定耦合系數(shù)分割精度不高的特點(diǎn)，將四叉樹分解引入到算法求解過(guò)程中，根據(jù)分解得到的不同區(qū)域各自的特性，對(duì)其賦予不同的耦合系數(shù)，得到一種適應(yīng)區(qū)域特性的變耦合系數(shù)ICM算法。通過(guò)對(duì)不同圖像進(jìn)行分割實(shí)驗(yàn)，與傳統(tǒng)ICM算法相比，結(jié)果表明改進(jìn)算法對(duì)圖像的適應(yīng)性得到改善，分割可靠度