基于非參數(shù)正交多項式的圖像分割和融合研究.pdf

1、論文圍繞非參數(shù)正交多項式密度估計理論，以圖像數(shù)據(jù)為研究對象，在總結(jié)國內(nèi)外關于圖像數(shù)據(jù)密度估計和分割、融合研究的基礎上，提出基于圖像數(shù)據(jù)的非參數(shù)正交多項式密度模型及正交多項式混合模型。在此模型基礎上，研究出針對密度模型的圖像分割和融合方法。
　　 主要內(nèi)容包括以下幾個方面：
　　 1.針對目前圖像擬合時容易造成“模型失配”的問題，提出利用圖像的灰度等特征構(gòu)造圖像的一元和多元非參數(shù)正交多項式密度模型；對于單一的參數(shù)分布難以準

2、確擬合復雜圖像的問題，設計出一種面向圖像的非參數(shù)二類Chebyshev正交多項式混合模型，利用Fourier分析方法與張量積理論推導出圖像的多元正交多項式，并構(gòu)建出基于圖像的非參數(shù)多元正交多項式混合模型。
　　 2.在圖像的正交多項式密度模型的基礎上，提出新的微粒群(Particle Swarm Optimization，PSO)多峰尋優(yōu)方法。為了求解多峰尋優(yōu)問題，提出改進的PSO算法，通過減小傳統(tǒng)PSO算法中的全局因素，增大其

3、局部因素，采用變步長方法增加微粒的多樣性，調(diào)整參數(shù)加快算法收斂速度，在啟發(fā)式搜索尋優(yōu)的基礎上，能夠?qū)崿F(xiàn)多峰優(yōu)化，尋找多個局部最優(yōu)解。
　　 3.在圖像的一元非參數(shù)二類Chebyshev正交多項式混合模型的基礎上，提出基于非參數(shù)的隨機期望最大(Stochastic NonparametricEstimation Maximization，SNEM)算法和貝葉斯準則的圖像分割方法。對每一個模型的平滑參數(shù)根據(jù)均值積分平方誤差(Mean

4、 IntegratedSquared Error，MISE)方法進行估計，利用SNEM算法求解正交多項式系數(shù)和每一個模型的權(quán)重，最后根據(jù)貝葉斯準則對圖像實現(xiàn)分割。在此模型的基礎上加入了空間鄰域信息，使分割時能有效抑制噪聲點，而且此方法不需要對模型作任何假設，可以有效克服有參混合模型與實際數(shù)據(jù)分布不一致的問題。實驗表明該方法比其他分割方法效果好。
　　 4.針對一元正交多項式只能利用圖像的灰度單一特征問題，提出一種基于圖像多特征的

5、多元正交多項式混合模型的圖像分割方法。根據(jù)Fourier分析方法與張量積理論推導出圖像的多元正交多項式，并構(gòu)建多元正交多項式的非參數(shù)混合模型，估計混合模型的參數(shù)，進而實現(xiàn)圖像的分割。實驗表明，該方法可以對圖像實現(xiàn)比Mean-shift方法更準確的分割。
　　 5.針對估計理論的圖像融合方法都是假設圖像偏移或噪聲服從高斯混合分布，容易造成模型不匹配和容易丟失局部細節(jié)等問題，提出一種基于小波的多分辨率非參數(shù)正交多項式圖像融合方法。首

6、先，對圖像進行多分辨率分解；然后，根據(jù)圖像信息模型和非參數(shù)正交多項式混合模型，對低頻部分采用非參數(shù)的期望最大(NonparameterExpectation-Maximization，NEM)算法估計模型參數(shù)，獲得低頻融合結(jié)果；對高頻部分，采用系數(shù)絕對值選大法進行融合；最后，將高頻和低頻部分結(jié)果進行反變換，得到最終融合圖像。實驗結(jié)果表明，本方法融合質(zhì)量優(yōu)于其他方法，融合時間大大縮短。
　　 本文提出的基于非參數(shù)正交多項式密度模型