根據(jù)馬爾科夫場的圖像去噪

1、通信專業(yè)課程設(shè)計(jì)太原科技大學(xué)課程設(shè)計(jì)（論文）設(shè)計(jì)（論文）題目：根據(jù)馬爾科夫隨機(jī)場的圖像去噪姓 名學(xué) 號班 級學(xué) 院 電子信息工程學(xué)院指導(dǎo)教師2015 年 1 月 2 日太原科技大學(xué)課程設(shè)計(jì)（論文）任務(wù)書學(xué)生姓名王瑞學(xué)指導(dǎo)教師王慶設(shè)計(jì)（論文）題目根據(jù)馬爾科夫隨機(jī)場的圖像去噪主要研究內(nèi)容馬爾科夫隨機(jī)場（Markov Random Field，即MRF理論已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺及圖像處理領(lǐng)域中，它提供了方便而直接的方法以概 率來描述圖像像素具有的一些空間相關(guān)的特性。本設(shè)計(jì)的主要作用為 根據(jù)馬爾科夫隨機(jī)場的圖像去噪，運(yùn)用馬爾科夫隨機(jī)場有效的復(fù)原被 污染的圖像，以數(shù)字圖像處理理論為基礎(chǔ)，基于MATLA

2、B：具的工作環(huán) 境設(shè)計(jì)。研究方法基于 WIN7操作系統(tǒng)，MATLAB 7.0，運(yùn)用MRF方法。主要技術(shù) 指標(biāo)（或研 究目標(biāo)）1:讀取JPG彩色圖像2:調(diào)整圖像大小為（400*300）3:二值化圖像4:加入噪聲產(chǎn)生帶有噪聲的圖像5:根據(jù)MRF方法去噪6:去噪并得出錯(cuò)誤概率（即相似度）教研室意見教研室主任（專業(yè)負(fù)責(zé)人）簽字：年 月曰學(xué)院（直屬系）：電子信息工程學(xué)院時(shí)間：2014年12月17日王瑞學(xué)：根據(jù)馬爾科夫隨機(jī)場的圖像去噪 II根據(jù)馬爾科夫隨機(jī)場的圖像去噪摘要數(shù)字圖像處理(Digital Image Processing)的任務(wù)是實(shí)現(xiàn)圖像增強(qiáng)、復(fù)原、編碼、壓縮等，其主要為改善圖像的質(zhì)量，以人為

3、對象，且以改善人的視覺效果為目的。目前， 圖像處理系統(tǒng)廣泛應(yīng)用于醫(yī)學(xué)、軍事、科研、商業(yè)等領(lǐng)域。因?yàn)閿?shù)字圖像處理技術(shù)易于實(shí)現(xiàn)非線性處理，處理程序和處理參數(shù)可變，故是一項(xiàng)通用性強(qiáng)，精度高，處理方法靈活， 信息保存、傳送可靠的圖像處理技術(shù)。馬爾科夫隨機(jī)場(Markov Random Field，即MRF理論已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺及 圖像處理領(lǐng)域中，它提供了方便而直接的方法以概率來描述圖像像素具有的一些空間相關(guān) 的特性。本設(shè)計(jì)的主要作用為根據(jù)馬爾科夫隨機(jī)場的圖像去噪，運(yùn)用馬爾科夫隨機(jī)場有效 的復(fù)原被污染的圖像，以數(shù)字圖像處理理論為基礎(chǔ)，基于MATLA工具的工作環(huán)境設(shè)計(jì)。關(guān)鍵詞：數(shù)字圖像；圖像處理；馬

4、爾科夫隨機(jī)場；噪聲； MATLABAbstractDigital Image Processing, the task is to realize the Image enhancement, recovery, coding, compression, its main for improving the quality of images, adhere to the object, and to improve the pers on for the purpose of visual effect. At prese nt, image process ing system is wi

5、dely medic ine, military and scie ntific research, bus in ess, etc. Because digital image process ing tech no logy is easy to impleme nt non-li near process ing, han dlers, and process ing parameters variable, it is a versatile, high-precision, flexible processing method, information storage, tran s

6、fer and reliable image process ing tech no logy.MRF (Markov Random Field, namely MRF) theory has been widely applied in the field of computer visi on and image process in g, it provides a convenient and direct way to describe the probability of image pixels having some space-related features. The ma

7、in effect of this design is based on Markov ran dom image denoising airport, using Markov ran dom field and effective restoratio n of con tam in ated images to digital image process ing theory, the worki ng en vir onment based on MATLAB tools.Keywords: Digital lmage;lmage processing;Markov Random Fi

8、eld;Noise;MATLAB.目錄 TOC o 1-5 h z HYPERLINK l bookmark16 o Current Document 第1章緒論1 HYPERLINK l bookmark18 o Current Document 1.1數(shù)字圖像處理發(fā)展簡介 1 HYPERLINK l bookmark20 o Current Document 1.2馬爾科夫過程發(fā)展簡介 1 HYPERLINK l bookmark22 o Current Document 第2章馬爾科夫隨機(jī)場（MRF 3 HYPERLINK l bookmark24 o Current Document

9、MRF方法的提出 3 HYPERLINK l bookmark26 o Current Document MRF在數(shù)字圖像處理中的應(yīng)用 3 HYPERLINK l bookmark28 o Current Document 第3章根據(jù)馬爾科夫隨機(jī)場的圖像去噪 5 HYPERLINK l bookmark30 o Current Document 根據(jù)MRF勺圖像去噪算法的框架 5 HYPERLINK l bookmark32 o Current Document 3.2實(shí)驗(yàn)條件及流程5 HYPERLINK l bookmark34 o Current Document 3.3圖像調(diào)整及轉(zhuǎn)換6

10、HYPERLINK l bookmark36 o Current Document 3.4在圖像中加入噪聲 7 HYPERLINK l bookmark38 o Current Document 3.5根據(jù)MRF圖像去噪8 HYPERLINK l bookmark40 o Current Document 3.6實(shí)驗(yàn)結(jié)果分析及實(shí)驗(yàn)結(jié)論 11 HYPERLINK l bookmark42 o Current Document 第4章全文總結(jié)及體會(huì) 12 HYPERLINK l bookmark44 o Current Document 全文總結(jié)12 HYPERLINK l bookmark46

11、o Current Document 4.2設(shè)計(jì)體會(huì)12 HYPERLINK l bookmark48 o Current Document 參考文獻(xiàn)13 HYPERLINK l bookmark50 o Current Document 附錄14王瑞學(xué)：根據(jù)馬爾科夫隨機(jī)場的圖像去噪 第1章緒論1.1數(shù)字圖像處理發(fā)展簡介數(shù)字圖像處理(Digital Image Processing )又稱為計(jì)算機(jī)圖像處理，它是指將圖像 信號轉(zhuǎn)換成數(shù)字信號并利用計(jì)算機(jī)對其進(jìn)行處理的過程。數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時(shí)的電子計(jì)算機(jī)已經(jīng)發(fā)展到一定水平，人們開始利用計(jì)算機(jī)來處理圖形和 圖像信息。數(shù)字圖像

12、處理作為一門學(xué)科大約形成于 20世紀(jì)60年代初期。早期的圖像處理 的目的是改善圖像的質(zhì)量，它以人為對象，以改善人的視覺效果為目的。圖像處理中，輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像，常用的圖像處理方法有圖像增強(qiáng)、 復(fù) 原、編碼、壓縮等。首次獲得實(shí)際成功應(yīng)用的是美國噴氣推進(jìn)實(shí)驗(yàn)室(JPL)。他們對航天探測器徘徊者7號在1964年發(fā)回的幾千張?jiān)虑蛘掌褂昧藞D像處理技術(shù)，如幾何校正、 灰度變換、去除噪聲等方法進(jìn)行處理，并考慮了太陽位置和月球環(huán)境的影響，由計(jì)算機(jī)成功地繪制出月球表面地圖，獲得了巨大的成功。隨后又對探測飛船發(fā)回的近十萬張照片進(jìn) 行更為復(fù)雜的圖像處理，以致獲得了月球的地形圖、彩色圖

13、及全景鑲嵌圖，獲得了非凡的 成果，為人類登月創(chuàng)舉奠定了堅(jiān)實(shí)的基礎(chǔ)，也推動(dòng)了數(shù)字圖像處理這門學(xué)科的誕生。因?yàn)閿?shù)字圖像處理技術(shù)易于實(shí)現(xiàn)非線性處理，處理程序和處理參數(shù)可變，故是一項(xiàng)通用性強(qiáng)， 精度高，處理方法靈活，信息保存、傳送可靠的圖像處理技術(shù)。1.2馬爾科夫過程發(fā)展簡介馬爾科夫(1856-1922 )，俄羅斯數(shù)學(xué)家。1907年提出馬爾科夫鏈。在1906-1912 年開創(chuàng)了對一種無后效性的隨機(jī)過程-馬爾科夫過程的研究。馬爾科夫過程(Markov Process )是一個(gè)典型的隨機(jī)過程。設(shè) X(t)是一隨機(jī)過程， 當(dāng)過程在時(shí)刻to所處的狀態(tài)為已知時(shí)，時(shí)刻t(ttO)所處的狀態(tài)與過程在to時(shí)刻之前的

14、狀態(tài)無關(guān)，這個(gè)特性成為無后效性。無后效的隨機(jī)過程稱為馬爾科夫過程。馬爾科夫過程 中的時(shí)間和狀態(tài)既可以是連續(xù)的，又可以是離散的。我們稱時(shí)間離散、狀態(tài)離散的馬爾科夫過程為馬爾科夫鏈。馬爾科夫鏈中，各個(gè)時(shí)刻的狀態(tài)的轉(zhuǎn)變由一個(gè)狀態(tài)轉(zhuǎn)移的概率矩陣 控制。出于擴(kuò)大極限定理應(yīng)用范圍的目的，馬爾科夫在 20世紀(jì)初開始考慮相依隨機(jī)變量序 列的規(guī)律，并從中選出了最重要的一類加以研究。 1906年他在大數(shù)定律關(guān)于相依變量 的擴(kuò)展一文中，第一次提到這種如同鎖鏈般環(huán)環(huán)相扣的隨機(jī)變量序列， 其中某個(gè)變量各 以多大的概率取什么值，完全由它前面的一個(gè)變量來決定，而與它更前面的那些變量無關(guān)。 這就是被后人稱作馬爾科夫鏈的著名概

15、率模型。也是在這篇論文里，馬爾科夫建立了這種 鏈的大數(shù)定律。在通信、雷達(dá)探測、地震探測等領(lǐng)域中，都有傳遞信號與接收信號的問題。 傳遞信號 時(shí)會(huì)受到噪聲的干擾，為了準(zhǔn)確地傳遞和接收信號，就要把干擾的性質(zhì)分析清楚，然后采 取辦法消除干擾。這是信息論的主要目的。噪聲本身是隨機(jī)的，所以概率論是信息論研究 中必不可少的工具。信息論中的濾波問題就是研究在接收信號時(shí)如何最大限度地消除噪聲 的干擾，而編碼問題則是研究采取什么樣的手段發(fā)射信號，能最大限度地抵抗干擾。在空 間科學(xué)和工業(yè)生產(chǎn)的自動(dòng)化技術(shù)中需要用到信息論和控制理論，而研究帶隨機(jī)干擾的控制 問題，也要用到馬爾可夫隨機(jī)過程。第2章馬爾科夫隨機(jī)場（MRFM

16、RF方法的提出近二十余年來，研究者們發(fā)現(xiàn)計(jì)算機(jī)視覺中要解決的問題的一種共性難題 -不適定性 問題（或者病態(tài)問題）。不適定性的定義是Hdamard在求解偏微分方程時(shí)給出的：如果一 個(gè)問題的解是存在的、唯一的，而且連續(xù)依賴于初始數(shù)據(jù)，那么稱其為適定的，當(dāng)不能全 部滿足上述條件時(shí)，就稱其為不適定的。不適定問題的典型處理方法有兩種： 正則化方法 和馬爾可夫隨機(jī)場（MRF的方法。正則化方法通過穩(wěn)定子約束解空間，所獲得的解是滿足先驗(yàn)約束和觀測量相近程度的 最佳折衷，但其不具備廣泛的適用性，因?yàn)樗鼘饪臻g限制比較苛刻。MRF方法建立在MRF圖像模型和Bayes估計(jì)的基礎(chǔ)上，提供了為內(nèi)容相關(guān)項(xiàng)建模的途 徑，結(jié)

17、合實(shí)際的觀測圖像，按照統(tǒng)計(jì)決策和聚集理論中的最優(yōu)準(zhǔn)則尋求問題的解，能克服正則化方法的不足，同時(shí)具有以下優(yōu)勢：它與正則化方法有一致性，但其適應(yīng)性更寬， Bertero等人證明了正則化是其特殊情況，當(dāng)觀測噪聲是加性獨(dú)立同分布高斯噪聲時(shí)，最大后驗(yàn)概率（Maximum A Posteriori簡寫成MAP的解和正則化的解等價(jià)； MRF與Gibbs 分布的等價(jià)性使其可以在圖像不同部分同時(shí)計(jì)算，可實(shí)現(xiàn)大規(guī)模并行算法；MRF方法提供了適當(dāng)?shù)募煽蚣?，用于綜合計(jì)算機(jī)視覺中各類模塊的處理結(jié)果，即可以融合不同模塊的數(shù)據(jù)；分層的MRF莫型是當(dāng)前研究的熱點(diǎn)，多分辨率下的計(jì)算能夠在不影響全局收斂性的 基礎(chǔ)上提高計(jì)算速度

18、。目前MRF勺應(yīng)用涉及圖像恢復(fù)與重建、紋理分析、邊緣檢測、圖像分割及模板匹配等諸多方面。本設(shè)計(jì)就主要根據(jù)馬爾科夫隨機(jī)場，運(yùn)用馬爾科夫隨機(jī)場有 效的復(fù)原被污染的圖像。MRF在數(shù)字圖像處理中的應(yīng)用圖像恢復(fù)就是要消除觀測圖像中的模糊和噪聲，以獲取原始圖像，模糊是指成像過程中的收縮現(xiàn)象，噪聲是指圖像中的隨機(jī)性干擾，從觀測圖像y中還原恢復(fù)原始圖像x就是 一個(gè)不適定性問題，觀測數(shù)據(jù)不足以約束問題的解，因此要利用先驗(yàn)知識或引入合適約束。 大多數(shù)線性方法利用原始圖像和噪聲的全局特性，從統(tǒng)計(jì)的角度確立相應(yīng)的準(zhǔn)則，女口 Wiener濾波利用原始圖像和噪聲的功率譜信息，用最小均方誤差的準(zhǔn)則，優(yōu)化圖像的全 局特性，這

19、樣的方法假定原始圖像服從均勻分布，然而在圖像邊緣部分灰度變化明顯， 很多人眼可以區(qū)分的視覺信息（如邊緣和紋理等局部特性）沒有辦法很好恢復(fù)，這是因?yàn)樵?線性模型中無法引入局部結(jié)構(gòu)信息。MRF先驗(yàn)?zāi)Ｐ捅硎局亟▓D像的聯(lián)合分布，它以分段光滑的約束形式對圖像的局部特性 作恰當(dāng)描述，結(jié)合實(shí)際觀測圖像，MRF以Bayes準(zhǔn)則用估計(jì)方法求解重建圖像的最優(yōu)解， 它避免了線性方法導(dǎo)致的模糊或者噪聲方法，信噪比有所提高。實(shí)驗(yàn)證明基于MRF的方法 能夠較好的恢復(fù)被強(qiáng)噪聲污染的圖像。MRF理論可以根據(jù)圖像中像素之間的相關(guān)模式確定先驗(yàn)概率。MRF理論在實(shí)際應(yīng)用中常常與統(tǒng)計(jì)決策和估計(jì)理論相結(jié)合，根據(jù)一定的最優(yōu)化準(zhǔn)則來確定目

20、標(biāo)函數(shù)。 最大后驗(yàn)概 率（MAP是最常用的最優(yōu)化準(zhǔn)則，也是 MRF建模中最常用的最優(yōu)化準(zhǔn)則。 MRFF莫型與MAP 準(zhǔn)則結(jié)合在一起就稱MAP-MR體系，該體系結(jié)構(gòu)最早是由Gemar提出的，并獲得及其廣泛 的應(yīng)用，本文提出的算法皆源于該體系結(jié)構(gòu)。設(shè)丫、X是二維平面上的隨機(jī)場，丫是觀測圖像，X是原始圖像，對圖像恢復(fù)而言，X 指的是沒有被污染的圖像，一般觀測到的圖像丫是受到一些因素干擾的，如系統(tǒng)原因、光 照條件、隨機(jī)噪聲等，這些因素都會(huì)使圖像失真，要從丫直接得到圖像X是不可能的，只 能根據(jù)丫給出X的一個(gè)估計(jì)，最大后驗(yàn)估計(jì)（Maximum a Posteriori 即MAP是一個(gè)常 用的方法。這種體系

21、便是 MAP-MR體系。第3章根據(jù)馬爾科夫隨機(jī)場的圖像去噪3.1根據(jù)MRF的圖像去噪算法的框架在獲取圖像的過程中有許多因素會(huì)導(dǎo)致圖像質(zhì)量的下降即退化,如光學(xué)系統(tǒng)的象差、 大氣擾動(dòng)、運(yùn)動(dòng)、離焦、系統(tǒng)噪聲，它們會(huì)造成圖像的模糊和變形。圖像復(fù)原的目的就是 對退化圖像進(jìn)行處理，使其復(fù)原成沒有退化前的理想圖像。圖像恢復(fù)就是指濾除降質(zhì)圖像 中噪聲的影響，恢復(fù)原始的圖像。二值圖像復(fù)原有著廣泛的應(yīng)用，如指紋圖像的預(yù)處理，文本圖像復(fù)原等。圖像復(fù)原總 是基于特定的圖像模型。本設(shè)計(jì)的算法基于 MRFS像模型,針對被加性噪聲污染的二值圖 像進(jìn)行恢復(fù)，其核心在于認(rèn)為圖像中每一象素的灰度值由其鄰域內(nèi)象素的值所決定。3.2

22、實(shí)驗(yàn)條件及流程本設(shè)計(jì)使用WIN7操作系統(tǒng)，基于MATLAB.0實(shí)現(xiàn)，所用圖片為任意大小尺寸的 JPG 彩色圖像。讀取JPG彩色圖像3.3圖像調(diào)整及轉(zhuǎn)換MATLAB勺取的圖像格式為JPG彩色圖像，需要先將其轉(zhuǎn)換為二值圖像。本程序采用 圖像處理工具箱的函數(shù)rgb2gray來實(shí)現(xiàn)。函數(shù)：rgb2gray （）功能：轉(zhuǎn)換圖像或顏色映像表為灰度圖像。程序：clc;clear;close all;A=imread(a.jpg); % imshow(A);M=400;N=300;%A=imresize(A,M,N);X = rgb2gray(A);for i=1:M%for j=1:Nif(X(i,j)20

23、0)%200X(i,j)=0;else X(i,j)=255;endendendY=X%imshow(X)%讀入名字為a.jpg的圖片把圖片處理一下大小二值化圖像為閾值，可根據(jù)實(shí)際實(shí)驗(yàn)圖片改變把原圖X保存在丫里顯示X圖像：實(shí)驗(yàn)選取的原圖如圖3.1，轉(zhuǎn)換出的二值圖像如圖3.2圖3.1原圖圖3.2二值圖3.4在圖像中加入噪聲為了實(shí)現(xiàn)去噪，首先需要在二值圖像中加入噪聲，本程序采用MATLABS序來實(shí)現(xiàn)函數(shù)：rand ()功能：產(chǎn)生隨機(jī)數(shù)的一個(gè)隨機(jī)函數(shù)。程序：for i=1:M%這兩個(gè)for循環(huán)是改變二值化圖像10%點(diǎn)的值。for j=1:Nif(rand()0.1)%以百分之10的概率進(jìn)行改變if(

24、丫(i,j)=0)% Y(i,j)=250;丫(i,j)=255;else Y(i,j)=0;endendendendfigure;imshow(Y);%顯示帶有噪聲的圖像圖像：加入噪聲的圖像如圖3.3I： IEJ Figure- 2File Edit view Insert Tools DsskiEQp Win 凸凸岡D* 口爭|,縱喊置豆Help| 0圖3.3噪聲圖3.5根據(jù)MRF圖像去噪對圖像3.3進(jìn)行去噪，根據(jù)馬爾科夫隨機(jī)場(MRF理論構(gòu)建程序,本程序采用MATLAB 程序來實(shí)現(xiàn)。函數(shù)：zeros (M,N)功能：產(chǎn)生MX N的double類零矩陣。程序：YY=zeros(M,N)fo

25、r i=1:M%把0,255轉(zhuǎn)換為-1 , +1for j=1:Nif Y(i,j)=255 YY(i,j)=1;else YY(i,j)=-1;endendend%參數(shù)設(shè)置 beta=1.0;yita=2.1; h=0;%step1R=YY;%R是要逼近X的圖像，YY是噪聲圖像%step2Change=1while Cha nge%for j=2:N-1 temp=R(i,j);%系統(tǒng)掃描法若這個(gè)點(diǎn)狀態(tài)為+1，計(jì)算這一點(diǎn)的能量。此處為2*beta。因?yàn)檫@個(gè)點(diǎn)不僅影響自己的能量函數(shù),也影響了周圍四個(gè)點(diǎn)的能量函數(shù)第一項(xiàng)相當(dāng)于它所以-2*beta=-beat*(.)-beat*(.).自己的能量函

26、數(shù)，第二項(xiàng)相當(dāng)于周圍能量函數(shù)的一部分%R(i,j)不會(huì)對其他點(diǎn)的能量造成影響，所以只考慮（i,j）點(diǎn)的能量與其組成團(tuán)的點(diǎn)的部分能量函數(shù)即可R(i,j)=1;Epos=h*R(i,j)-2*beta*(R(i+1,j)*R(i,j)+R(i-1,j)*R(i,j)+R(i,j+1)*R(i,j)+R(i,j-1 )*R(i,Chan ge=0;for i=2:M-1j)-yita*R(i,j)*YY(i,j);R(i,j)=-1;En eg=h*R(i,j)-2*beta*(R(i+1,j)*R(i,j)+R(i-1,j)*R(i,j)+R(i,j+1)*R(i,j)+R(i,j-1 )*R(i

27、,j)-yita*R(i,j)*YY(i,j);if Epos=E negR(i,j)=1.0*(EposE neg)*-1.0;else R(i,j)=temp;endif temp =R(i,j)Change=1;%若有變化則繼續(xù)whilel的系統(tǒng)掃描，若每個(gè)點(diǎn)都沒有改變則結(jié)束程序。endendendendfor i=1:Mfor j=1:Nif(R(i,j)=1)丫(i,j)=255;else Y(i,j)=0;endendendfigure;imshow(Y)%昔誤的概率disp( error rate is %d n um2str(sum(sum(丫=X)/(M*N)圖像：去除噪聲的

28、圖像如圖3.4圖3.4去噪圖3.6實(shí)驗(yàn)結(jié)果分析及實(shí)驗(yàn)結(jié)論從實(shí)驗(yàn)結(jié)果圖3.4可以看出去噪后的圖像與原圖有較好的相似度，下面進(jìn)行定量分0Q4QQQ1 0Q1D0Q0o a jl0anna1nn4r(naInaDacaVuuLuaEuaD0400aIClu1uuIuCi4CiIj1BuaQ40Qa004C0QCQa1catQq1c1a0a0iu0J001uUJQ0a40010040i：l：iE0a0nninn4noin00JiVJtInaaVuulL1pua001(0aCu40u0C00a400a1(i000i)PCiaaC!nannn0anaauuaVuu1Lua1uaa04u0aiuU40iji

29、BijaQQ4D0a0f)1d0JI(iQaDacnar-danazJ0000D00000000000000Q000000000000D0100000D00Change =1error rateis0-0242E8圖3.6錯(cuò)誤概率圖3.5列177-192矩陣從圖3.6可以得出，此實(shí)驗(yàn)基于 MRF方法去噪過程中的錯(cuò)誤概率為 0.024258，即相 似度達(dá)到了 97.5742%,去噪效果良好，進(jìn)一步說明了馬爾科夫隨機(jī)場在圖像處理中運(yùn)用 效果的優(yōu)越性。第4章全文總結(jié)及體會(huì)4.1全文總結(jié)馬爾科夫隨機(jī)場是描述圖像數(shù)據(jù)局部相關(guān)性的一個(gè)二維隨機(jī)場模型，它用條件概率描述圖像數(shù)據(jù)分布，該條件概率與圖像中點(diǎn)的位置

30、無關(guān)，而是包含關(guān)于各點(diǎn)的相互位置信息； 同時(shí)根據(jù)MRF與Gibbs分布的一致性，通過能量函數(shù)確定 MRF勺條件概率，從而其在全局 上具有一致性。在實(shí)際應(yīng)用中通過單個(gè)像素及其最近領(lǐng)域的簡單局部交互計(jì)算，馬爾科夫隨機(jī)場可以獲得復(fù)雜的全局行為。MRF方法有著誘人的發(fā)展前景，它對視覺問題采用了一致的分析框架。在馬爾科夫隨 機(jī)過程這個(gè)嚴(yán)密的數(shù)學(xué)體系里， 一些理論上的問題可以得到進(jìn)一步的解決， 同時(shí)，其處理 實(shí)際問題的靈活性又能給其它方法的研究予以啟發(fā)和指導(dǎo)，在計(jì)算機(jī)視覺和圖像處理領(lǐng)域 有著更廣闊和更深入的應(yīng)用空間。4.2設(shè)計(jì)體會(huì)通過本次對噪聲圖像根據(jù) MRF方法進(jìn)行去噪的設(shè)計(jì)，不僅使我對數(shù)字圖像處理、概

31、 率論、馬爾科夫理論等系統(tǒng)理論學(xué)科增加了了解，而且對MATLAB關(guān)于圖像處理方面的函數(shù)也有了更深入的了解，進(jìn)一步掌握了圖像處理的一些常用方法。參考文獻(xiàn)何東健數(shù)字圖像處理(第二版)M.西安電子科技大學(xué)出版社，2012(4).Chellappa, R. Two-dime nsi onal discrete Gaussia n Markov ran dom field models for image process in gA.In Kan al, L. N. and Rose nfeld editors, Progress in Pattern Recog nitio nC. 1985. 2:

32、79-112.陸明俊，王潤生.計(jì)算機(jī)視覺中的Markov隨機(jī)場方法J.電子科學(xué)學(xué)刊，2000(11).Lorette, X. Descombes and J.Zerubia.Texture Analysis through Markovian Modeling and Fuzzy Classificati on: Applicati on to Urba n Area Extractio n From Satellite ImagesJ. I nt.Jo urnal of Computer Visio n, 2000. 36: 221-236. 張翠，麗跡丹，王正志.基于MRF場的SAR圖像分

33、割方法J.遙感技術(shù)與應(yīng)用，2001(1). 彭祥龍，張揚(yáng).馬爾可夫隨機(jī)場在SAR圖像處理中的應(yīng)用J.電訊技術(shù)，2003(1).李士民.基于MRF的圖像融合技術(shù).博士論文D.中國科學(xué)技術(shù)大學(xué)，2003(5).文U次華.隨機(jī)過程(第二版)M.華中科技大學(xué)出版社，2001 (6).Yongyue Zhang, Stephen Smith, and Michael Brady. Hidden Markov Random Field Model and Segme ntation of Brain MR ImagesR. FMRIB Tech nical Report TR00YZ1.chap:MRF-

34、MAP Classificatio n.鄧煒.SAR圖像處理方法研究D.博士論文.西北工業(yè)大學(xué)，2000(10).F. S. Cohen, Z. Fan, and M. A. Patel. Classification of rotated and scaled textured images using Gaussian Markov random field modelsD. IEEE Trans. on Pattern Analysis and Machine Intelligenee, 1991. 13(2): 192-202.程兵，王瑩，鄭南寧，賈新春等.基于Markov隨機(jī)場和FRAME模型的無監(jiān)督圖像分割J.中國 科學(xué) E 輯,2004(4).附錄總體設(shè)計(jì)程序：clc;clear;close all;A=imread(a.jpg);%讀入名字為a.jpg的圖片imshow(A);M=400;N=300;%把圖片處理一下大小A=imresize(A,M,N);X = rgb2gray(A);200for i=1:M%二值化圖像，要根據(jù)實(shí)驗(yàn)圖像來改天閾值，本實(shí)驗(yàn)閾值為for j=1