至今,图像分割尚无通用的分割理论和方法,现存的各种各类分割算法大都是基于某种具体问题,这是目前图像分割所面临的困难。本文提出一个新的理论和方法,基于此,我们可以改善图像分割算法对具体问题的过度依赖性,本文方法在一定程度上具有方法论意义上的通用性。 我们知道,图像分割是图像信息处理中十分重要的研究内容,在图像理解、模式识别、图像编码和图像合成等方面有广泛的应用,然而它也是一个很困难的经典问题。尤其是图像获取的机理使得图像区域边界之间不可避免地会产生灰度平滑,同时由于光的复杂作用也会使不同目标区域中存在灰度重叠,这些都会造成图像分割的困难,有效的避免方法是对图像进行平滑预处理,可以大大地压缩目标灰度重叠。另一方面噪声也会严重影响图像分割的质量,对噪声图像进行滤波预处理也是提高图像分割质量的重要一环。 我们提出的基于可分解马尔科夫网(Decomposable Markov Networks,DMN)的方法是基于系统的信息熵差原理进行网络的结构搜索,通过网络结构输出形式判断像素的亮度,将其归为高亮、中亮(缓冲区)、低亮三类,获得缓冲区。所谓缓冲区是局部无法判明亮度(不亮也不暗)归属(高亮或低亮)的像素的集合。它与过渡区既有区别又有联系:即缓冲区包含了过渡区,而过渡区不一定就是缓冲区,因为它们具有不同的理念。缓冲区是局部暂时不明归属的像素的容纳区域,我们可以通过修改缓冲区的容量,来控制缓冲区像素的数量。从缓冲区中压出栈的像素,将自适应地根据局部特征被分别归入高亮或低亮的像素区域,实现对图像分割的缓冲区控制法,这个过程是一个连续的过程。而过渡区则被认为是一个包含区域边界的部分,对它再实施分割就获得了区域边界,可见过渡区是一个固定的区域,不可调整,噪声或误差对分割结果的影响是不可避免的。 既然可分解马尔科夫网(DMN)模型可以判断出每一个像素的亮度归属,所以它对图像的平滑和滤波也都是可以实现的。实质上,无论是图像平滑、滤波、或者图像分割,其关键问题都在于对单个像素特征的识别,既然DMN可以识别单个像素的特征,所以,它必然可以分别进行平滑、滤波、分割处理。一些相关文献都认为图像平滑、滤波将有利于图像分割,所以图像平滑、滤波方法也是本文的研究内容。图像平滑、滤波(或分割)的方法已经提出了不少,但是它们大都是基于具体图像的特征而进行的图像平滑和滤波(或分割),所以不可能基于一种模型分别进行平滑、滤波(或分割)处理。 在图像平滑、滤波处理中,图像中的非灰度抖动和非噪声像素在平滑、滤波前后的灰度值应当保持不变,同时平滑、滤波操作只应当改变图像抖动灰度或噪声灰度的值。本文方法通过DMN的结构搜索,可以得到被平滑、滤波图像像素灰度的三个重要信息:一是灰度抖动或噪声像素的精确位置;二是灰度抖动或噪声像素的灰度值应该改正的方向(即上调或下调);三是与灰度抖动或噪声像素具有最大相关性的近邻像素的精确位置。 传统平滑、滤波(包括均值滤波)方法的致命缺陷在于:一是没有精确的噪声定位,因此这些方法认为滤波窗口中心像素就是噪声象素;二是认为窗口内所有像素灰度都对中心噪声象素有贡献。所以,在平滑、滤波时,对噪声象素的替代就采用了不加区别地对窗口内所有像素灰度进行平均的方法。因此,传统平滑、