对具有非高斯噪声的图像进行基于能源的细分方法
Jiatao Zhong1, Shiyin Du1, Canruo Shen1
1Department of Computer Science, Mathematics, Physics and Statistics, University of British Columbia, Kelowna, V1V 1V7, Canada.
Scientific reports
|July 16, 2025
概括
本研究介绍了一种使用变化点检测的基于能源的图像细分方法. 它准确地细分杂的,非高斯图像和小区域,优于现有的多模式图像技术.
科学领域:
- 图像处理和计算机视觉
- 统计建模和数据分析.
背景情况:
- 图像细分对于图像分析至关重要,但传统方法与非高斯噪声和多式联络数据作斗争.
- 精确细分小区域和复杂的图像分布仍然是一个挑战.
研究的目的:
- 提出一种新的基于能源的图像细分方法.
- 为了提高非高斯和多式灰度图像的细分精度.
- 开发一种自动适应图像特征并确定最佳细分参数的算法.
主要方法:
- 使用基于能源的方法与变化点检测相结合.
- 使用Kullback-Leibler (KL) 分歧来评估和处理非高斯噪声.
- 具有适应机制,可以在高斯式和非高斯式模型之间切换.
- 包含了一种代过程,用于检测小图像区域.
主要成果:
- 与传统方法相比,对双模灰度图像的准确度提高.
- 在细分多式灰度图像方面,优于几种先进技术 (例如,稀疏图谱分类,马尔科夫随机场上的高斯混合物).
- 成功地对小区域进行细分,通常会被其他算法错过.
- 自动确定最佳的分类数量和模型类型 (高斯式或非高斯式).
结论:
- 提出的基于能源的细分方法为具有挑战性的图像数据集提供了卓越的性能,特别是那些具有非高斯噪声和多种模式的图像数据集.
- 该算法的适应性和代性质使其在检测微妙的图像特征和提高整体细分精度方面具有强大性能.
- 这种方法代表了对双模和多模灰度图像的图像细分技术的重大进步.
