文件 lable 图像分类_马尔可夫随机场之图像分割（个人向）

一.理论基础

​ 马尔可夫随机场是一种基于统计的图像分割算法。马尔可夫啥的都具有马尔可夫性，马尔可夫性是啥呢？就是下一时刻事件的发生只与当前发生的事情有关，引申到图像领域就是：图像中的某一特点（灰度值）只与其附近的一小块领域有关，而与其他领域无关。

• 基于图像分割的应用
  将图像分割即是把一副图像分割成多类，即是为每个像素点or一块区域打上label，然后通过不同的label赋予不同的灰度值，从而使不同的标签块区分出来（并不涉及到边缘检测啥的）。
• 马尔可夫随机场是如何做的呢？
  假设我们的待分割图像是S，shape是M×N，我们首先按照它图片的大小生成一个随机矩阵，这个矩阵里的值是随机生成的，而它随机生成的范围是（1，分类数+1）。我们要做的是根据一步步的迭代，更新，一步步找到我们想要的分类矩阵。
  接下来就需要有名的贝叶斯理论了（老绕不开了）：
  现在我们需要知道下一步的分割结果W，但是我们现在并不知道，我们所知道的是输入的图像S，也就是在知道S的情况下求W，转化概率就是P（W|S）。根据贝叶斯理论：

首先弄清楚每个量代表的是什么东西：

• • W就是要求分类的标签，称P(W)是标记场的先验概率（就是说在不知道它之前，求出来是这个标签的概率（个人理解））
  • P（S|W）就是我们已经分好了标签，在这个标签下得出的图像与原图像的匹配程度，到每个像素点就是已知像素标记为w情况下，它是真实像素点的概率。（因此也被叫做似然函数）
  • P（S）是什么？这就是观察到的图像的概率，就是一个常数（个人感觉可以不用计算）

现在我们要求的是P（W|S）的最大值，也就是要求P(S|W)*P(W)的最大值。

• • 如何求P（W）?(我大马尔可夫终于登场了)
    我们之前提到过，马尔可夫体现在图像中某一个像素点的灰度值只与周围的像素点有关。那么我们如何去表达这个关系呢？
    • 首先我们需要定义你需要的势团，势团是啥？大概来说就是这个像素点周围哪些像素点是与它的灰度有关系的。
    • 然后我们需要定义势团与实际点的关系。最简单的方法就是：假设中间像素点是1，然后看势