1 简介
基于 MＲF 的影像分割中，分割影像常用 2 个随机场来描述，一个是特征场( 或称观测场) ，另一个是标记场。特征场以标记场为条件，用标记类别的似然分布函数描述特征数据或特征向量的分布; 标记场则用先验知识描述标记场的局部相关性。影像分割需要将特征场中的数据与标记场中的先验知识概率建立有机的联系，这就需要将先验信息所期望的分割结果与真实观测数据的细节信息进行平衡，而贝叶斯决策理论能够很好地做到这一点。基 于 MＲF 的影像分割通常用贝叶斯决策理论中的最大后验概率( maximum a posterior，MAP) 准则作为MＲF 建模的优化准则，这就是经典的 MAP － MＲF框架，该框架下的影像分割问题的实质即计算影像的最大后验概率。由 Markov 和 Gibbs 分布的等价性可知，最大后验概率的求解又可以转化为对最小能量函数的计算，而 ICM 算法是计算最小能量函数的经典算法。
2 部分代码
clc
clear
pic_name = 'che yinying.jpg';
pic_path = '实验照片\';figure;
imshow(pic_name);
%读取图像
I=imread(strcat(pic_path,pic_name));
I=double(I);
%设定分类参数
class_number=3;
potential=0.2;
maxiter=50;
%执行ICM算法
seg=ICM(I,class_number,potential,maxiter);
%保存分割结果
save_path='实验结果\';
imwrite(mat2gray(seg),strcat(save_path,pic_name));
figure;
imshow(mat2gray(seg));
3 仿真结果
4 参考文献
[1]杨军, 李波. 结合核密度估计理论的ICM遥感影像分割算法[J]. 测绘科学, 2020, 45(5):10.
部分理论引用网络文献，若有侵权联系博主删除。
