基于路径约束 Viterbi 训练、迭代条件模式和图割算法的隐式 Potts 与 Markov 网格先验模型 MAP 分割的精度
机器学习
2013-07-12 v1 计算机视觉与模式识别
机器学习
摘要
在本文中，我们研究了两种不同马尔可夫场环境下像素级图像分割的统计分类精度，将图像标签视为隐藏状态，并将此类标签的估计作为 MAP 方程的解来求解。所有模型中的发射分布假设相同，区别在于对标签随机场所做的马尔可夫先验假设。先验标签知识将建模为：a) 二阶各向异性 Markov 网格，以及 b) 经典各向同性 Potts 模型。在这些模型下，我们将考虑三种不同的分割过程：针对隐式 Markov 网格的二维路径约束 Viterbi 训练、针对一阶各向同性 Potts 模型的基于图割（Graph Cut）的分割，以及针对二阶各向同性 Potts 模型的 ICM（迭代条件模式）。我们提供了这三种方法的统一视角，并研究了分类的拟合优度，探讨了参数估计、计算增益和自动化程度对总体精度（Overall Accuracy）、相对改进（Relative Improvement）和 Kappa 系数等统计指标的影响，从而能够对来自牙科诊断放射学领域的合成数据和真实实验数据进行稳健且准确的统计分析。所有算法在使用学习到的参数时，当图像具有清晰的多峰直方图时，只需少量交互即可生成良好的分割结果。事实证明，在非显著模式的情况下，次优学习是脆弱的，这限制了可用模型的复杂性，进而也限制了可实现的错误率。所有编写的 Matlab 代码均作为一个工具箱提供，可从我们的网站下载，遵循可复现研究范式。
引用
@article{arxiv.1307.2971,
title = {Accuracy of MAP segmentation with hidden Potts and Markov mesh prior models via Path Constrained Viterbi Training, Iterated Conditional Modes and Graph Cut based algorithms},
author = {Ana Georgina Flesia and Josef Baumgartner and Javier Gimenez and Jorge Martinez},
journal= {arXiv preprint arXiv:1307.2971},
year = {2013}
}