[论文解读] GMM-Based Hidden Markov Random Field for Color Image and 3D Volume Segmentation

Quan Wang|arXiv (Cornell University)|Dec 18, 2012

Image Retrieval and Classification Techniques参考文献 11被引用 28

一句话总结

该论文提出了一种基于高斯混合模型（GMM）的隐马尔可夫随机场（HMRF）框架，用于无监督的彩色图像与3D体积分割。通过EM算法将高斯混合模型与MRF先验结合，以实现空间平滑性。该方法在2D和3D数据中均优于k-means聚类，生成了更平滑、更具空间一致性的分割结果，其性能在合成图像与真实图像上通过MATLAB实现得到验证。

ABSTRACT

In this project, we first study the Gaussian-based hidden Markov random field (HMRF) model and its expectation-maximization (EM) algorithm. Then we generalize it to Gaussian mixture model-based hidden Markov random field. The algorithm is implemented in MATLAB. We also apply this algorithm to color image segmentation problems and 3D volume segmentation problems.

研究动机与目标

• 开发一种无监督分割框架，结合数据保真度与空间平滑性，适用于彩色图像与3D体积分割。
• 将标准HMRF模型从单高斯分布扩展至高斯混合模型（GMMs），以实现对更复杂强度分布的建模。
• 将HMRF-EM算法应用于真实世界分割任务，无需依赖标注训练数据。
• 在2D彩色图像与3D体积分割数据上验证该方法，证明其对噪声的鲁棒性及空间连续性。

提出的方法

• 构建基于GMM的HMRF模型，其中每个标签类别由高斯混合模型建模，以实现对强度分布的灵活拟合。
• 采用EM算法，交替执行E-step（利用贝叶斯推断估计后验标签）与M-step（通过加权均值与方差更新参数）。
• 使用MAP估计推断每轮EM迭代中最可能的标签配置，以最小化包含数据项与先验项的总能量函数。
• 采用基于邻域的先验，利用Gibbs分布强制实现空间平滑性，2D中使用8邻域，3D中使用26邻域。
• 在MATLAB中实现该算法，包含独立的k-means初始化、HMRF-EM与MRF-MAP推理模块，支持2D与3D数据。
• 通过后验概率P(l|y_i)实现软标签分配，以更新GMM参数，从而实现对聚类均值与方差的迭代优化。

实验结果

研究问题

• RQ1 与标准k-means聚类相比，基于GMM的HMRF模型是否能提升彩色图像分割的准确率与空间一致性？
• RQ2 当缺乏强度分布先验知识时，HMRF-EM框架在无监督分割中的表现如何？
• RQ3 MRF先验在3D体积分割中，尤其是在高噪声环境下，能在多大程度上实现空间连续性？
• RQ4 在2D与3D应用中，计算复杂度如何随图像尺寸与EM迭代次数变化？

主要发现

• 基于HMRF的分割结果显著优于k-means聚类，尤其在保持分割区域的空间连续性方面表现更优。
• 在3D体积分割中，HMRF方法即使在均匀噪声下仍能成功恢复前景物体的球形结构，而k-means无法维持空间一致性。
• 在2.53 GHz CPU上，对50×50×50的3D体积分割，使用10次EM迭代与10次MAP迭代，算法约在14秒内收敛。
• 使用GMM相比单高斯假设，能更优地建模复杂强度分布，从而提升分割保真度。
• 后验概率P(l|y_i)实现了像素/体素到类别的软分配，使EM过程中的参数更新更加稳健。