【摘 要】 图像分割是计算机视觉中的经典问题，在许多领域都有重要应用。由于图像信息存在不确定性，难以获得精确的分割结果，为应对图像分割中的不确定性问题，将证据理论这一不确定性建模与推理工具与马尔可夫随机场相结合，提出证据马尔可夫随机场（EMRF）模型，并基于此提出新的图像分割算法。EMRF利用证据标号场描述像素标号的含混性，以证据距离描述相邻像素间的标号关系，利用条件迭代模型（ICM）算法进行优化。

【关键词】 图像分割 证据理论 证据马尔可夫随机场

一、引言

图像分割是计算机视觉中一项基本却又具挑战性的问题。分析和理解一幅图像时， 通常关注有相似特征的特定区域，图像分割即是将图像划分为具有各自不同相似特征区域的过程，是计算机视觉中阶、高阶处理的前提和基础。图像分割广泛应用于遥感图像分析和医学图像分析等领域，如植被检测、核磁共振脑组织分析和基于遥感图像分割的飞行器监测等。由于在界定图像边界、区域和纹理等图像特征时存在不确定性，在图像分割中准确地标记像素是一项具有挑战性的工作。早期的方法包括阈值法、基于边缘的方法、基于区域的方法和混合方法等。这些方法中像素被独立地进行分割判别，由于忽视了相邻像素间的相关性而无法获得满意的分割结果。针对这一问题，马尔可夫随机场（MRF）模型应运而生，并引发广泛的关注。然而，传统MRF在每步迭代过程中被视作一种硬分割方法，由于图像中噪声的影响和相邻区域在交界处的高度相似性，像素类别通常是含混的，无法明确地指出其分割归属，MRF在中间步骤中的硬分割易造成信息的丢失。……