39、图像理解中的模式识别方法

图像理解中的模式识别方法

1. 基于分类的分割

在图像理解中，模式识别方法经常出现，多光谱图像（如卫星图像、磁共振医学图像等）基于分类的分割就是一个典型例子。基于分类的分割基本思想与统计模式识别相同。

以大脑的磁共振图像（MRI）为例，若要找出白质、灰质和脑脊液（WM、GM、CSF）区域，且图像数据有T2加权和PD加权两种多自旋回波图像模态。但单幅图像都不能可靠地检测所需区域。

像素在特定图像通道中的灰度值、它们的组合、局部纹理特征等，都可视为特征向量的元素，每个像素会被分配一个特征向量。对于MR脑图像，可用PD、T2、PD - T2、PD × T2这四个特征来构建向量，后续基于分类的理解可以是有监督或无监督的。

1.1 有监督分类

若使用有监督方法进行分类，需应用先验知识形成训练集。基于该训练集的分类器学习，在相关理论中有描述。在图像理解阶段，将从图像像素的局部多光谱图像值导出的特征向量输入分类器，分类器为图像的每个像素分配一个标签，通过像素标记实现图像理解，从而将多光谱图像分割成已知标签的区域，如脑图像中的白质、灰质和脑脊液区域。

1.2 无监督分类

有监督分类方法需要构建训练集，因此需要人工交互。而无监督分类可避免这一点，但聚类和像素标签与类别含义没有一一对应关系，即图像被分割了，但没有标签支持图像理解。不过，通常可以利用先验信息为聚类分配适当的标签，而无需直接人工交互。例如在MR脑图像中，已知脑脊液在T2像素值中总是形成最亮的聚类，灰质形成最暗的聚类，基于此信息可给聚类分配适当标签。

在MR脑图像的有监督分类中，应用了贝叶斯最小误差分类器，无监督标记使用了ISODA