19、图像纹理模型与分类及最大似然估计方法解析

图像纹理模型与分类及最大似然估计方法解析

1. 图像纹理模型与分类

在图像处理领域，纹理模型与分类是重要的研究方向。下面将详细介绍相关的概念、方法和技术。

1.1 纹理模型基础

在处理图像时，对于像素的灰度值更新，有如下公式：
[is = Ps + E_{ast}(rt - At) + ails]
这里的 (is) 被接受为像素 (s) 处的新灰度值。实际上，像素 (s) 处的局部特征就是这个随机变量的规律。为避免边界处理的困难，图像通常会以环面形式进行处理。

有一种流行的模拟技术源于自回归模型，它与一维时间序列模型密切相关。这种技术最初由 McCormick 和 Jayaramamurthy 在 1974 年用于图像纹理分析。对应的算法形式如上述公式所示，这表明基于自回归和随机场的不同方法之间存在紧密联系。在处理这些技术时，常采用标准的光栅扫描访问方案，只考虑当前像素之前更新过的邻居（即前一行和左侧的像素），其他系数 (ast) 暂时设为零，这样就将经典一维模型的技术应用到了多维情况，但这种方向模型对于空间现象通常并不被认为是足够合适的。

1.2 纹理分类概述

纹理分类的问题可以描述为：假设通过遥感等方式记录了数据 (y = (y_s)_{s\in S})，同时给定了一个纹理类别的参考列表，每个纹理类别由有限集合 (L) 中的一个标签表示。观察窗口 (S) 被像素块覆盖，这些块可以重叠或不重叠。对于每个块 (B)，需要分配一个标签 (x_B \in L)，以表示该块上的灰度值模式代表了纹理类型 (x_B) 的一部分。除了正常的纹理标签，还可以添加如“doubt”（表示不确定）和“out”（表示不属于这些纹理