一种基于二维隐马尔可夫模型的图像分类算法

doi:10.3724/SP.J.1087.2005.0760

计算机应用 ›› 2005, Vol. 25 ›› Issue (04): 760-762.DOI: 10.3724/SP.J.1087.2005.0760

一种基于二维隐马尔可夫模型的图像分类算法

胡迎松¹，朱阿柯¹，陈刚²，陈中新³

1.华中科技大学计算机科学与技术学院； 2.武汉科技大学计算机科学与技术学院； 3.湖北清江水电开发有限责任公司

发布日期:2005-04-01 出版日期:2005-04-01

Algorithm of image classification based on two-dimensional hidden Markov model

HU Ying-song¹,ZHU A-ke¹,CHEN Gang²,CHEN Zhong-xin³

1.College of Computer Science and Technology,Huazhong University of Science and Technology,Wuhan Hubei 430074,China; 2.College of Computer Science and Technology,Wuhan University of Science and Technology,Wuhan Hubei 430081,China; 3.The Limited Company of Water and Electricity Development of Qing River,Yichang Hubei 443002,China

Online:2005-04-01 Published:2005-04-01

摘要/Abstract

摘要：

针对图像分块之间的相互依赖关系,提出一种基于二维隐马尔可夫模型的图像分类算法。该算法将一维隐马尔可夫模型扩展成二维隐马尔可夫模型,模型中相邻的图像分块在平面两个方向上按条件转移概率进行状态转换,反应出两个维上的依赖关系。隐马尔可夫模型参数通过期望最大化算法(EM)来估计。同时,本文利用二维Viterbi算法,在训练隐马尔可夫模型的基础上,实现对图像进行最优分类。文件图像分割的应用表明,隐马尔可夫算法优于CART算法。

关键词: 二维隐马尔可夫模型, 图像分类, EM算法, Viterbi算法

Abstract:

Aimed at the inter-block dependency, an image classification algorithm based on a two hidden Markov model(2DHMM) extension from the one dimensional HMM was developed. The 2DHMM has transition probabilities conditioned on the states of neighboring blocks from both directions. Thus, the dependency in two dimensions can be reflected simultaneously. The HMM parameters were estimated by the EM algorithm. A two dimensional version of the Viterbi algorithm was also developed to classify optimally an image based on the trained HMM. Application of the HMM algorithm to document image shows that the algorithm performs better than CART.

Key words: two-dimensional hidden Markov model, image classification, EM algorithm, viterbi algorithm

中图分类号:

TP391.41

胡迎松，朱阿柯，陈刚，陈中新. 一种基于二维隐马尔可夫模型的图像分类算法[J]. 计算机应用, 2005, 25(04): 760-762.

HU Ying-song,ZHU A-ke,CHEN Gang,CHEN Zhong-xin. Algorithm of image classification based on two-dimensional hidden Markov model[J]. Journal of Computer Applications, 2005, 25(04): 760-762.

[1]	贾鹤鸣, 郎春博, 姜子超. 基于轻量级卷积神经网络的植物叶片病害识别方法[J]. 计算机应用, 2021, 41(6): 1812-1819.
[2]	许学斌, 张佳达, 刘伟, 路龙宾, 赵雨晴. 融合空间和通道特征的高精度乳腺癌分类方法[J]. 计算机应用, 2021, 41(10): 3025-3032.
[3]	郑延斌, 韩梦云, 樊文鑫. 基于二维主成分分析与卷积神经网络的手写体汉字识别[J]. 计算机应用, 2020, 40(8): 2465-2471.
[4]	边小勇, 江沛龄, 赵敏, 丁胜, 张晓龙. 基于多分支神经网络模型的弱监督细粒度图像分类方法[J]. 计算机应用, 2020, 40(5): 1295-1300.
[5]	吴立人, 刘政浩, 张浩, 岑悦亮, 周维. 聚焦图像对抗攻击算法PS-MIFGSM[J]. 计算机应用, 2020, 40(5): 1348-1353.
[6]	徐戈, 肖永强, 汪涛, 陈开志, 廖祥文, 吴运兵. 基于视觉误差与语义属性的零样本图像分类[J]. 计算机应用, 2020, 40(4): 1016-1022.
[7]	郭志强, 胡永武, 刘鹏, 杨杰. 基于特征融合的室外天气图像分类[J]. 计算机应用, 2020, 40(4): 1023-1029.
[8]	张凯琳, 阎庆, 夏懿, 章军, 丁云. 基于焦点损失的半监督高光谱图像分类[J]. 计算机应用, 2020, 40(4): 1030-1037.
[9]	张盼盼, 李其申, 杨词慧. 基于轻量级分组注意力模块的图像分类算法[J]. 计算机应用, 2020, 40(3): 645-650.
[10]	史梦安, 陆振宇. 基于YOLO-tiny-RFB模型的电站旋钮开关状态识别[J]. 计算机应用, 2020, 40(12): 3679-3686.
[11]	邓棋, 雷印杰, 田锋. 用于肺炎图像分类的优化卷积神经网络方法[J]. 计算机应用, 2020, 40(1): 71-76.
[12]	武宽, 秦品乐, 柴锐, 曾建朝. 基于不同超声成像的甲状腺结节良恶性判别[J]. 计算机应用, 2020, 40(1): 77-82.
[13]	何新宇, 张晓龙. 基于深度神经网络的肺炎图像识别模型[J]. 计算机应用, 2019, 39(6): 1680-1684.
[14]	徐涛, 王晓明. 泛化误差界指导的鉴别字典学习[J]. 计算机应用, 2019, 39(4): 940-948.
[15]	万源, 张景会, 陈治平, 孟晓静. 基于弹性网和直方图相交的非负局部稀疏编码[J]. 计算机应用, 2019, 39(3): 706-711.

一种基于二维隐马尔可夫模型的图像分类算法

Algorithm of image classification based on two-dimensional hidden Markov model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics