×
塔雷克·埃尔格巴利;尼扎尔·布吉拉

图像上有限广义高斯混合模型的贝叶斯学习。 （英语） Zbl 1217.94010号

信号处理。 91，第4期，801-820（2011）.
摘要：本文提出了一种完全贝叶斯方法来分析有限广义高斯混合模型，该模型包含几种标准混合，广泛用于信号和图像处理应用，如拉普拉斯和高斯。由于广义高斯分布（GGD）具有形状灵活性，因此可以应用于广泛的数据，这证明了它对多媒体信号统计行为建模的有效性。我们提出了一种使用吉布斯抽样算法评估后验分布和贝叶斯估计量的方法。对于混合物中成分数量的选择，我们使用了综合似然和贝叶斯信息准则。我们将所提方法应用于：合成数据、真实数据集、纹理分类和检索以及图像分割；同时将其与其他不同的方法进行比较。

引用于6文件

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
68T05型 人工智能中的学习和自适应系统

关键词：

广义高斯分布;混合物建模;贝叶斯分析;吉布斯采样;大都市——黑斯廷斯;可操纵模型;直方图;纹理分类;图像分割

软件：

可操纵金字塔;EMD公司
PDF格式BibTeX公司 XML格式引用
\textit{T.Elguebaly}和\textit{N.Bouguila}，《信号处理》。91，编号40801-820（2011年；兹bl 1217.94010）
全文： 内政部

参考文献：

[1] Ohm，J.R.：多媒体通信技术，多媒体信号的表示、传输和识别，（2004）·Zbl 1060.94002号
[2] 麦克拉克伦，G.J。；Peel，D.：有限混合模型，（2000）·Zbl 0963.62061号
[3] 陈，F。；高，Z。；Villasenor，J.：广义高斯源的格矢量化，IEEE信息理论事务43，第1期，92-103（1997）·Zbl 0871.94011号
[4] Joshi，R.L。；克拉姆·V·J。；Fischer，T.R.：使用算术编码网格编码量化的图像子带编码，视频技术电路和系统IEEE事务5，第6期，515-523（1995）
[5] 落叶松属。；Farvardin，N.：从可变长度标量量化器导出的结构化固定速率矢量量化器：第一部分-无记忆源，IEEE信息理论事务39，第3期，851-867（1993）·Zbl 0784.94011号 ·数字对象标识代码：10.1109/18.256493
[6] Delignon，Y。；Marzouki，A。；Pieczynski，W.：广义混合的估计及其在图像分割中的应用，IEEE图像处理事务6，第10期，1364-1375（1997）
[7] Miller，J.H。；Thomas，J.B.：非高斯噪声中离散时间信号的检测器，IEEE信息理论事务18，第2期，241-250（1972）·Zbl 0231.94028号 ·doi:10.1109/TIT.1972.1054787号
[8] Farvardin，N。；Modestino，J.W.：一类非高斯无记忆信源的最佳量化器性能，IEEE信息理论事务30，第3期，485-497（1984）·Zbl 0541.94012号 ·doi:10.1109/TIT.1984.1056920
[9] 高，Z。；Belzer，B。；Villasenor，J.：Z、E8和Leech晶格用于低形状参数广义高斯源量化的比较，IEEE信号处理字母2，No.10197-199（1995）
[10] Meignen，S。；Meignen，H.：关于在最大似然框架下用广义高斯密度建模小样本分布，IEEE图像处理事务15，第6期，1647-1652（2006）
[11] Mauersberger，W.：不匹配量化器性能的实验结果，IEEE信息理论事务25，第4期，381-386（1979）·Zbl 0409.94014号 ·doi:10.1109/TIT.1979.1056068
[12] Mallat，S.G.：多分辨率信号分解理论：小波表示，IEEE模式分析和机器智能事务11，第7期，674-693（1989）·兹比尔0709.94650 ·数字对象标识代码：10.1109/34.192463
[13] 纳文，T。；Woods，J.W.：高清晰度视频的运动补偿多分辨率传输，IEEE视频技术电路和系统事务4，第1期，29-41（1994）
[14] 谢里菲，K。；Leon Garcia，A.：视频子带分解中广义高斯分布的形状参数估计，IEEE视频技术电路和系统事务5，第1期，52-56（1995）
[15] Calvagno，G。；吉拉尔迪，C。；Mian，G.A。；Rinaldo，R.：用于缓冲区控制的子带图像数据建模，IEEE视频技术电路和系统事务7，编号2402-408（1997）
[16] Do，M.N。；Vetterli，M.：使用广义高斯密度和Kullback–Leibler距离的基于小波的纹理检索，IEEE图像处理事务11，第2期，146-158（2002）
[17] 杰夫·奥约尔（J-F.Aujol）。；奥伯特，G。；Blanc-Féraud，L.：纹理图像分类的基于小波的水平集进化，IEEE图像处理事务12，第12期，1634-1641（2003）·Zbl 1287.94009号
[18] Choi，S-K。；Tong，C.-S.：《利用特征广义高斯密度进行监督纹理分类》，《数学成像与视觉杂志》29，第1期，35-47页（2007年）
[19] 穆林，P。；Liu，J.：《使用广义高斯和复杂性先验分析多分辨率图像去噪方案》，IEEE信息理论事务45，第3期，909-919（1999）·Zbl 0945.94004号 ·数字对象标识代码：10.1109/18.761332
[20] Fischer，T.R.：金字塔矢量量化器，IEEE信息理论事务32，第4期，568-583（1986）·兹比尔0602.94006 ·doi:10.1109/TIT.1986.1057198
[21] Birney，K.A。；Fischer，T.R.：关于DCT和子带图像数据的压缩建模，IEEE图像处理事务4，第2期，186-193（1995）
[22] Bouman，C。；Sauer，K.：用于边缘保持MAP估计的广义高斯图像模型，IEEE图像处理事务2，第3期，296-310（1993）
[23] Bazi，Y。；布鲁佐内（Bruzzone，L.）。；Melgani，F.：基于EM算法和广义高斯分布的图像阈值化，模式识别40，第2期，619-634（2007）·Zbl 1118.68187号 ·doi:10.1016/j.patcog.2006.05.006
[24] 风扇，S.-K.S。；Lin，Y。；Wu，C.-C.：广义高斯分布混合建模中使用新估计方法的图像阈值，神经计算72，第1-3期，500-512（2008）
[25] Gazor，S。；Zhang，W.：语音概率分布，IEEE信号处理信件10，第7期，204-207（2003）
[26] Kokkinakis，K。；Nandi，A.K.：广义高斯概率密度函数的指数参数估计及其在语音建模中的应用，《信号处理》85，第9期，1852-1858（2005）·Zbl 1160.94339号 ·doi:10.1016/j.sigpro.2005.02.017
[27] M.S.Allili，N.Bouguila，D.Ziou，《使用广义高斯混合模型进行鲁棒视频前景分割》，载于：《加拿大机器人与视觉会议论文集》，2007年，第503-509页。
[28] 艾利，M.S。；布吉拉，北卡罗来纳州。；Ziou，D.：有限广义高斯混合建模及其在图像和视频前景分割中的应用，《电子成像杂志》17，第1期，第1-13页（2008）
[29] 风扇，S.-K.S。；Lin，Y.：复杂图像上广义高斯混合分布的快速估计方法，计算机视觉和图像理解113，第7期，839-853（2009）
[30] 莫瑟，G。；Zerubia，J。；Serpico，S.B.：基于广义高斯模型的SAR幅度概率密度函数估计，IEEE图像处理事务15，第6期，1429-1442（2006）
[31] D.Cantzos，A.Mouchtari，C.Kyriakakis，基于广义高斯混合模型和倒谱平滑的多通道音频再合成，收录于：IEEE音频与声学信号处理应用研讨会论文集，2005年，第215–218页。
[32] 瓦拉纳西，M.K。；Aahang，B.：参数广义高斯密度估计，《美国声学学会杂志》86，第4期，1404-1415（1989）
[33] 克鲁宾斯基，R。；Purchyñski，J.：广义高斯分布形状参数的近似快速估计器，《信号处理》86，第2期，205-211（2006）·Zbl 1163.94354号 ·doi:10.1016/j.sigpro.2005.05.003
[34] Aiazzi，B。；Alpaone，L。；Baronti，S.：基于熵匹配的广义高斯PDF建模估计，IEEE信号处理字母6，第6期，138-140（1999）
[35] Pi，M.：改进子带GGD参数的最大似然估计，模式识别字母27，第14期，1710-1713（2006）
[36] Müller，F.：自然图像二维DCT系数的分布形状，电子信件29，第22期，1935-1936（1993）
[37] 麦克拉克伦，G.J。；Krishnan，T.：EM算法和扩展（1997）·Zbl 0882.62012号
[38] Robert，C.P.：从决策理论基础到计算实现的贝叶斯选择，（2007）·Zbl 1129.62003号
[39] Celeux，G。；Diebolt，J.：《SEM算法：从混合问题的EM算法导出的概率教师算法》，《计算统计季刊》第2期，第1期，73-82页（1985年）
[40] Celeux，G。；Diebolt，J.：混合问题的随机近似型EM算法，《随机与随机报告》41，119-134（1992）·Zbl 0766.62050号
[41] Pieczynski，W.：统计图像分割，机器图形和视觉1，第1-2期，261-268（1992）
[42] 魏国强。；Tanner，M.A.：EM算法和穷人数据增强算法的蒙特卡罗实现，美国统计协会杂志85，699-704（1990）
[43] Ghosh，J.K。；德兰帕迪，M。；Samanta，T.：贝叶斯分析理论和方法简介（2006）·Zbl 1135.6202号
[44] Geman，S。；Geman，D.：随机松弛、吉布斯分布和图像的贝叶斯恢复，IEEE模式分析和机器智能事务6，第6期，721-741（1984）·Zbl 0573.62030号 ·doi:10.1109/TPAMI.1984.4767596
[45] 拉维耶，M。；Moulines，E.：非高斯反褶积EM算法的模拟退火版本，《统计与计算》7，第4期，229-236（1997）
[46] Delmas，J.P.：指数族EM和ICE算法的等价性，IEEE信号处理事务45，第10期，2613-2615（1997）
[47] 罗伯特·C·P。；Casella，G.：蒙特卡洛统计方法，（2004）·Zbl 1096.62003年
[48] 温柔，J.E。；Härdle，W.：计算统计手册。概念和基本原理，计算统计学手册。概念和基础1（2004）·Zbl 1066.62001号
[49] 刘易斯，S.M。；Raftery，A.E.：通过Laplace-metropolis估计器的后验模拟估计Bayes因子，美国统计协会杂志90，648-655（1997）·2018年8月89日 ·doi:10.2307/2965712
[50] Schwarz，G.：估算模型的维度，《统计年鉴》16，461-464（1978）·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136
[51] Crawford，S.L.：拉普拉斯方法在有限混合分布中的应用，美国统计协会杂志89，259-267（1994）·Zbl 0795.62022号 ·doi:10.2307/2291222
[52] Haralick，R.M。；Shanmugam，K。；Dinstein，I.：图像分类的纹理特征，IEEE系统、人类和控制论事务3，610-622（1975）
[53] J.R.Smith，S.Chang，大型图像数据库中纹理分类和辨别的变换特征，载于：《IEEE国际图像处理会议论文集》，1994年，第407–411页。
[54] M.Tuceryan，A.K.Jain，纹理分析，摘自：《模式识别和计算机视觉手册》，1998年，第207-248页。
[55] 邓恩，D。；希金斯，W.E。；Wakeley，J.：使用2-D Gabor基本函数进行纹理分割，IEEE模式分析和机器智能事务16，第2期，130-149（1994）
[56] E.P.Simoncelli、E.H.Adelson，《通过贝叶斯小波取芯去除噪声》，载于《IEEE图像处理国际会议论文集》，1996年，第379-382页。
[57] Wu，K.L.Chan，Y.Huang，基于有限高斯混合模型的图像纹理分类，载《第三届纹理分析与合成国际研讨会论文集》，第九届计算机视觉国际会议，2003年，第107–112页。
[58] 弗里曼，W.T。；Adelson，E.H.：可操纵滤波器的设计和使用，IEEE模式分析和机器智能事务13，第9期，891-906（1991）
[59] E.P.Simoncelli，W.T.Freeman，《可操纵金字塔：多尺度导数计算的灵活架构》，收录于《IEEE图像处理国际会议论文集》，1995年，第444-447页。
[60] Y.Rubner，C.Tomasi，L.J.Guibas，图像数据库应用的分布度量，收录于《IEEE计算机视觉国际会议论文集》，1998年，第59-66页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。