基于贝叶斯最小错误率的图像分割算法的研究

图像分割是图像处理中最为基础和重要的领域之一，它是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。它是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中的关键步骤。多年来，已经提出了许多不同类型的图像分割方法.经典的方法有灰度阈值分割法、边缘检测法和区域跟踪以及基于分水岭算法的分割方法等。对图像分割的效果好坏或正确与否，还没有一个统一的评价判断准则。不同的分割方法对同一幅图像的分割效果是不同的，而且同一种分割方法对一幅图像在不同空间下的分割效果也是不同的。 

从模式分类的角度来考虑图像分割问题，图像分割的过程实际上也就是将图像变换到某一特征空间，在特征空间进行模式分类的过程，而在分类问题中，往往希望尽量减少分类的错误，从这样的要求出发，利用概率论中的贝叶斯公式，就能得出使错误率最小的分类规则，即称之为最小错误率贝叶斯决策。贝叶斯决策理论目前已较多的应用于医疗诊断，房地产投资风险决策、审计、证券，复核事故中晚期应急决策优化以及军事方面等许多决策领域，但它的理论同样也可应用于图像分割，近些年，贝叶斯理论在图像分割方面的应用比较广泛：有的学者在以往有监督的图像分割方法的基础上，提出新的无监督的贝叶斯图像分割方法，其分割的准确性非常接近有监督的图像分割方法；通过将贝叶斯分析和传统的水平集结合，可以解决在嘈杂和混乱的场景中的分割问题；而通过非参数的贝叶斯推理也可以作为一些图像分割方法中的分类器的理论基础，大量实验表明该方法在范围图像分割的有效、准确方面有广阔的发展前景。本文便依据此理论，进行基于最小错误率的图像分割算法的研究，以实现不同灰度级多物体的图像分割提取。

该题目已经把matlab程序实现了。c++代码还在研究中。