Bayesian-MCMC算法在計算機(jī)圖像處理中的應(yīng)用

項 立

（湛江師范學(xué)院，廣東 湛江 524048）

在計算機(jī)圖像處理中，Bayesian算法進(jìn)行計算機(jī)圖像處理的應(yīng)用相對比較常見，它對于實現(xiàn)計算機(jī)圖像處理具有相對較為突出的作用和優(yōu)勢。將MCMC算法引入到計算機(jī)圖像處理技術(shù)中，實現(xiàn)Bayesian算法與MCMC算法聯(lián)合應(yīng)用進(jìn)行計算機(jī)圖像處理的情況，在實際應(yīng)用中還相對較少。但是，根據(jù)相關(guān)仿真研究結(jié)果表明，應(yīng)用Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理，在進(jìn)行圖像處理的計算中只需要通過相對較少的迭代次數(shù)，就能夠?qū)崿F(xiàn)計算機(jī)圖像處理的計算實施，再加上Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理應(yīng)用中，具有相對較為簡單的跳轉(zhuǎn)核過程，使得Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理應(yīng)用不僅計算效率比較高，并且計算過程簡單，應(yīng)用優(yōu)勢相對較為突出。下文將對于Bayesian-MCMC算法在計算機(jī)圖像處理中的應(yīng)用進(jìn)行分析論述，以促進(jìn)計算機(jī)圖像處理技術(shù)的發(fā)展提升。

1 計算機(jī)圖像處理技術(shù)及其圖像處理過程分析

計算機(jī)圖像處理技術(shù)作為計算機(jī)應(yīng)用技術(shù)與現(xiàn)代化信息技術(shù)發(fā)展推動下實現(xiàn)的一種技術(shù)手段，在實際中的應(yīng)用不僅廣泛并且比較常見。應(yīng)用計算機(jī)圖像處理技術(shù)實現(xiàn)圖像處理的過程，實際上就是一個二維矩陣生成實現(xiàn)的過程。通常情況下，計算機(jī)中二維矩陣的生成與實現(xiàn)過程，通常需要經(jīng)過掃描以及采樣、量化這三個步驟。其中，進(jìn)行計算機(jī)掃描中，需要注意對于計算機(jī)進(jìn)行圖像掃描的順序進(jìn)行把握，需要和事先決定好的圖像掃描順序要保持一致。其次，進(jìn)行計算機(jī)圖像處理中的二維矩陣生成采樣過程，主要是處理圖像的像素位置上進(jìn)行灰度值的測量，而像素是掃描步驟中的每一個最小尋址單位，通常情況下，在計算機(jī)圖像處理中采樣步驟多是借助光電傳感器完成實現(xiàn)的。值得注意的是，計算機(jī)圖像處理中，進(jìn)行采樣的目的就是進(jìn)行灰度值的獲取，而最終通過量化過程將采樣得到的灰度值轉(zhuǎn)化成為離散的整數(shù)值。因此，進(jìn)行計算機(jī)圖像處理的過程就可以理解為通過矩形掃描網(wǎng)格對于圖像進(jìn)行掃描，從而獲得一個二維整數(shù)矩陣，這個二維矩陣與進(jìn)行掃描的圖像之間是相互對應(yīng)的關(guān)系，所以說計算機(jī)圖像也就是對于圖像進(jìn)行數(shù)字化之后生成的二維整數(shù)矩陣。如下圖1所示，即為計算機(jī)圖像處理系統(tǒng)圖像處理過程示意圖。

圖1 計算機(jī)圖像處理系統(tǒng)圖像處理過程示意圖

2 Bayesian-MCMC算法在計算機(jī)圖像處理中的應(yīng)用分析

2.1 Bayesian算法進(jìn)行計算機(jī)圖像處理應(yīng)用

Bayesian算法即為貝葉斯分類計算方法，它在進(jìn)行計算機(jī)圖像處理應(yīng)用時，進(jìn)行分類判斷的主要依據(jù)主要是結(jié)合貝葉斯定理實現(xiàn)的，如下公式（1）所示，即為貝葉斯分類的計算公式。

在應(yīng)用Bayesian算法進(jìn)行計算機(jī)圖像處理應(yīng)用時，主要是將圖像作為一個以某種規(guī)律進(jìn)行隨機(jī)分布實現(xiàn)的矩陣，其中各個像元都是一個隨機(jī)的變化量，并且屬于一定的變化類別，而不同的類別則是多個互不相容的事件，因此，在進(jìn)行計算機(jī)圖像處理中，就可以通過應(yīng)用Bayesian算法進(jìn)行計算機(jī)圖像的處理，在這種情況下，可以將上示的貝葉斯分類計算機(jī)公式（1）轉(zhuǎn)換成為如下（2）所示公式。

在上示公式（2）中，ωi表示的是分類目標(biāo)，其中，i可以為1，2,3……n，而X表示的是經(jīng)過特征抽取后得到的特征值或者是持分類像元的灰度值，P則表示在類別i中X進(jìn)行出現(xiàn)的條件概率，而P（ωj）則表示類別i在圖像中出現(xiàn)的先驗概率，并且全部類別的先驗概率之和為1，其中P（X|ωi）表示的是歸屬概率，也就是表示像元X歸屬于每一類別的概率情況，在已知條件概率與先驗概率的情況下，就可以得出歸屬概率的結(jié)果值，根據(jù)這一分類原理與計算方法，就能夠?qū)τ谟嬎銠C(jī)圖像進(jìn)行分類處理，以滿足相關(guān)的圖像處理要求。

2.2 MCMC算法進(jìn)行計算機(jī)圖像處理應(yīng)用

MCMC算法為隨機(jī)模擬法和馬爾卡夫鏈原理相結(jié)合應(yīng)用實現(xiàn)的一種計算方法。根據(jù)貝葉斯分類法的相關(guān)原理，在進(jìn)行邊際后驗密度以及函數(shù)的各種矩、正則因子的情況下，可以通過隨機(jī)模擬法進(jìn)行計算處理，如下公式（3）所示，即為隨機(jī)模擬法進(jìn)行積分計算的主要公式。

在上述計算公式中，p（x）表示的是概率密度函數(shù)，x表示的是隨機(jī)變量，而保證上一公式成立的前提條件，需要在樣本選擇時從具有平穩(wěn)分布規(guī)律特征的概率密度函數(shù)的馬爾卡夫鏈中進(jìn)行考慮。

2.3 Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理應(yīng)用

根據(jù)上述Bayesian算法與MCMC算法在計算機(jī)圖像處理中的應(yīng)用情況，將兩種方法聯(lián)合應(yīng)用實現(xiàn)計算機(jī)圖像處理的過程步驟為：首先，在某一時刻進(jìn)行合適的馬爾卡夫鏈建立，同時確定轉(zhuǎn)移核，并進(jìn)行與其相對應(yīng)的平穩(wěn)分布情況確定；然后，將建立馬爾卡夫鏈時刻中的某一點作為出發(fā)點，通過上述步驟中的馬爾卡夫鏈進(jìn)行序列構(gòu)建；最后，在進(jìn)行預(yù)算實施過程中，應(yīng)注意對于之前的預(yù)算迭代值進(jìn)行去除，根據(jù)這一計算應(yīng)用過程步驟，可以得出如下（4）所示預(yù)算公式，即為Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理的計算原理。

應(yīng)用Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理中，主要是對于計算機(jī)圖像的分辨率進(jìn)行處理，其中Bayesian算法能夠?qū)τ趫D像的形狀特征進(jìn)行提取，以實現(xiàn)對于圖像分辨率的處理。

3 結(jié)語

總之，應(yīng)用Bayesian-MCMC算法進(jìn)行計算機(jī)圖像處理，不僅計算處理的過程比較簡單，并且計算處理的效率也比較高，具有較為突出的作用優(yōu)勢，研究分析價值意義比較高。

[1]周翔，方文俊，羅斌，湯進(jìn).基于血流模型和貝葉斯的紅外人臉識別[J].計算機(jī)技術(shù)與發(fā)展，2013（11）.

[2]楊偉，方濤，許剛.基于樸素貝葉斯的半監(jiān)督學(xué)習(xí)遙感影像分類[J].計算機(jī)工程，2010（20）.