本文提出了一种改进三维网格分割算法性能的新方法。我们的方法以一个三维网格对象和一个分割算法作为输入。我们的方法使用马尔可夫随机场(MRF)估计，对于每个网格顶点，顶点位于分割边界的可能性。这是通过重复一个过程来完成的，在这个过程中，我们扰动3D网格数据，并使用提供的算法重新分割表面，然后分析所提供的分割边界的变化。我们的MRF使用这些分割作为数据来估计每个顶点是分割边界成员的可能性。在MRF中加入先验，鼓励解满足平滑条件。结合似然和先验来生成位于分割边界上的网格顶点的后验分布。然后将改进后的分割作为最大化一个后验分布的顶点集合，称为MAP-MRF估计。给出了2种不同输入算法和3种不同输入面的分割结果，并给出了分割改进的定量措施。该方法可以应用于许多分割算法，以改善结果，否则可能遭受分割过或欠分割。 ———————————————— 版权声明：本文为CSDN博主「佩佩想做程序猿」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_46559411/article/details/124349928

针对图像聚类问题,提出了一种基于图像空间关系的聚类方法,采用场模型描述图像之间的空间关系,利用K-近邻思想构建图像邻域系统,聚类过程中无需手动标记特征表示的图像类别信息,只需要给定初始类别数,通过条件迭代算法(ICM)对图像进行聚类。该文通过实验分析了图像样本大小、图像特征维数、图像特征类型、初始类别标签对聚类结果的影响,通过与多种经典聚类算法进行对比,实验结果充分验证了该方法的有效性。

基于马尔可夫随机场（MRF）的方法已广泛用于高空间分辨率（HSR）图像分类中。 但是，许多现有的基于MRF的方法更加注重像素级上下文，而较少关注超像素级上下文信息。 为了解决这个问题，本文提出了一种新颖的双层上下文MRF框架，称为BLC-MRF，用于HSR图像分类。 具体来说，将像素和超像素级别的依赖关系合并到建议的MRF模型中，以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中，首先执行像素级MRF模型，然后级联作为超像素级MRF的输入。 在超像素级别，分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后，进行了上下文MRF模型，并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的：首先，可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界，以提高分类性能；其次，该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明，在分类性能方面，该方法优于几种最新方法。