【摘 要】本文綜述最近5年的SCI源期刊中關(guān)于馬爾科夫網(wǎng)絡(luò)的文獻(xiàn),分析馬爾科夫網(wǎng)絡(luò)的應(yīng)用領(lǐng)域,文中對馬爾科夫網(wǎng)絡(luò)在圖像處理及空間建模方面應(yīng)用進(jìn)行了綜述論述。
【關(guān)鍵詞】馬爾科夫網(wǎng)絡(luò) 圖像處理 空間建模 應(yīng)用
一、引言
馬爾科夫網(wǎng)絡(luò)( Markov Network, MN )是目前不確定知識表達(dá)和推理等領(lǐng)域的有效模型之一,它應(yīng)用于人工智能、分子動(dòng)力學(xué)、物理學(xué)、生物學(xué)等諸多領(lǐng)域,并取得了一定的研究成果,具有很廣闊的應(yīng)用前景。
馬爾科夫網(wǎng)絡(luò)模型源于統(tǒng)計(jì)力學(xué)領(lǐng)域著名的易辛模型。易辛模型是最早的從微觀的交互作用的角度來討論物質(zhì)相變的模型。馬爾科夫網(wǎng)絡(luò)定義了具有馬爾科夫性質(zhì)的n維隨機(jī)變量的聯(lián)合概率分布。馬爾科夫性質(zhì)是指某個(gè)事物的下一個(gè)狀態(tài)只由現(xiàn)在的狀態(tài)決定,而跟事物過去的狀態(tài)無關(guān),也就是無后效性。馬爾科夫網(wǎng)絡(luò)與貝葉斯網(wǎng)絡(luò)相似,都是用于表達(dá)依賴關(guān)系。與貝葉斯網(wǎng)絡(luò)相比,馬爾科夫網(wǎng)絡(luò)可以表達(dá)循環(huán)依賴等關(guān)系,而貝葉斯網(wǎng)絡(luò)則不能;但貝葉斯網(wǎng)絡(luò)可以表示推導(dǎo)關(guān)系等,馬爾科夫網(wǎng)絡(luò)則不能。
二、基本概念
(一)基團(tuán)的勢函數(shù)
基團(tuán)的勢函數(shù)是馬爾科夫網(wǎng)絡(luò)中的一個(gè)基本概念。其中,基團(tuán)是指在無向圖G中彼此有連接關(guān)系的點(diǎn)的集合,特別地,無向圖G中的單獨(dú)的點(diǎn)也屬于一種基團(tuán)。勢函數(shù)是指對應(yīng)于某一類基團(tuán)的非負(fù)實(shí)值函數(shù)。基團(tuán)與勢函數(shù)是一一對應(yīng)的,勢函數(shù)反映了基團(tuán)中變量取值的相容性。
(二)馬爾科夫隨機(jī)場
定義:設(shè)X=是定義域S上的隨機(jī)變量族,每個(gè)隨機(jī)變量=,其中,R是一個(gè)實(shí)數(shù)集合,則隨機(jī)變量族X成為隨機(jī)場。
1.3 馬爾科夫網(wǎng)絡(luò)
定義:馬爾科夫網(wǎng)絡(luò)是在無向圖G上給定勢函數(shù)集合,記為G=。馬爾科夫網(wǎng)絡(luò)定義概率:
其中,V=是n維變量,v=表示變量V所取狀態(tài)值;Z是標(biāo)準(zhǔn)化系數(shù),用來保證=1;是關(guān)于基團(tuán)c的勢函數(shù),一般是指數(shù)形式函數(shù)。因此,概率公式可以寫成:
其中,w是基團(tuán)勢函數(shù)的權(quán)重系數(shù),f是基團(tuán)勢函數(shù)向量形式的特征函數(shù)。
三、馬爾科夫網(wǎng)絡(luò)在圖像處理及空間建模的應(yīng)用
馬爾科夫網(wǎng)絡(luò)從提出至今,已經(jīng)應(yīng)用于諸多領(lǐng)域,是一門比較成熟的隨機(jī)變量全聯(lián)合概率分布模型。
在圖像處理及空間建模方面。2009年,Detry等提出了一個(gè)對概率空間關(guān)系進(jìn)行編碼的目標(biāo)表示框架,這個(gè)概率空間關(guān)系是關(guān)于三維特征和用等級結(jié)構(gòu)組織這些三維特征兩者之間的[1]。在等級最低層次的特征是局部的三維描述符,更高層次的特征對更基本特征的概率空間構(gòu)型進(jìn)行遞歸編碼。該等級結(jié)構(gòu)是用馬爾科夫網(wǎng)絡(luò)實(shí)現(xiàn)的,檢測是通過信任度傳播(BP)算法來實(shí)現(xiàn)。該框架可以在未知的場景下估計(jì)既定目標(biāo)的位姿。通過輸入噪音,角度變化和遮擋的實(shí)驗(yàn)證明了框架等級結(jié)構(gòu)的健壯性。2011年,Huang. Y C等提出普遍適用的基于組件的人臉定位可變模型。該模型可以為形狀組件建立獨(dú)立高斯模型來保存更多局部形狀變形的細(xì)節(jié)。同時(shí),馬爾科夫網(wǎng)絡(luò)為模型的搜索策略提供了簡單的幾何約束。Huang. Y. C.等提出的模型不僅可以針對被夸大渲染和輕度的陰影變化的圖像,也可以針對遮擋和重度陰影的圖像產(chǎn)生精確的形狀對準(zhǔn)結(jié)果。2012年,Song. M L等提出基于馬爾科夫網(wǎng)絡(luò)的全局能量最小框架。該框架首先從照片——素描對的訓(xùn)練集提取一對字典,從而建立了素描中的斑點(diǎn)與照片的關(guān)系。然后,通過學(xué)習(xí)訓(xùn)練出的一對字典,可以合成一系列重疊的照片斑點(diǎn)。通過實(shí)驗(yàn)結(jié)果可以驗(yàn)證,該框架可以有效地用于實(shí)際人臉照片的合成。2012年,Hsieh. K Y等提出,馬爾科夫隨機(jī)場模型為從不同角度攝取的兩個(gè)圖像來推理對應(yīng)場景的三維幾何結(jié)構(gòu)的立體視覺問題提供了健壯的形式化方法。Hsieh. K Y等測試了用多核處理器的立體視覺BP算法的并行性。Hsieh. K Y等的論文表明算法的并行性可以有效地在多核處理器上利用。實(shí)驗(yàn)結(jié)果顯示,對比單核處理器,多核處理器的并行化可以為BP算法提供15倍的加速。超分辨率的光譜分離是近年來新發(fā)展的一種混合光譜分離方法。2012年,Li. X等提出基于案例的SR重構(gòu)模型,該模型使用了馬爾科夫網(wǎng)絡(luò)作為重構(gòu)的一種方法。Li. X等研究了訓(xùn)練數(shù)據(jù)庫的數(shù)量對超分辨率的光譜分離的影響程度,從而使訓(xùn)練數(shù)據(jù)庫設(shè)計(jì)的更加合理。
四、馬爾科夫網(wǎng)絡(luò)的發(fā)展展望
馬爾科夫網(wǎng)絡(luò)的發(fā)展十分迅速,它的應(yīng)用領(lǐng)域還在不斷地?cái)U(kuò)大。如今馬爾科夫網(wǎng)絡(luò)的研究都是與其他模型或者算法相結(jié)合,取長補(bǔ)短,從而發(fā)揮最優(yōu)的性能,比如關(guān)系馬爾科夫網(wǎng)絡(luò)和馬爾科夫邏輯網(wǎng)絡(luò),同時(shí),這也是馬爾科夫網(wǎng)絡(luò)發(fā)展的趨勢。
參考文獻(xiàn):
[1] Detry R, Pugeault N, Piater J H. A Probabilistic Framework for 3D Visual Object Representation[J]. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE. 2009, 31(10): 1790-1803.
[2] Huang Y C, Liu Q S, Metaxas D N. A Component-Based Framework for Generalized Face Alignment[J]. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART B-CYBERNETICS. 2011, 41(1): 287-298.
[3] Song M L, Chen C, Bu J J, et al. Image-based facial sketch-to-photo synthesis via online coupled dictionary learning[J]. INFORMATION SCIENCES. 2012, 193: 233-246.
[4] Hsieh K Y, Lai C H, Lai S H, et al. Parallelization of Belief Propagation on Cell Processors for Stereo Vision[J]. ACM TRANSACTIONS ON EMBEDDED COMPUTING SYSTEMS. 2012, 11(131SI).
[5] Li X, Ye W T, Chen X L, et al. Impact of training database on super resolution-based spectral unmixing[J]. REMOTE SENSING LETTERS. 2012, 3(8): 647-655.