Kevin Murphy条件随机场(CRF)图像分割工具包

资 源 简 介

该项目是基于Kevin Murphy编写的经典MATLAB工具包，专门用于实现和应用条件随机场（Conditional Random Fields, CRF）模型。其核心功能旨在解决具有结构化依赖关系的统计建模问题，特别是在计算机视觉和图像处理领域表现卓著。该工具包允许用户构建2D网格模型的条件随机场，非常适合处理像素级分类任务，如图像分割、图像去噪、立体视觉匹配以及纹理分类等。工具包内部实现了完整的机器学习流程，包括特征函数的定义、基于最大似然或伪似然的参数学习（训练），以及高效的推断算法。在优化方面，它集成了L-BFGS（有限内存拟牛顿法）和共轭梯度法等数值优化算法来求解目标函数。在推断方面，工具包提供了多种算法以适应不同的图结构，包括针对无环图的精确推断算法（如Junction Tree算法）以及针对有环图（如图像网格）的近似推断算法（如Loopy Belief Propagation置信度传播算法）。此外，该源码结构清晰，适合学术研究人员进行概率图模型的二次开发或作为教学演示使用，能够帮助用户深入理解CRF在处理高维连续或离散特征时的数学原理与实现细节。

详 情 说 明

Kevin Murphy CRF条件随机场 MATLAB工具包 - 图像去噪演示

项目简介

本项目是一个基于Kevin Murphy经典CRF工具包思想实现的MATLAB工程，专门用于演示和应用条件随机场（Conditional Random Fields, CRF）模型在计算机视觉领域的应用。项目核心构建了一个2D网格结构的CRF模型（类Ising模型），完整实现了从数据生成、模型参数学习到概率推断的机器学习全流程。

该实现专注于像素级的二分类问题（图像去噪），通过结合一元势函数（观测信息）和二元势函数（邻域空间一致性），有效地从含噪图像中恢复原始结构。代码结构旨在教学演示与学术研究，展示了在存在环路的图结构中如何进行高效的近似推断。

核心功能与特性

1. 2D网格CRF模型构建

• 实现了基于网格（Grid）拓扑结构的马尔可夫随机场。
• 采用二值状态空间（{-1, 1}），适用于二值图像处理。
• 构建了包含节点势（Node Potentials）和边缘势（Edge Potentials）的概率图模型。

2. 参数学习（训练阶段）

• 算法：伪似然估计（Pseudo-Likelihood, PL）。
• 优化方法：基于梯度的数值优化算法（模拟L-BFGS/梯度下降行为）。
• 学习目标：自动学习两个关键标量参数：

* 一元权重 (w_unary)：控制观测像素对最终分类的影响权重。 * 二元权重 (w_pairwise)：控制相邻像素间平滑度/一致性的权重。

• 由数据驱动模型参数，而非人工设定固定阈值。

3. 概率推断（测试阶段）

• 算法：循环置信度传播（Loopy Belief Propagation, LBP）。
• 消息传递机制：实现了Sum-Product算法，在概率域中进行消息更新。
• 稳定性控制：引入了阻尼系数（Damping factor = 0.5）以抑制有环图推断中的震荡，保证收敛性。
• 四向传递：详细实现了上、下、左、右四个方向的消息交互逻辑。

4. 结果评估与可视化

• 提供最大后验概率（MAP）解码，输出最终修复图像。
• 实时计算并对比噪声图像准确率与CRF修复后的准确率。
• 多视图可视化：包含原始真值图、噪声图、边缘概率热力图以及CRF推断结果图。

详细实现逻辑

项目中主要脚本的执行流程如下：

数据准备与预处理

程序首先固定随机种子以保证结果可复现。通过内置生成器创建64x64像素的合成几何图像（圆形），并添加椒盐噪声（约15%翻转率）。为了适配Ising模型计算，将图像数据从 {0, 1} 转换为 {-1, 1} 格式，分别作为观测向量（x）和标签向量（y）。

模型参数训练 (Pseudo-Likelihood)

采用伪似然最大化策略替代复杂的全局似然计算。

• 局部马尔可夫性：针对每个像素，仅计算其在给定上下左右邻居状态下的条件概率。
• 梯度计算：计算负伪似然损失（NLL）及其关于 w_unary 和 w_pairwise 的梯度。梯度计算基于“观测特征值”与“模型期望特征值”的差值。
• 参数更新：通过迭代循环，利用计算出的梯度方向更新参数权重，使模型能够拟合当前数据的统计特性。

近似推断 (Loopy Belief Propagation)

使用训练好的参数在含有噪声的观测图上建立势函数：

1. 初始化：建立全零或全一的消息矩阵，维度涵盖行、列、4个传播方向及2种状态。
2. 构建势函数：

* 一元势 (Phi)：基于观测图像和 w_unary 计算，通过指数函数转换。 * 二元势 (Psi)：基于 w_pairwise 构建兼容性矩阵，倾向于使相邻像素保持相同状态。

1. 消息迭代更新：

* 在设定的迭代次数内（如30次），并行或遍历更新每个节点向四个方向发出的消息。 * 计算规则遵循：发出消息 = (当前节点一元势) × (除目标方向外其他三个方向输入消息的乘积) × (边缘兼容性矩阵)。 * 每次迭代应用阻尼更新策略与归一化操作，防止数值溢出和不收敛。

解码与分析

推断结束后，结合一元势和所有邻居传入的消息计算每个节点的最终置信度（Belief）。

• 边缘概率：归一化置信度得到每个像素属于前景或背景的概率分布。
• MAP估计：根据概率图，以0.5为阈值进行二值化，得到最终的去噪图像。
• 精度计算：逐像素对比修复结果与Ground Truth，量化算法性能。

系统要求

• 软件环境：MATLAB (推荐 R2016b 或更高版本)
• 工具箱：标准配置即可，无需额外的图像处理或深度学习工具箱（主要依赖基础矩阵运算）。

使用方法

1. 将项目所有文件下载至本地目录。
2. 打开 MATLAB 并将工作路径切换至项目文件夹。
3. 直接运行主程序脚本。
4. 程序将在命令行输出训练过程中的迭代损失、梯度模长以及最终学习到的参数。
5. 运行结束后，会弹出一个包含四幅子图的窗口，分别展示原始数据、噪声输入、概率分布和修复结果。