条件随机场与图像分割

         最近读一篇文献《Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials》知道了条件随机场（CRF）这个概念。首先，对我来说这篇文献的涉及的知识量非常大，主要包括全连接，条件随机场，高位滤波，potts模型等，在此仅谈对条件随机场的一点理解。

        博主也是看了大量博客以及论文才对CRF有了一知半解，关于条件随机场的概念建议看看李航的《统计学习方法》，其中有一章专门讲了CRF，并且通过一个简单的例子说明了条件随机场模型涉及特征函数及权重等概念。CRF模型实际上是一种概率无向图模型，概率无向图模型最大特点是易于因子分解（这里我还没太明白为什么概率无向图模型可以因子分解）

看到这里，或许你和我一样会想到吉布斯分布，这不就是吉布斯分布的形式吗？于是我查了一下。果然有联系：Gibbs分布：如果无向图模型能够表示成一系列在G的最大团（们）上的非负函数乘积的形式，这个无向图模型的概率分布P(X)就称为Gibbs分布。于是求最大后验概率转化为求能量函数最小值。

介绍完条件随机场，那么它在图像分割中怎么用呢？

这里推荐参考张春芳的硕士论文：《基于条件随机场的图像语义分割》。