最近讀一篇文獻《Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials》知道了條件隨機場（CRF）這個概念。首先，對我來說這篇文獻的涉及的知識量非常大，主要包括全連線，條件隨機場，高位濾波，potts模型等，在此僅談對條件隨機場的一點理解。

        博主也是看了大量部落格以及論文才對CRF有了一知半解，關於條件隨機場的概念建議看看李航的《統計學習方法》，其中有一章專門講了CRF，並且通過一個簡單的例子說明了條件隨機場模型涉及特徵函式及權重等概念。CRF模型實際上是一種概率無向圖模型，概率無向圖模型最大特點是易於因子分解（這裡我還沒太明白為什麼概率無向圖模型可以因子分解）

看到這裡，或許你和我一樣會想到吉布斯分佈，這不就是吉布斯分佈的形式嗎？於是我查了一下。果然有聯絡：Gibbs分佈：如果無向圖模型能夠表示成一系列在G的最大團（們）上的非負函式乘積的形式，這個無向圖模型的概率分佈P(X)就稱為Gibbs分佈。於是求最大後驗概率轉化為求能量函式最小值。

介紹完條件隨機場，那麼它在影象分割中怎麼用呢？

這裡推薦參考張春芳的碩士論文：《基於條件隨機場的影象語義分割》。