马尔可夫随机场：无向图的概率建模

可视化演示

展示光线投射体绘制、Marching Cubes等值面提取、以及两种方法对比三个阶段，切换步骤查看不同3D可视化算法的原理。

无向图基础

把社区地图画在纸上：每家每户是一个圆点；只要两户人家经常串门、互相影响，就在它们之间画一条不带箭头的线段。这张图里没有任何方向，因为邻居关系天生就是双向的——你家影响隔壁的同时，隔壁也在影响你。在概率图模型中，这些圆点叫随机变量，线段叫无向边。所有住户和所有邻居连线的集合，就组成一个无向图。

无向图的记号很简单：把变量集合记为 \(V\)，把边的集合记为 \(E\)，合起来就是 \(G=(V,E)\)。如果某个子集里的变量两两之间都有边相连，我们就叫它一个“团”。团的含义很实用：它代表了一群“互相都直接认识”的住户，这群人内部的和谐程度，会成为后面构造概率分布的基本积木。

当你明白了“邻居就是邻居”，这张社区地图的骨架就搭好了。接下来我们要回答一个关键问题：给定邻居之后，社区里的消息到底是怎么传播的？

马尔可夫性质

小区里没有广播站，信息靠邻里之间口口相传。你家的状态只直接受隔壁几户影响；只要你知道隔壁几户的情况，那么小区另一端发生什么，都跟你家没有直接关系。这种“邻居隔断远处消息”的直觉，就是马尔可夫性质。

马尔可夫性质有三层递进的说法。成对马尔可夫性质说：如果两个变量之间没有边，那么在给定其他所有变量的条件下，它们条件独立。局部马尔可夫性质说：给定某变量的所有邻居之后，这个变量与“邻居之外的所有变量”条件独立。全局马尔可夫性质则把视野放大：如果节点集 \(S\) 把 \(A\) 和 \(B\) 完全隔开，那么在给定 \(S\) 的条件下，\(A\) 与 \(B\) 条件独立。这三层说法在无向图里是等价的。

邻居就像一堵隔音墙：墙里的声音你能听见，墙外再吵闹也传不进你家。这一性质让 MRF 的局部计算变得可行——这也是后面做图像去噪时，每个像素只需看周围几个邻居就能更新的理论依据。

势函数定义

既然邻居关系决定了一切，那“邻里相处得多融洽”要怎么量化呢？势函数就是干这件事的。它给每一个团上的状态组合打一个非负分数：分数越高，说明这个组合越和谐。比如“两家都喜欢安静”给 3 分，“一家深夜装修”给 0.5 分。

势函数只有一个硬性要求：必须非负。它不要求归一化、不要求总和等于 1，因为它只是“和谐度评分”，不是最终概率。真正的联合概率，就是把图上所有团的势函数乘起来，再除以一个归一化常数。这也解释了为什么势函数可以自由设计——完全取决于你对“什么样的组合更合理”的业务判断。

社区总氛围并不是单靠某一户决定的，而是所有小圈子的和谐程度共同相乘的结果。分数越高的状态组合，越可能成为小区真正呈现出的模样。接下来，我们把这个“可能”翻译成确切的概率。

吉布斯分布

物理学里有个经典的吉布斯分布（也叫玻尔兹曼分布）：一个系统处于某个状态的概率，随该状态的能量指数下降。能量越低，状态越稳定，出现的概率越高。MRF 借用了这套语言：把势函数的对数取负号，就得到了“能量”。

能量函数 \(E(x)\) 描述的是这个状态有多“紧张”：邻居之间越不一致、越违背观测，能量越高。于是联合概率可以写成吉布斯分布的形式：先对负能量取指数，再除以配分函数 \(Z\)。温度 \(T\) 控制分布的陡峭程度：温度低时，几乎只允许最低能量状态出现；温度高时，各种状态的差距被抹平。

如果把小区比作一锅汤，能量就是汤的“内应力”——大家都和睦时内应力低，汤就稳定；到处吵架时内应力高，这种状态几乎不会出现。吉布斯分布告诉我们：低能量的社区状态，就是高概率的社区状态。

归一化因子

上面公式里的 \(Z\) 就是配分函数，它是所有可能状态的非归一化权重之和。听起来很简单，但真正的麻烦在于“所有可能状态”——如果有 \(M\) 个二值变量，就有 \(2^M\) 种状态组合。哪怕每户只开灯或关灯，30 户人家就有十亿种组合，根本无法一一枚举。

正因为 \(Z\) 难算，MRF 的许多推断算法都在想方设法“绕开”它。马尔可夫链蒙特卡罗（MCMC）通过采样来逼近期望；置信传播用消息传递近似边缘概率；变分法把推理转化为优化问题。这些方法的共同思路是：我们真正关心的往往不是某个绝对概率，而是不同状态之间的相对大小。

这就像给整个小区拍一张“全家福”并计算总幸福指数——人少时还能摆拍，人一多就完全拍不过来了。好在工程师们早就学会用采样和近似方法绕开这张全家福，直奔结论。

图像分割应用

MRF 最经典的应用之一是图像去噪与分割。把每个像素想象成社区里的一户人家，像素的颜色就是这户人家的状态；四邻域（上下左右）的像素就是它的邻居。如果一张照片里相邻像素的亮度应该接近，那就是“邻居之间倾向和睦”。

图像去噪的能量函数通常由两项组成：一元项让每个像素的标签尽量贴近观测到的带噪颜色，平滑项则惩罚相邻像素标签不一致。这个组合正是伊辛模型在图像上的推广——既有“观测数据”的拉力，又有“空间一致性”的压力。用迭代条件模式（ICM）逐像素最小化能量，就能在保留边缘的同时去除噪声。

像素网格就是一张整整齐齐的社区地图，噪声是搬进来的“刺头住户”。每个像素在和邻居反复商量后，最终会达成一个整体和谐的状态——边缘保留下来，噪声被邻居的“压力”清洗掉。这也是可视化演示里那个 5×5 小图的真实写照。

有向无向对比

有向图模型（贝叶斯网络）和无向图模型（马尔可夫随机场）是概率图模型的两大门派。贝叶斯网络的边带箭头，表达“父节点影响子节点”的因果逻辑，适合描述疾病→症状这类单方向依赖。而 MRF 的边不带箭头，只表达“彼此相关”，适合描述分子相互作用、空间邻近这类对称依赖。

两种模型可以相互转换，但有代价。把一个有向图变成无向图时，如果存在“一个节点有两个父节点”的 v 结构，就要给这两个父节点之间补一条边，这个过程叫道德化。道德化会丢失一部分原有的条件独立结构，因此选择哪种图，取决于你要建模的问题是单向因果还是双向互动。

选择有向还是无向，本质上是在问：你面对的问题，是靠“原因推出结果”，还是靠“邻居互相商量”？图像、空间、物理系统往往是后者，这正是 MRF 大显身手的舞台。

AI 应用场景

Python 演示

import numpy as np def build_image(size=16):    img = np.zeros((size, size), dtype=int)    img[:, :size // 2] = 1    return img def add_noise(img, p=0.2):    rng = np.random.default_rng(42)    flip = rng.random(img.shape) < p    return np.where(flip, 1 - img, img) def label_cost(y, x, img, obs, beta):    cost = 0 if img[y, x] == obs[y, x] else 1    for dy, dx in ((-1, 0), (1, 0), (0, -1), (0, 1)):        ny, nx = y + dy, x + dx        if 0 <= ny < img.shape[0] and 0 <= nx < img.shape[1]:            if img[ny, nx] != img[y, x]:                cost += beta    return cost def icm_denoise(obs, beta=0.6, iters=10):    img = obs.copy()    for _ in range(iters):        for y in range(img.shape[0]):            for x in range(img.shape[1]):                img[y, x] = 0                e0 = label_cost(y, x, img, obs, beta)                img[y, x] = 1                e1 = label_cost(y, x, img, obs, beta)                img[y, x] = 0 if e0 <= e1 else 1    return img if __name__ == "__main__":    original = build_image()    observed = add_noise(original)    recovered = icm_denoise(observed, beta=0.6, iters=8)    print("原始     观测     恢复")    for r in range(original.shape[0]):        print(' '.join(map(str, original[r])), '|',              ' '.join(map(str, observed[r])), '|',              ' '.join(map(str, recovered[r])))

1. img = obs.copy()初始猜测直接从带噪观测开始，之后逐步修正。
2. cost = 0 if img[y, x] == obs[y, x] else 1一元项：标签与观测不一致时记 1 分。
3. if img[ny, nx] != img[y, x]: cost += beta平滑项：邻居标签不一致时累加 beta。
4. img[y, x] = 0` 然后计算 `e0先假设当前像素取标签 0，计算此时总能量。
5. img[y, x] = 0 if e0 <= e1 else 1选能量更低的标签作为该像素的新状态。
6. for _ in range(iters)整张图扫过一遍称为一轮迭代，多轮后趋于稳定。

常见误区

面试题