[發明專利]基于獨立高斯混合模型的紋理圖像分割方法

無效

• 申請號: 200910022288.1
• 申請日: 2009-04-30
• 公開（公告）號: CN101540047A
• 公開（公告）日: 2009-09-23
• 發明（設計）人: 侯彪;鄧倩倩;劉鳳;焦李成;王爽;張向榮;馬文萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 陜西電子工業專利中心
• 代理人: 王品華;朱紅星

1.一種基于獨立高斯混合模型的紋理圖像分割方法，包括如下步驟：

(1)對訓練紋理圖像同時進行小波變換，雙樹復小波變換以及Contourlet變換，并在每一層上提取相應的訓練紋理圖像特征；

(2)在每一層上采用免疫克隆算法對所提取的特征進行選擇；

(3)對每一訓練紋理圖像的在每一層進行有限高斯混合模型的無監督學習，自適應地得到與其對應的組件數k，1≤k≤10，并由此得出高斯混合模型的參數；

(4)對測試紋理圖像進行小波變換、雙樹復小波變換和Contourlet變換；并根據變換系數和所述的組件數k，計算各層對應的最終似然值；

(5)由最大后驗概率準則，通過比較各種紋理對應的似然值，得出初始分割結果；

(6)依據貝葉斯準則，將初始分割結果經過多尺度融合得到最終分割結果。

2.根據權利要求1所述的圖像分割方法，其中步驟(1)所述的在每一層上提取相應的訓練紋理圖像特征，是在每層上提取小波變換的3個高頻子帶特征、雙樹復小波變換的6個方向模值特征、Contourlet變換的4個高頻子帶特征、小波變換低頻子帶3×3窗口內的均值和方差特征總共15個特征。

3.根據權利要求1所述的圖像分割方法，其中小波變換采用的小波基為haar小波，雙樹復小波變換采用的基為near_sym_b和qshift_b，Contourlet變換選擇‘9-7’塔形分解和方向濾波器組，這三種變換的分解層數均取為3層。

4.根據權利要求1所述的圖像分割方法，其中步驟(3)按如下步驟進行：

(4a)根據訓練紋理圖像數據y＝[y₁，...，y_d]，d為數據的維數3.根據權利要求1所述的圖像分割方法，其中步驟(3)，設定k個組件的高斯混合模型的概率密度函數為p(y|θ)=Σm=1kαmp(y|θm),]]>其中α₁，...，α_k為混合概率，θ≡{θ₁，...，θ_k，α₁，...，α_k}是確定混合模型所需的整個參數集，參數集中每個θ_m由一組參數組成，共同決定θ的第m階分量；

(4b)根據高斯概率密度函數，設定由θ的第m階分量θ_m確定的維數為d的高斯混合模型的概率密度函數為：

p(y|θm)=(2π)-d2|Cm|exp{-12(y-μm)TCm-1(y-μm)}=N(μm,Cm)]]>

其中θ_m＝(μ_m，C_m)，μ_m和C_m分別為訓練紋理圖像數據的均值向量和協方差矩陣，N(μ_m，C_m)是分別以μ_m和C_m為均值向量和協方差矩陣的高斯分布函數；

(4c)根據最小編碼長度準則，對高斯混合模型的參數θ進行估計，即最優化Length(θ，Y)＝Length(θ)+Length(Y|θ)，其中Length為編碼長度，將Length(θ，Y)簡記為L(θ，Y)，得到參數θ的估計模型為：

θ^=argminθL(θ,Y)=argminθ{N2Σm:αm>0log(nαm12)]]>

+knz2log(n12)+knz(N+1)2-logp(Y|θ)}]]>

上式中，α_m為混合概率，k_nz為使得α_m不為零的組件數，n為每一維紋理圖像數據的數據長度，N為θ_m的維數，-log?p(Y|θ)為訓練紋理圖像數據的編碼長度，nα_m為由混合模型的m階分量θ_m得到的訓練紋理圖像數據點個數，為每個θ_m的最佳編碼長度，為所有的θ_m的編碼長度；

(4d)給定非零組件數k_nz，采用EM算法的最大化期望步將L(θ，Y)最小化，得到高斯混合模型的各參數的迭代公式如下：

α^m(t+1)=max{0,(Σi=1nwm(i))-N2}Σj=1kmax{0,(Σi=1nwj(i))-N2}]]>

其中m＝1，2，...，k，1≤k≤10

μ^m(t+1)=(Σi=1nwm(i))-1Σi=1ny(i)wm(i)]]>

C^m(t+1)=(Σi=1nwm(i))-1Σi=1n(y(i)-μ^m(t+1))(y(i)-μ^m(t+1))Twm(i)]]>

其中，為迭代步數為t+1步時的混合概率的估計值，

為迭代步數為t+1步時的均值向量估計值，

為迭代步數為t+1步時的協方差矩陣估計值，

wm(i)=E[zm(i)|y,θ^(t)]=Pr[zm(i)=1|y(i),θ^(t)]=α^m(t)p(y(i)|θ^m(t))Σj=1kα^j(t)p(y(i)|θ^j(t))]]>

式中，z_m⁽ⁱ⁾表示數據y⁽ⁱ⁾由θ的第m階分量產生，為在已得到θ_m的第t步迭代值時，數據y⁽ⁱ⁾的條件概率，w_m⁽ⁱ⁾表示在已得到參數θ的估計值的條件下，紋理圖像數據y屬于完備圖像數據的概率。