[發明專利]基于無限成分數的t混合模型的圖像分割方法

無效

• 申請號: 201110230167.3
• 申請日: 2011-08-11
• 公開（公告）號: CN102236898A
• 公開（公告）日: 2011-11-09
• 發明（設計）人: 魏昕
• 申請（專利權）人: 魏昕
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于無限成分數的t混合模型的圖像分割方法，其特征在于包括以下步驟：

(1)提取待分割圖像的特征信息：將待分割的圖像中的每個像素點的像素值從RGB坐標轉換到LUV坐標，從而得到了一個三維數據集X，其中N為像素點的數目，x_n為每一個像素點的特征信息數據矢量；

(2)對具有無限成分數的t混合模型進行參數估計；在完成這一估計過程以后，對于每一個像素點的特征信息數據矢量x_n，可以得到與其相關的隱變量z_n的分布，在該分布中，q(z_nj＝1)，j＝1，..，L表示當前像素點n是由具有無限成分數的t混合模型中的第j個成分產生的概率，j＝1，...，L；

(3)判決：將與每個像素點n相關的q(z_nj＝1)，j＝1，...，L中的最大值所對應的序號作為該像素點x_n所最終分配到的類C_n，即

Cn={i=argmaxjq(znj=1)},]]>

從而將圖像分割成具有相似屬性的類，得到分割完成的圖像。

2.根據權利要求1所述的基于無限成分數的t混合模型的圖像分割方法，其特征在于，L為實際操作過程中近似代表∞的一個較大的數，其可以取10～30之間的某個任意正整數。

3.根據權利要求1所述的基于無限成分數的t混合模型的圖像分割方法，其特征在于，對具有無限成分數的t混合模型進行參數估計的步驟如下：

(1)產生N個服從[1，L]區間上均勻分布的隨機整數，統計該區間上各整數j(j＝1，...，L)出現的概率δ_j；即，如果產生了N_j個整數j，那么δ_j＝N_j/N；對于每個x_n，對應的隱變量z_n的初始分布為

q(zn)=Πj=1Lq(znj=1)=Πj=1Lδj]]>

(2)設定超參數的初始值；對于所有的j(j＝1，...，L)，m_j＝0，λ_j＝1，ρ_j可以取3～20之間的任意數，W_j＝10·I，I為單位矩陣，v_j可以取1～100之間的任意數，α可以取1～10之間的任意數；此外，迭代次數計數變量k＝1；

(3)更新隱變量的分布，即，其超參數的更新公式為：

v~nj1=12[q(znj=1)·3+vj],]]>

v~nj2=12[q(znj=1)·<(xn-μj)TΛj(xn-μj)>+vj],]]>

其中

<(xn-μj)TΛj(xn-μj)>=3λ~j+ρ~j(xn-m~j)TW~j(xn-m~j);]]>

在首次迭代中計算<(x_n-μ_j)^TΛ_j(x_n-μ_j)>時，

(4)更新隨機變量的分布，即，q(μj,Λj)=N(μj|m~j,λ~jΛj)W(Λj|W~j,ρ~j),]]>相應的超參數的更新公式如下：

λ~j=λj+Σn=1Nq(znj=1)·<unj>,]]>

m~j=1λ~j(λjmj+Σn=1Nq(znj=1)·<unj>·xn),]]>

ρ~j=ρj+Σn=1Nq(znj=1),]]>

W~j-1=Wj-1+λjmjmjT+Σn=1Nq(znj=1)·<unj>·xn·xnT-λ~jm~jm~jT,]]>

其中，<unj>=v~nj1/v~nj2;]]>

(5)更新隨機變量的分布，即，相應的超參數的更新公式為：

β~j1=1+Σn=1Nq(znj=1),]]>

β~j2=α+Σn=1NΣi=j+1Lq(zni=1);]]>

(6)更新隱變量的分布

q(zn)=Πj=1L(γ~njΣj′=1Lγ~nj′)znj]]>

其中

γ~nj=exp{Σi=1j-1<log(1-Vi)+<logVi>+[12<log|Λj|-32<logunj>-12<unj>·<(xn-μj)TΛj(xn-μj)>]},]]>

在上式中，各項期望<·>的計算公式如下：

<logVi>=Γ(β~j1)′Γ(β~j1)-Γ(β~j1+β~j2)′Γ(β~j1+β~j2),]]>

<log(1-Vi)>=Γ(β~j2)′Γ(β~j2)-Γ(β~j1+β~j2)′Γ(β~j1+β~j2),]]>

<logunj>=Γ(v~nj1)′Γ(v~nj1)-logv~nj2,]]>

<log|Λj|>=Σd=13Γ(ρ~j+1-d2)′/Γ(ρ~j+1-d2)+log|W~j|+3log2,]]>

其中Γ(·)為標準的gamma函數，Γ(·)′為標準gamma函數的導數；此外，<(x_n-μ_j)^TΛ_j(x_n-μ_j)>和<μ_nj>的計算方法已分別在步驟(3)和步驟(4)給出；

(7)更新自由度參數即，解如下含有v_j的方程：

1+1Σn=1Nq(znj=1)Σn=1Nq(znj=1)[<logunj>-<unj>]+log(vj2)-Γ′(vj/2)Γ(vj/2)=0,]]>

可以選用常用的數值計算方法，如牛頓法，快速地獲得此方程的解v_j；

(8)計算當前迭代后的似然值LIK_k，k為當前的迭代次數：

LIKk=Σn=1NΣj=1L{q(znj=1)·[Σi=1j-1<log(1-Vi)>+<logVi>+(12<log|Λj|>]]>

-32<logunj>-12<unj>·<(xn-μj)TΛj(xn-μj)>)]}]]>

(9)計算當前迭代后與上一次迭代后的似然值的差值ΔLIK＝LIK_k-LIK_k-1；如果ΔLIK≤δ，那么參數估計過程結束，否則轉到步驟(3)，k的值增加1，繼續進行下一次的迭代；閾值δ的取值范圍為10^-5～10^-4。