[發明專利]結合MRF和神經網絡的多尺度彩色紋理圖像分割方法

有效

• 申請號: 201110324793.9
• 申請日: 2011-10-24
• 公開（公告）號: CN102436642A
• 公開（公告）日: 2012-05-02
• 發明（設計）人: 葛文英;王愛民;劉國英;趙紅丹;胡順義;趙曉凡
• 申請（專利權）人: 葛文英;王愛民;劉國英
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/02
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 劉洪勛

技術領域

本發明屬于圖像處理技術領域，涉及一種圖像分割方法，可用于彩色紋理圖像的分割。

背景技術

紋理在計算機視覺和圖像處理的許多應用中都有非常重要的作用，紋理分割就是將紋理圖像劃分為不同的紋理區域，在許多領域中都有廣泛應用，比如遙感影像信息提取、文檔影像分析、形狀信息復原以及基于內容的圖像檢索等。

在過去的幾十年間，在Bayesian框架下結合馬爾科夫隨機場模型(MRF)模型進行紋理分割的方法受到了國內外研究人員的極大關注。其中，最為經典的就是基于雙隨機場模型的分割方法。它采用不同的特征場建模圖像中不同區域的紋理特征，并采用MRF模型建模圖像分割的先驗信息(標記場)，最后在Bayesian框架下使用極大后驗概率準則(Maximum?a?Posterior)估計分割結果。圖像的特征場采用的概率密度模型是否能準確逼近圖像的紋理特征分布對分割結果有著極大地影響。高斯模型是最簡單也是使用最多的一個概率密度模型。在已知紋理特征服從高斯分布的情況下采用該模型能夠獲取較好的分割結果；然而如果紋理特征不服從高斯分布，簡單高斯模型無法準確描述特征場分布特性的問題，則使用高斯模型進行紋理分割的效果將會大打折扣。

為解決這個問題，近年來一些研究人員進行了有益探索。F.T.Ulaby等通過研究發現在全顯影噪聲下雷達圖像的紋理信息服從Gamma分布，F.Galland等又將其進一步擴展為Fisher分布；H.Noda和L.Wang采用高斯馬爾科夫隨機場模型表示紋理的特征分布；H.Yong-jian采用有限Laplace混合分布來逼近小波系數的分布；H.Choi和E.Mor采用一個二維的HMT模型來逼近紋理特征的多尺度分布；K.Pyun等設計了一個隱馬爾科夫高斯混合模型來建模紋理特征。這些紋理特征的建模方法在各自的應用領域中都取得了較好的結果。然而，這些模型均比高斯模型要復雜得多，因此對參數估計和概率密度的計算都提出了更高的要求，也在一定程度上影響了模型的通用性。

人工神經網絡是一種模仿生物神經網絡功能的模型，因其具有優良的非線性逼近能力和較好的容錯性等優點，被廣泛應用在各個領域，包括圖像處理領域。Kolmogorov定理已經證明經充分學習的具有一個隱層的N×M×O三層前向型網絡具有強大的非線性逼近能力。利用神經網絡的非線性逼近能力，不需要復雜的建模方法也能表示輸入數據的任何形式的概率分布。因此，考慮可以在監督環境中設計神經網絡，用其輸出來估計紋理特征的后驗概率分布。因此，基于此，本文提出一個使用BP神經網絡和MRF模型的多尺度監督紋理分割新算法。該算法利用BP網絡的輸出估計多尺度紋理特征的概率分布；使用MRF模型建模紋理類別的先驗分布；采用極大后驗概率(MAP，Maximum?a?Posterior?Estimation)準則獲取最終的分割結果。

發明內容

針對上述簡單高斯模型無法準確描述特征場分布特性，復雜概率模型參數估計困難的問題，本文提出一個使用BP神經網絡和MRF模型的多尺度監督紋理分割新方法。

實現本發明目的的技術方案是：利用BP網絡的輸出估計多尺度紋理特征的概率分布；使用MRF模型建模紋理類別的先驗分布；采用極大后驗概率(MAP)準則獲取最終的分割結果。具體過程如下：

(1)輸入待分割圖像，在給定尺度s下，提取每一像素的R，G，B值和該像素大小為w_s×w_s的鄰域內(w_s鄰域窗口大小)R，G，B三波段的光譜均值和標準差構成特征向量；

(2)從圖像中截取class_num類紋理區域的訓練圖像塊，在每一尺度s上，將圖像塊對應特征向量作為class_num個BP神經網絡的輸入，進行網絡訓練，其中class_num是圖像分類數；

(3)在所有尺度上，將整個圖像的特征向量分別作為該尺度class_num個神經網絡的輸入，根據多個網絡的輸出估計特征場分布特性；

(4)使用極大似然準則獲取每個尺度上的初始分割結果；

(5)使用迭代條件模式(ICM，Iterative?Condition?Model)，并依據極大后驗概率(MAP，Maximum?a?Posterior?Estimation)準則獲取最大尺度s＝J上的分割結果；

(6)多尺度標記場建模，在經典MLL模型的基礎上，利用尺度間交互參數α(t)調整尺度間計算標記場局部概率時的相互作用，并使用ICM，依據MAP準則獲取尺度s上的分割結果x^s；