[發(fā)明專利]基于空間位置信息的圖像分割方法

有效

• 申請?zhí)枺?/td>: 201410246912.7
• 申請日: 2014-06-05
• 公開（公告）號: CN104036503B
• 公開（公告）日: 2017-02-22
• 發(fā)明（設計）人: 劉詠梅;姚愛紅
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發(fā)明屬于混合模型圖像分割領域，尤其涉及一種受空間位置限制的基于空間位置信息的圖像分割方法。

背景技術

在眾多的圖像分割方法中，基于像素統計特性的聚類方法常常能獲得穩(wěn)定的分割結果。其中高斯混合模型是最具有代表性的一種聚類方法，期望最大化(Expectation?Maximization，EM)算法為模型參數提供了一種簡單有效的最大似然迭代估計方法。然而，有限混合模型以像素的獨立假設為前提，直接應用于圖像分割，這種分割方式只考慮了像素的統計特性，而沒有考慮像素間的空間位置信息，換句話說，沒有考慮鄰近像素間的類別相關性。由于具有同一亮度分布的像素可能具有完全不同的類別標志，因此，獨立混合模型有可能造成分割區(qū)域的空間混雜現象?；旌夏Ｐ头指畹囊粋€明顯缺點就是在聚類過程中只考慮了像素在視覺空間中的統計分布特性，而沒有考慮像素之間的位置相關性，這就容易導致分割后的區(qū)域缺乏良好的完整性和平滑性。而馬爾科夫隨機場(Markov?Random?Field，MRF)作為一個強有力的工具，在將像素的位置相關性結合到混合模型中發(fā)揮了重要的作用，研究者采取了不同的研究策略，一種最常采用的方法是，將MRF施加在混合模型中標示像素模型來源的隱含變量上，以此對鄰近像素分割為不同區(qū)域的進行約束。但這種隱含的MRF導致模型無法直接進行EM計算，一般是采用偽似然(pseudo-likelihood)代替正常的似然函數，即便如此，EM步驟也無法獲得閉式解，在EM步驟中還需采用ICM(iterated?conditional?modes)等迭代優(yōu)化算法。

發(fā)明內容

本發(fā)明的目的是提供一種具有高平滑性的基于空間位置信息的圖像分割方法。

本發(fā)明是通過以下技術方案實現的：

步驟一：讀入圖像，圖像像素點的個數為N，整個圖像X＝{x₁,x₂,...x_N}，x_i為第i個像素的觀測值，將圖像分成固定大小且互不重疊的小區(qū)域，X_i表示第i個小區(qū)域，X＝{X₁,X₂,...X_n(X)}，n(X)代表將圖像劃分為小區(qū)域的個數，確定圖像分割的類別數目K；

步驟二：令每個小區(qū)域內的像素來源于同一類別分量，確定觀測值與其來源的聯合概率的似然函數；

步驟三：利用EM算法求解似然函數；

步驟四：計算每個小區(qū)域的后驗概率的熵值設定熵值的閾值將每個小區(qū)域的后驗概率的熵值與閾值比較，如果將當前小區(qū)域分裂為四個相等的小區(qū)域，否則，不進行分裂；

步驟五：檢查相鄰的沒有分裂的小區(qū)域，采用后驗概率對它們進行分類，如果它們的類別相同則進行合并，直到沒有可以合并的小區(qū)域為止，得到一個新的小區(qū)域劃分，X＝{X₁,X₂,...X_n(X)}，n(X)代表當前圖像劃分為小區(qū)域的個數，否則不進行操作；

步驟六：重復步驟二～步驟六，直到沒有符合繼續(xù)分裂的小區(qū)域為止；

步驟七：根據每個像素點的類別分量的標注，輸出圖像。

本發(fā)明基于空間位置信息的圖像分割方法還可以包括：

1、觀測值與其來源的聯合概率為：