[發明專利]將非監督聚類轉化為自監督分類的圖像分割方法

在審

• 申請號: 201410559140.2
• 申請日: 2014-10-20
• 公開（公告）號: CN104299237A
• 公開（公告）日: 2015-01-21
• 發明（設計）人: 胡靜
• 申請（專利權）人: 上海電機學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/66
• 代理公司: 上海思微知識產權代理事務所(普通合伙) 31237
• 代理人: 鄭瑋

技術領域

本發明涉及一種將非監督聚類轉化為自監督分類的圖像分割方法。

背景技術

圖像的分割分為完全分割與部分分割兩種，完全分割對于圖像的后續處理影響較大，故要求較高。但是，完全分割是建立在部分分割的基礎上的，部分分割是形成針對于某一種特征同態區域的手段，這些區域與圖像中的物體并不直接對應。為了從圖像中獲得水平較高的完全分割，可以先進行部分分割，然后在其基礎上，使用與圖像內容相關的高層知識進行處理。基于紋理特征的分割屬于圖像分割中的部分分割方法，它使用能夠較好描述局部像素分布結構特征的紋理特征作為區域劃分的標準，對圖像進行部分分割。其在模式識別、圖像理解、視頻檢索等方面都有著廣泛的應用。

基于紋理特征的聚類方法是目前較為常用的非監督紋理分割方法，該方法的基本思想是首先以單個像素為單位，根據它以及它周圍的像素灰度信息選擇紋理特征；然后通過特征提取選擇更利于分類的特征作為樣本特征，形成特征空間；最后使用聚類方法對該空間中的每個樣本進行聚類分析，以形成圖像的區域分割。早期最有代表性的工作是Anil?K.Jain等提出的非監督紋理分割方法。隨后一些研究者在此基礎之上，將Gabor變換，小波變換，laws紋理特征，馬爾科夫隨機場等用于分割過程，以提高分割的魯棒性。M.A.Roula等使用EM算法估計每個紋理的分布情況，然后借助貝葉斯分類規則通過計算可能性函數來確定每個像素的類別，以改善分割效。Mohammad?F.A.Fauzi等使用離散小波變換和均值漂移聚類方法，將分割劃分為自頂向下的分解和自底向上的分割兩個子過程，提出一種具有層次結構的分割算法，一方面減少了進行聚類的數據量，便于正確檢測類別數量，縮短計算時間，另一方面均值漂移算法可以確定類別中心的位置，減少迭代計算的次數。Xiaomu?Song等使用多種聚類方法獲得像素的初始劃分，然后再使用小波域上的隱含馬爾科夫模型進行進一步的分割。這一方法將多分辨率分析技術用于紋理分割，因此得到了較好的分割效果。

盡管基于像素特征聚類方法進行紋理圖像分割已經取得了一定的研究成果，但是由于紋理的多樣性和不規則性，分割結果有時仍然難以接受。

發明內容

本發明所要解決的技術問題是針對現有技術中存在上述缺陷，提供一種能夠改善分割結果的將非監督聚類轉化為自監督分類的圖像分割方法。

為了實現上述技術目的，根據本發明，提供了一種將非監督聚類轉化為自監督分類的圖像分割方法，包括依次執行的下述步驟：第一步驟，用于首先借助模糊C均值方法根據樣本的特征從圖像中提取特定樣本作為訓練樣本，將非監督聚類問題轉化為自監督分類問題；第二步驟，用于在已經將非監督聚類問題轉化為自監督分類問題的基礎上，對樣本進行子空間的劃分，從而為自監督分類的每一個類別生成一個單獨的子空間；第三步驟，用于在劃分的子空間的基礎上，借助多子空間KL變換，對特定樣本之外的其余樣本在迭代過程中進行類別劃分。

優選地，在第一步驟中，借助Gabor小波變換對圖像的樣本的紋理特征進行描述，并且對紋理特征進行降維和平滑處理，此后對所有樣本進行聚類以形成確定數量的類別，然后利用模糊C均值方法來通過計算每個樣本的隸屬度函數來衡量各個樣本對于各個類別的典型性程度，而且將典型性程度超過預定閾值的樣本作為訓練樣本。

優選地，在第二步驟中，采用符號表示由j類別的訓練樣本首次張成的子空間或表示在多子空間KL變換的迭代過程中由訓練樣本與劃分在該子空間內的非訓練樣本非首次張成的子空間，對于每一個待分類的樣本x_j，使用樣本與子空間的距離對樣本進行子空間的劃分；