[發(fā)明專利]基于空間限制鄰域混合模型的圖像分割方法

有效

• 申請?zhí)枺?/td>: 201410766009.3
• 申請日: 2014-12-12
• 公開（公告）號: CN104392458A
• 公開（公告）日: 2015-03-04
• 發(fā)明（設(shè)計）人: 于林森;陳德運;孫廣路;李鵬
• 申請（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 岳昕

1.基于空間限制鄰域混合模型的圖像分割方法，其特征在于，所述方法包括如下步驟：

步驟一：根據(jù)獨立混合模型建立空間限制鄰域混合模型：

首先，從獨立混合模型的每個像素位置處，選擇一個鄰域，由鄰域內(nèi)的先驗概率共同決定選擇一個模型分量；

然后，再由確定的模型分量生成每個像素位置對應(yīng)鄰域內(nèi)的一組觀測值；

最后，根據(jù)確定的模型分量和生成的觀測值，得到空間限制鄰域混合模型的似然函數(shù)；

步驟二：利用圖像的像素的視覺觀測值，求得空間限制鄰域混合模型的模型參數(shù)；

步驟三：利用所得的空間限制鄰域混合模型的模型參數(shù)，獲取分割后的圖像。

2.根據(jù)權(quán)利要求1所述的基于空間限制鄰域混合模型的圖像分割方法，其特征在于，

步驟一中，根據(jù)獨立混合模型建立空間限制鄰域混合模型：

首先，對圖像空間像素i位置處鄰域內(nèi)的j位置處的先驗概率按照采樣權(quán)值所指定的比例進(jìn)行組合其中R_π為先驗概率的鄰域半徑，為觀測到的像素值x_j來源于第k個模型分量的先驗概率，則對每個j＝1,2…,N和k＝1,2…,K，滿足且N為圖像像素的個數(shù)，K為模型分量個數(shù)；按照組合后的先驗概率選擇相應(yīng)的模型分量；

然后，由確定的模型分量按照采樣權(quán)值生成對應(yīng)鄰域內(nèi)的一組像素觀測值其中R_f為所述觀測值的鄰域半徑，f_k(x_j|θ_k)為第k個模型分量的概率密度函數(shù)，其中的θ_k為第k個模型分量的模型參數(shù)；根據(jù)選擇的模型分量和生成的觀測值，得到空間限制鄰域混合模型的似然函數(shù)為：

其中Π＝{π₁,π₂,…,π_N}為圖像像素類別的先驗概率，Θ＝(θ₁,θ₂,…,θ_K)為模型的參數(shù)向量，代表在像素i位置處所選擇的模型分量，當(dāng)表示在像素i位置處處選擇了第k個模型分量，否則

3.根據(jù)權(quán)利要求2所述的基于空間限制鄰域混合模型的圖像分割方法，其特征在于，步驟二中，利用圖像的像素的視覺觀測值，求得空間限制鄰域混合模型的模型參數(shù)的方法為：

步驟二一：通過空間限制鄰域混合模型的似然函數(shù)，利用期望最大化算法，求得空間限制鄰域混合模型的參數(shù)：

步驟二一A：求空間限制鄰域混合模型的似然函數(shù)的期望值：

其中，t為迭代次數(shù)，為像素i位置處選擇第k個模型分量的后驗概率，由貝葉斯準(zhǔn)則得：

pik(t+1)Πj=i-Rπi+Rπ(πjk(t))wi,jπΠj=i-Rfi+Rf(fk(xj|θk(t)))wi,jfΣl=1KΠj=i-Rπi+Rπ(πjl(t))wi,jπΠj=i-Rfi+Rf(fl(xj|θk(t)))wi,jf;]]>

步驟二一B：通過最大化空間限制鄰域混合模型的似然函數(shù)期望值，獲取模型的參數(shù)，對于高斯混合模型，fk(xj|θk)=1(2π)d/2|Σk|1/2e-12Djk,]]>Djk=(xj-μk)TΣk-1(xj-μk),]]>

θ_k＝(μ_k,∑_k)，μ_k和∑_k分別為高斯分布的均值向量和協(xié)方差矩陣，則：

πik(t+1)=Σj=i-Rπi+Rπpjk(t+1)wj,iπ/Σj=i-Rπi+Rπwj,iπ,]]>

μk(t+1)=Σi=1Npik(t+1)Σj=i-Rfi+Rfwi,jfxjΣi=1Npik(t+1)Σj=i-Rfi+Rfwi,jf,]]>

Σk(t+1)=Σi=1Npik(t+1)Σj=i-Rfi+Rfwi,jf(xj-μk(t+1))·(xj-μk(t+1))TΣi=1Npik(t+1)Σj=i-Rfi+Rfwi,jf;]]>

步驟二二：以濾波方式得到驟二一中模型參數(shù)：

步驟二二A：以濾波方式求空間限制鄰域混合模型的后驗概率：

首先，對每個像素i位置處的鄰域內(nèi)的先驗概率的對數(shù)按照進(jìn)行濾波，并對濾波后的取指數(shù)運算；

然后，對每個像素i位置處鄰域內(nèi)的密度函數(shù)f_k(x_j|θ_k)^(t)中的按照進(jìn)行濾波；

最后，將濾波后的先驗概率與濾波后的密度函數(shù)相乘并歸一化，得到后驗概率

步驟二二B：以濾波方式求取空間限制鄰域混合模型的參數(shù)：

對每個像素i位置處的鄰域內(nèi)的后驗概率按照進(jìn)行濾波，并歸一化，獲取每個像素i位置處的第t+1次的先驗概率

對每個像素i位置處鄰域內(nèi)的后驗概率按照進(jìn)行濾波，得到每個像素位置i處的后驗概率

然后，以獨立混合模型的方式，獲取模型分量的參數(shù)更新公式：

4.根據(jù)權(quán)利要求3所述的基于空間限制鄰域混合模型的圖像分割方法，其特征在于，所述步驟三中，利用所得的空間限制鄰域混合模型的模型參數(shù)，獲取分割后的圖像的方法為：根據(jù)求得的每個像素i位置處的后驗概率的最大值對相應(yīng)像素進(jìn)行標(biāo)識分類：

其中L_i為像素i的類別標(biāo)識，從而得到分割后的圖像。