[發明專利]基于空間限制鄰域混合模型的圖像分割方法

有效

• 申請號: 201410766009.3
• 申請日: 2014-12-12
• 公開（公告）號: CN104392458A
• 公開（公告）日: 2015-03-04
• 發明（設計）人: 于林森;陳德運;孫廣路;李鵬
• 申請（專利權）人: 哈爾濱理工大學
• 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事務所 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鄰域內的一組觀測值；

最后，根據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；

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；

步驟三：利用所得的空間限制鄰域混合模型的模型參數，獲取分割后的圖像。

2.根據權利要求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位置處鄰域內的j位置處的先驗概率按照采樣權值所指定的比例進行組合其中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，K為模型分量個數；按照組合后的先驗概率選擇相應的模型分量；

然后，由確定的模型分量按照采樣權值生成對應鄰域內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，其中的θ_k為第k個模型分量的模型參數；根據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)為模型的參數向量，代表在像素i位置處所選擇的模型分量，當表示在像素i位置處處選擇了第k個模型分量，否則

3.根據權利要求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，利用期望最大化算法，求得空間限制鄰域混合模型的參數：

步驟二一A：求空間限制鄰域混合模型的似然函數的期望值：

其中，t為迭代次數，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期望值，獲取模型的參數，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：

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位置處的鄰域內的先驗概率的對數按照進行濾波，并對濾波后的取指數運算；

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

最后，將濾波后的先驗概率與濾波后的密度函數相乘并歸一化，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：

對每個像素i位置處的鄰域內的后驗概率按照進行濾波，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位置處鄰域內的后驗概率按照進行濾波，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更新公式：

4.根據權利要求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，獲取分割后的圖像的方法為：根據求得的每個像素i位置處的后驗概率的最大值對相應像素進行標識分類：

其中L_i為像素i的類別標識，從而得到分割后的圖像。