[發明專利]一種圖像分割方法及其評價方法和圖像融合方法

在審

• 申請號: 201710760304.1
• 申請日: 2017-08-30
• 公開（公告）號: CN107481250A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 秦俊;申鉉京;馮云叢;陳海鵬;李曉旭;祁琪;蓋迪;崔思明;劉洋;劉思言
• 申請（專利權）人: 吉林大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T5/00;G06T5/50
• 代理公司: 北京遠大卓悅知識產權代理事務所(普通合伙)11369
• 代理人: 周明飛

技術領域

本發明涉及圖像處理技術領域，更具體的是，本發明涉及一種圖像分割方法及其評價方法和圖像融合方法。

背景技術

遷移學習具體的表現在于，利用該理論在建立模型時會考慮以往已有的相似模型，將以往的模型作為參照體，而后再結合當前的環境進行建模，這樣的新型建模方法將大大提高前期的建模效率，并且有效地合理地利用歷史儲備也有助于模型初期的穩定性，比起傳統的不考慮歷史相似場景只考慮當前場景，全部從“零”開始的建模方法而言，該種策略來的更加快速有效。

模糊C均值算法(Fuzzy C-means，簡稱FCM)是一種經典聚類分析方法，其目的在于將一個未被標記的樣本集合按照某種準則劃分成若干類，并且規定同一類中的樣本點盡量的相似，不同類中的樣本點盡可能的不同。采用此類樣本分析方法，可以定量地確定出樣本之間的遠近關系，進而達到對該樣本進行合理分類與分析的目的。

中國發明專利申請201210384176.2提供了一種具備遷移學習能力的模糊聚類圖像分割方法，其采用單一視角對圖像進行分割，在分割過程中會出現分割精度不高的現象，無法取得理想的分割結果，更無法處理多維圖像的分割。

而傳統的圖像分割評價指標往往以相同的方式處理分割結果中的目標像素和背景像素，忽略了不同位置像素的重要程度，這在實際應用中是不合理的。

在進行圖像融合時，直接融合結構和功能圖像，多光譜圖像中的顏色信息將會因結構圖像失真，結構圖像中的空間細節也會被模糊。

發明內容

本發明的一個目的是設計開發了一種圖像分割方法，采用多視角具備遷移學習能力的模糊聚類圖像分割方法，基于遷移能力，實現多視角圖像協同分割，提高分割精度。

本發明的另一個目的是設計開發了一種圖像分割方法的評價方法，能夠根據分割結果中像素的空間位置信息和灰度信息，基于加權ROC圖的圖像分割質量客觀評價分割結果。

本發明還提供了一種基于上述圖像分割方法的圖像融合方法，能夠將結構圖像分解為平滑層和細節層，并采用上述圖像分割方法將功能圖像分割為目標區域和背景區域，采用平滑層和目標區域融合，使得圖像融合時不會失真。

本發明提供的技術方案為：

一種圖像分割方法，包括如下步驟：

步驟1：將歷史儲備圖像分為K個視角，通過經典FCM算法得到歷史聚類中心：

其中，K為視角總數，C為聚類數，N為樣本總數，U^k表示第k個視角下的隸屬度矩陣，V^k表示第k個視角下的聚類中心，X^k表示第k個視角下的聚類樣本,為第k個視角下的第i類的中心點，d為樣本的維數，x_j,k表示第k個視角下的第j個樣本點，μ_ij,k表示第k個視角下的第j個樣本屬于第i類的隸屬度，模糊指數m必須滿足m＞1；

步驟2：在處理新的帶噪圖像時，將所述帶噪圖像分為上述K個視角，在經典FCM算法的基礎上融入從步驟1中得到的相關歷史相似圖像的聚類中心，并構造一個引入遷移學習機制的多視角的FCM算法的新目標函數，具體形式如下：

其中，W＝(w₁,w₂,…,w_K)^T為各視角的視角權重向量，w_k為第k個視角所占的權重，η為協同學習參數且滿足0≤η≤1，λ為視角加權參數且滿足λ＞0；

步驟3：通過步驟2獲取的當前圖像的各視角圖像的隸屬度矩陣以及視角權重向量W，得到當前處理圖像的最終隸屬度矩陣，去模糊化后得到當前圖像的空間劃分結果。

優選的是，所述步驟3中，所述當前處理圖像的最終隸屬度矩陣為：

所述當前圖像的空間劃分結果Θ為：

其中，μ_ij表示第j個樣本屬于i類的隸屬度，μ_j表示第j個樣本屬于各類的隸屬度，Θ_i,j表示第j個樣本屬于i類的空間劃分結果，進而得到圖像的分割結果。

優選的是，所述步驟2中，處理新的帶噪圖像時需先進行去噪處理，包括：

給定一幅圖像X，大小為M*N，將圖像中像素x_ij通過線性自回歸模型獲得預測值x'_ij：