[發(fā)明專(zhuān)利]一種局部相關(guān)的加權(quán)共生圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910053973.4
• 申請(qǐng)日: 2019-01-21
• 公開(kāi)（公告）號(hào): CN109872339B
• 公開(kāi)（公告）日: 2021-04-02
• 發(fā)明（設(shè)計(jì)）人: 于林森;劉彥君;王亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類(lèi)號(hào): G06T7/12
• 分類(lèi)號(hào): G06T7/12
• 代理公司: 哈爾濱市松花江專(zhuān)利商標(biāo)事務(wù)所 23109
• 代理人: 高倩

為了解決鄰近像素觀測(cè)值共生似然函數(shù)模型，在圖像的邊緣區(qū)域可能導(dǎo)致的誤分割問(wèn)題，本發(fā)明提供一種局部相關(guān)的加權(quán)共生圖像分割方法，屬于圖像處理領(lǐng)域。本發(fā)明包括：S1、構(gòu)建局部相關(guān)的單像素寬、不同方向的鄰域共生高斯混合模型；S2：獲取待分割圖像的分割權(quán)重：S21、利用待分割圖像的像素視覺(jué)觀測(cè)值，求取構(gòu)建的鄰域共生高斯混合模型的模型參數(shù)，以及獲取不同方向鄰域共生高斯混合模型的類(lèi)別標(biāo)注結(jié)果；S22、根據(jù)不同方向的類(lèi)別標(biāo)注結(jié)果，獲取分割權(quán)重；S3、利用S22獲取的權(quán)重，構(gòu)建加權(quán)的局部相關(guān)鄰域共生高斯混合模型，利用待分割圖像的視覺(jué)觀測(cè)值，獲取該加權(quán)的局部相關(guān)鄰域共生高斯混合模型的參數(shù)值，以及獲取圖像分割結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像識(shí)別中的圖像分割方法，特別涉及一種局部相關(guān)的加權(quán)共生圖像分割方法，屬于圖像處理領(lǐng)域。

背景技術(shù)

圖像分割是圖像語(yǔ)義內(nèi)容自動(dòng)判別的基礎(chǔ)，分割結(jié)果直接影響后續(xù)圖像語(yǔ)義內(nèi)容的分析。圖像分割問(wèn)題目前尚未得到有效解決，盡管分割方法千差萬(wàn)別，圖像分割判別主要依賴像素間的視覺(jué)相似性，以及鄰近像素之間相關(guān)性。基于聚類(lèi)的分割方法充分利用了像素間的視覺(jué)相似性，而像素間的局部相關(guān)性，則會(huì)借助隱含馬爾科夫模型進(jìn)行有效編碼，但馬爾科夫模型參數(shù)間的耦合性使得模型參數(shù)無(wú)法直接求解，常用的數(shù)值法求解也會(huì)導(dǎo)致極高的運(yùn)算復(fù)雜度。迭代條件模式(Iterated Conditional Mode,ICM)采用偽似然方法近似模型參數(shù)求解中的目標(biāo)似然函數(shù)，規(guī)避了參數(shù)在求解過(guò)程中的相互耦合，具有運(yùn)算簡(jiǎn)單、收斂速度快等優(yōu)點(diǎn)，對(duì)噪聲較低、紋理較少的圖像具有很好的分割效果。但該方法對(duì)初始值的選擇特別敏感，而且不適用于自然場(chǎng)景中具有明顯紋理區(qū)域的圖像，為了降低ICM對(duì)噪聲的敏感度，以及增加像素之間的局部相關(guān)性，可以采取鄰近像素觀測(cè)值共生似然函數(shù)模型。但這種共生似然又不可避免地會(huì)加強(qiáng)邊緣區(qū)域的相關(guān)性，可能會(huì)導(dǎo)致圖像邊緣區(qū)域被誤分成一類(lèi)，形成獨(dú)立的過(guò)分割區(qū)域，出現(xiàn)分割錯(cuò)誤，為后續(xù)圖像分析留下隱患。

發(fā)明內(nèi)容

為了解決鄰近像素觀測(cè)值共生似然函數(shù)模型，在圖像的邊緣區(qū)域可能導(dǎo)致的誤分割問(wèn)題，本發(fā)明提供一種局部相關(guān)的加權(quán)共生圖像分割方法。

本發(fā)明的一種局部相關(guān)的加權(quán)共生圖像分割方法，所述方法包括：

S1、構(gòu)建局部相關(guān)的單像素寬、不同方向的鄰域共生高斯混合模型；

S2：獲取待分割圖像的分割權(quán)重：

S21、利用待分割圖像的像素視覺(jué)觀測(cè)值，求取構(gòu)建的鄰域共生高斯混合模型的模型參數(shù)，以及獲取不同方向鄰域共生高斯混合模型的類(lèi)別標(biāo)注結(jié)果；

S22、根據(jù)不同方向的類(lèi)別標(biāo)注結(jié)果，獲取分割權(quán)重；

S3、利用S22獲取的權(quán)重，構(gòu)建加權(quán)的局部相關(guān)鄰域共生高斯混合模型，利用待分割圖像的視覺(jué)觀測(cè)值，獲取該加權(quán)的局部相關(guān)鄰域共生高斯混合模型的參數(shù)值，以及獲取圖像分割結(jié)果。

優(yōu)選的是，S21中，逐個(gè)方向?qū)Υ指顖D像標(biāo)注類(lèi)別，當(dāng)一個(gè)方向模型參數(shù)的算法迭代收斂后，將當(dāng)前方向的分割結(jié)果及模型參數(shù)作為下一個(gè)方向模型參數(shù)的初始估值，獲取不同方向鄰域共生高斯混合模型的類(lèi)別標(biāo)注結(jié)果。

優(yōu)選的是，在S22中，將不同方向的類(lèi)別標(biāo)注結(jié)果進(jìn)行比較，將每個(gè)像素位置處兩兩不同方向的分割結(jié)果的差異值累加到一起，二值化處理后，作為分割權(quán)重。

優(yōu)選的是，S3中，加權(quán)的局部相關(guān)鄰域共生高斯混合模型的似然函數(shù)為：

其中，