[發明專利]一種基于各向異性勢函數的馬氏場遙感圖像分割方法

有效

• 申請號: 201910302954.0
• 申請日: 2019-04-16
• 公開（公告）號: CN111210433B
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 鄭晨;潘欣欣;陳運成
• 申請（專利權）人: 河南大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 栗改

1.一種基于各向異性勢函數的馬氏場遙感圖像分割方法，其特征在于，將標記場中能量函數的勢函數原有的各向同性改為各向異性，其步驟如下：

步驟一：對輸入的影像進行初始化過分割處理，將影像分成若干個過分割區域，并利用過分割區域建立區域鄰接圖，根據區域鄰接圖定義影像的鄰域系統、對象級的觀測特征場和對象級的分割標記場；

步驟二：采用混合高斯分布對觀測特征場進行似然函數的特征建模，對分割標記場聯合概率分布中能量函數的勢函數進行各向異性的概率建模；

所述步驟二中特征建模的實現方法為：采用混合高斯分布對影像的觀測特征場Y進行建模：設似然函數中同質區域具有相同分布，即影像中同一類型的區域服從同一種分布，此時，觀測特征場Y＝y的每一個成分在給定標記場的一個實現X＝x的條件下相互獨立，因此有：

其中，(Y＝y|X＝x)是給定觀測數據Y＝y的條件下，分割標記場X＝x的后驗概率；x_s是類別標記X_s的取值，y_s是影像特征Y_s的取值；μ_h表示特征均值，Σ_h表示特征協方差矩陣，p是影像數據的維數；

使用極大似然法對估計出特征均值μ_h和特征協方差矩陣Σ_h這兩個參數進行估計：

所述步驟二中概率建模的實現方法為：

在MRF模型中，假設標記場具備Markov性，根據Harmmersley-Clifford定理可知，分割標記場的聯合概率P(x)服從Gibbs分布，即：

其中，是一個歸一化常量，x為分割標記場X的一個實現，Ω為所有x的集合；U(x)為能量函數，且U(x)＝∑_c∈CV_c(x)，V_c(x)是集團的勢；T為溫度常量；能量函數U(x)是勢團集合C中所有勢團的總和；

利用損失矩陣L代替勢函數V_c(x)，損失矩陣L為：

其中，θ_m表示真實的地物類別是第m類，a_n表示分割得到的地物類別是第n類；l(θ_m,a_n)是真實的地物類別θ_m被錯分成分割地物類別a_n的代價，且l(θ_m,a_m)＝0,m∈{1,2,…,k}；

能量函數其中，是第i迭代區域t的標記結果，作為本次一個真實的地物類別θ_m；x_s是本次區域s需要更新的地物類別，即充當了地物類別a_n的角色；損失值L(x_t,x_s)表示的是當前區域s類別取為x_s時，與相鄰區域t間的標記懲罰；

步驟三：根據Bayes準則得到勢函數各向異性的條件下分割標記場的后驗分布，運用最大后驗概率準則更新迭代分割，得到最終分割影像圖像。