[發明專利]基于條件隨機場和貝葉斯后處理的圖像分割方法

有效

• 申請號: 201910524896.6
• 申請日: 2019-06-18
• 公開（公告）號: CN110110727B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 劉澤安;滕忠照
• 申請（專利權）人: 南京景三醫療科技有限公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/764;G06V10/84;G06T5/00;G06T7/11;G06T7/40
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林;張歡歡

1.一種基于條件隨機場和貝葉斯后處理的圖像分割方法，其特征是，包括以下過程：

S1，獲取待分割圖像；

S2，在待分割圖像中選取感興趣區域；

S3，在感興趣區域上建立條件隨機場模型，獲得每個像素由條件隨機場輸出的分割概率；

S4，計算在感興趣區域內經過PCA降維之后各個組分對應的概率密度函數；

S5，根據條件隨機場輸出的概率和各個組分對應的概率密度函數，基于貝葉斯公式選取條件概率值最大的組分為該像素點處對應的組分標簽；

條件隨機場模型中一元勢的構建：

1)提取感興趣區域圖像I中的每個像素點對應的特征向量

對圖像I中的每個像素V_i提取特征，提取的特征包括：多模態灰度值、紋理和位置信息；像素V_i的三個特征構成特征向量其中表示多模態灰度值特征向量，表示紋理特征向量，表示位置特征向量；

2)特征空間的歸一化

圖像I內所有像素點的特征向量構成特征空間為其中N為感興趣區域像素點的總個數，把多模態灰度特征向量空間紋理特征向量空間和位置特征向量空間都映射到[0，1]，最終得到歸一化后的特征空間其中是歸一化后的值，是歸一化后的值，是歸一化后的值；

3)訓練SVM分類器構建一元勢

針對要分割的組分種類，每種組分構建一個對應的SVM分類器，利用上面得到的特征空間作為訓練集，訓練多個SVM分類器；每個分類器對應的訓練集由正集和負集組成，正集對應的訓練數據為特征空間中該分類器對應的組分的特征向量子集，余下的特征向量子集對應訓練負集；

運用sigmoid-fitting方法把二分類結果轉化為概率，基于每個像素點處對應的斑塊組分的概率值作為條件隨機場的一元勢；

條件隨機場模型中二元勢的構建：

對于圖像I中的兩個像素點V_i和V_j的二元勢k(v_i，v_j)定義為：

其中，表示像素點V_i的多模態灰度值特征向量，表示像素點V_i的紋理特征向量，表示像素點V_i的位置特征向量，表示像素點V_j的多模態灰度值特征向量，表示像素點V_j的紋理特征向量，表示像素點V_j的位置特征向量，θ_α、θ_β和θ_γ為參數；w⁽¹⁾和w⁽²⁾為權重；

運用均值場(meanfield)來對上式中的參數θ_α、θ_β和θ_γ進行估計，完成二元勢的構建；

獲得條件隨機場輸出的概率包括：

對于感興趣區域的每個像素點V_i，首先得到SVM分類器的二分類結果，然后運用sigmoid-fitting方法把二分類結果轉化為概率其中為像素點V_i對應各種組分的一元勢概率；

然后還是利用均值場推斷方法計算每個像素點V_i處的二元點對勢的概率其中為像素點V_i對應各種組分的二元點對勢概率；

兩個概率相加得到每個像素點V_i處的最終條件隨機場輸出的概率P_i；即

P_i＝P_i^sin?gle+P_i^pair

對感興趣區域的每個像素都上述操作，得到圖片上的基于條件隨機場的分割結果

S4中，計算各個組分對應的概率密度函數包括：

4.1對多模態灰度特征向量空間做主成分分析

對多模態灰度特征向量空間按照組分種類進行分組，得到其中C為組分的種類數量，N_c為第c種組分對應的像素的數量；

分別對每一種組分的多模態灰度特征向量空間做主成分分析，降維后得到特征向量空間

4.2?Parzen核函數參數估計

使用Parzen對各個組分對應的多模態灰度特征向量空間進行密度函數估計，得到各個組分對應的概率密度函數其中表示組分，這里一共有C個組分。

2.根據權利要求1所述的一種基于條件隨機場和貝葉斯后處理的圖像分割方法，其特征是，S2步驟中，獲取感興趣區域后對該感興趣區域進行去噪和歸一化處理。