一種加權(quán)法實現(xiàn)空間限制的混合模型圖像分割方法
【專利摘要】本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種加權(quán)法實現(xiàn)空間限制的混合模型圖像分割方法。本發(fā)明包括：讀入一幅自然場景圖像，確定圖像分割的類別數(shù)目；采用K-均值聚類算法獲得圖像的初始分割結(jié)果；設(shè)置每個像素的初始權(quán)值；對進行平滑濾波得以上次分割結(jié)果作為初始值，開始下一輪的似然加權(quán)EM計算；對收斂后的做平滑濾波，做歸一化處理；輸出原圖像的分割結(jié)果圖像。由于模型是建立在獨立混合模型基礎(chǔ)上，參數(shù)的EM算法可獲得閉式解，同時權(quán)值中融合了鄰近像素的位置信息，因此是以較低的代價引入了像素的空間位置限制信息。
【專利說明】一種加權(quán)法實現(xiàn)空間限制的混合模型圖像分割方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種加權(quán)法實現(xiàn)空間限制的混合模型圖像分割方法。

【背景技術(shù)】
[0002]圖像分割是圖像自動語義內(nèi)容分析的基礎(chǔ)，分割結(jié)果的好壞將嚴重影響后續(xù)的分類與識別應(yīng)用的效果。在眾多的分割方法中，基于像素視覺特征的聚類分割方法因其突出的分割效果而占有重要地位?；旌夏Ｐ褪亲顬槌Ｒ姷囊环N模型聚類分割方法，它對分割區(qū)域具有良好的概率解釋，為后續(xù)的圖像分類與識別提供了方便。常用的高斯混合模型(GMM)就是一種簡單有效的模型聚類方法，GMM的模型參數(shù)少，可以采用期望最大化方法(EM算法)進行參數(shù)的最大似然估計。但利用GMM進行圖像分割是建立在像素獨立假設(shè)基礎(chǔ)上的，在像素的聚類過程中只考慮了像素在視覺空間中的統(tǒng)計分布特性，而沒有考慮到圖像像素的空間位置相關(guān)性，這往往會影響分割后圖像區(qū)域的平滑性。因為對于一般的圖像而言，記錄同一物質(zhì)區(qū)域內(nèi)的像素，往往呈現(xiàn)出在視覺上分布的不一致現(xiàn)象。而對于獨立混合模型，這種不利的視覺觀測值會導致本應(yīng)來源于同一模型的像素，在模型參數(shù)的優(yōu)化過程中，被歸屬為不同的模型，導致分割結(jié)果的偏差。
[0003]受像素空間位置限制的混合模型(又可以稱為空間限制的混合模型)，因為很好地考慮了鄰近像素的相關(guān)性，可以有效改善獨立混合模型的分割效果。但是，獨立混合模型具有有效的EM參數(shù)求解方法，而對于空間限制的混合模型而言，由于模型參數(shù)的耦合性，導致EM模型求解的難度過高，直接的結(jié)果是EM步驟中采取的迭代或近似方法中將引入過多的運算負擔、以及降低參數(shù)的求解精度。
[0004]為了克服用于圖像分割的空間限制的混合模型的上述缺陷，本發(fā)明提出了一種似然加權(quán)混合模型，可以有效改善空間限制的混合模型的分割效果。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于提供一種利用加權(quán)法實現(xiàn)空間限制的混合模型圖像分割方法。
[0006]本發(fā)明的目的是這樣實現(xiàn)的:
[0007](1)讀入一幅自然場景圖像，確定圖像分割的類別數(shù)目K，K即為混合分量的個數(shù)，設(shè)置迭代的終止閾值n；
[0008](2)采用K-均值聚類算法獲得圖像的初始分割結(jié)果，ID (i)代表第i個像素的聚類類別，ID(i) ∈ [1, K]；
[0009](3)設(shè)置每個像素的初始權(quán)值WiID(i) = I?像素類別號I Φ ID⑴，則設(shè)置wli=0.,
[0010](4)對W進行平滑濾波得[wki]f,并歸一化處理

【權(quán)利要求】
1.一種加權(quán)法實現(xiàn)空間限制的混合模型圖像分割方法，其特征在于: (1)讀入一幅自然場景圖像，確定圖像分割的類別數(shù)目Κ，κ即為混合分量的個數(shù)，設(shè)置迭代的終止閾值η; (2)采用K-均值聚類算法獲得圖像的初始分割結(jié)果，ID(i)代表第i個像素的聚類類別，ID ⑴ e [I, K]； (3)設(shè)置每個像素的初始權(quán)值Hfw= I ?像素類別號I Φ ID(i)，則設(shè)置g = O:1kY (4)對w丨進行平滑濾波得[HfJ"，并歸一化處理
(5)以上次分割結(jié)果作為初始值，開始下一輪的似然加權(quán)EM計算: (5.1) E步驟計算每個像素的后驗概率P (k I Xi，Πω, Θω): 對每個模型分量k，
其中，XiS圖像第i個像素點的亮度值；π和O為模型參數(shù)向量，n = (JI1，…，JIk),e (O, I)(媯=1,2，…,1)為第k個混合分量的先驗概率，滿足Σ?=1^=1.Θ =(G1，…，θκ)，0k= (yk，2k) (VA.= 12，...，尺)為第k個混合分量的參數(shù)，當每個分量服從正態(tài)分布時，U k為第k個分量的均值向量，Sk為第k個分量的協(xié)方差陣； (5.2)M步驟更新每個混合模型分量的模型參數(shù): 對每個模型分量k:
(6)對收斂后的^做平滑濾波^彳，做歸一化處理

(7)如果則輸出原圖像的分割結(jié)果圖像;否則W0U= Wf ,重新執(zhí)行步驟(5)。
【文檔編號】G06K9/34GK104077771SQ201410276568
【公開日】2014年10月1日 申請日期:2014年6月19日 優(yōu)先權(quán)日:2014年6月19日
【發(fā)明者】劉詠梅, 姚愛紅, 張菁 申請人:哈爾濱工程大學