基于空間限制鄰域混合模型的圖像分割方法
【專利摘要】基于空間限制鄰域混合模型的圖像分割方法，屬于圖像處理領(lǐng)域。為了解決目前在進行圖像分割時，采用EM算法求取混合模型參數(shù)存在耦合性的問題。所述方法包括如下步驟：步驟一：根據(jù)獨立混合模型建立空間限制鄰域混合模型：首先，從獨立混合模型的每個像素位置處，選擇一個鄰域，由鄰域內(nèi)的先驗概率共同決定選擇一個模型分量；然后，再由確定的模型分量生成每個像素位置對應鄰域內(nèi)的一組觀測值；最后，根據(jù)確定的模型分量和生成的觀測值，得到空間限制鄰域混合模型的似然函數(shù)；步驟二：利用圖像的像素的視覺觀測值，求得空間限制鄰域混合模型的模型參數(shù)；步驟三：利用所得的空間限制鄰域混合模型的模型參數(shù)，獲取分割后的圖像。本發(fā)明用于圖像分割。
【專利說明】基于空間限制鄰域混合模型的圖像分割方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域。

【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)果往往對后續(xù)處理中的分類與 識別具有深遠影響。圖像分割方法層出不窮，在眾多的分割算法中，基于混合模型的聚類算 法，特別是基于高斯混合模型（Gaussianmixturemodels,GMM) -直處于一種比較活躍的 研究狀態(tài)，由于模型參數(shù)能夠采用期望最大化算法（Expectation-Maximization,EM)進行 有效地估計，而EM又具有實現(xiàn)簡單、保障收斂的優(yōu)點，并且作為一個生成模型，混合模型的 分割結(jié)果具有直觀的概率解釋，為后續(xù)圖像內(nèi)容的分析提供了方便。但GMM是建立在像素 獨立假設(shè)基礎(chǔ)上，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，這往往會影響到圖像分割區(qū)域的平滑和完整性。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是為了解決目前在進行圖像分割時，采用EM算法求取混合模型參 數(shù)存在耦合性的問題，本發(fā)明提供一種基于空間限制鄰域混合模型的圖像分割方法。
[0004] 本發(fā)明的基于空間限制鄰域混合模型的圖像分割方法，
[0005] 所述方法包括如下步驟：
[0006] 步驟一：根據(jù)獨立混合模型建立空間限制鄰域混合模型：
[0007] 首先，從獨立混合模型的每個像素位置處，選擇一個鄰域，由鄰域內(nèi)的先驗概率共 同決定選擇一個模型分量；
[0008] 然后，再由確定的模型分量生成每個像素位置對應鄰域內(nèi)的一組觀測值；
[0009] 最后，根據(jù)確定的模型分量和生成的觀測值，得到空間限制鄰域混合模型的似然 函數(shù)；
[0010] 步驟二：利用圖像的像素的視覺觀測值，求得空間限制鄰域混合模型的模型參 數(shù)；
[0011] 步驟三：利用所得的空間限制鄰域混合模型的模型參數(shù)，獲取分割后的圖像。
[0012] 步驟一中，根據(jù)獨立混合模型建立空間限制鄰域混合模型：
[0013] 首先，對圖像空間像素i位置處鄰域內(nèi)的j位置處的先驗概率<，按照采樣 權(quán)值<1所指定的比例進行組合

【權(quán)利要求】
1. 基于空間限制鄰域混合模型的圖像分割方法，其特征在于，所述方法包括如下步 驟： 步驟一：根據(jù)獨立混合模型建立空間限制鄰域混合模型： 首先，從獨立混合模型的每個像素位置處，選擇一個鄰域，由鄰域內(nèi)的先驗概率共同決 定選擇一個模型分量； 然后，再由確定的模型分量生成每個像素位置對應鄰域內(nèi)的一組觀測值； 最后，根據(jù)確定的模型分量和生成的觀測值，得到空間限制鄰域混合模型的似然函 數(shù)； 步驟二：利用圖像的像素的視覺觀測值，求得空間限制鄰域混合模型的模型參數(shù)； 步驟三：利用所得的空間限制鄰域混合模型的模型參數(shù)，獲取分割后的圖像。
2. 根據(jù)權(quán)利要求1所述的基于空間限制鄰域混合模型的圖像分割方法，其特征在于， 步驟一中，根據(jù)獨立混合模型建立空間限制鄰域混合模型： 首先，對圖像空間像素 i位置處鄰域內(nèi)的j位置處的先驗概率·<*按照采樣權(quán)值</ 所指定的比例進行組合
，其中Rn為先驗概率的鄰域半徑，Mi：Iy 為觀測到的像素值Xj來源于第k個模型分量的先驗概率，則對每個j = 1，2···，N和k = 1，2···，K，滿足〇< < ，且Σ:< = I，N為圖像像素的個數(shù)，K為模型分量個數(shù)；按照組合 后的先驗概率選擇相應的模型分量； 然后，由確定的模型分量按照采樣權(quán)值，生成對應鄰域內(nèi)的一組像素觀測值
其中Rf為所述觀測值的鄰域半徑，f k(x」Θ k)為第k個模型分量的 概率密度函數(shù)，其中的Θ k為第k個模型分量的模型參數(shù)；根據(jù)選擇的模型分量和生成的觀 測值，得到空間限制鄰域混合模型的似然函數(shù)為：
其中π = {> JI2,…，JIN}為圖像像素類別的先驗概率，Θ = ( θ Θ 2,…，θ κ)為 模型的參數(shù)向量，zf代表在像素 i位置處所選擇的模型分量，當zf = 1，表示在像素 i位置處 處選擇了第k個模型分量，否則d = O
3. 根據(jù)權(quán)利要求2所述的基于空間限制鄰域混合模型的圖像分割方法，其特征在于， 步驟二中，利用圖像的像素的視覺觀測值，求得空間限制鄰域混合模型的模型參數(shù)的方法 為： 步驟二一：通過空間限制鄰域混合模型的似然函數(shù)，利用期望最大化算法，求得空間限 制鄰域混合模型的參數(shù)： 步驟二一 A :求空間限制鄰域混合模型的似然函數(shù)的期望值：
其中，t為迭代次數(shù)，為像素 i位置處選擇第k個模型分量的后驗概率，由貝葉斯準 則得：
步驟二一 B :通過最大化空間限制鄰域混合模型的似然函數(shù)期望值，獲取模型的參數(shù)， 對于高斯混合模型
0k= (yk，Ek)，分別為高斯分布的均值向量和協(xié)方差矩陣，則：
步驟二二：以濾波方式得到驟二一中模型參數(shù)： 步驟二二A :以濾波方式求空間限制鄰域混合模型的后驗概率： 首先，對每個像素 i位置處的鄰域內(nèi)的先驗概率的對數(shù)IogTfi按照<·+進行濾波，并對 濾波后的log；rf5取指數(shù)運算； 然后，對每個像素 i位置處鄰域內(nèi)的密度函數(shù)fk (XjI Θ k) ω中的按照MiS進行濾波； 最后，將濾波后的先驗概率與濾波后的密度函數(shù)相乘并歸一化，得到后驗概率P廣％ 步驟二二B :以濾波方式求取空間限制鄰域混合模型的參數(shù)： 對每個像素 i位置處的鄰域內(nèi)的后驗概率pf m按照進行濾波，并歸一化，獲取每 個像素 i位置處的第t+Ι次的先驗概率;rf""; 對每個像素 i位置處鄰域內(nèi)的后驗概率Pfli按照進行濾波，得到每個像素位置i 處的后驗概率
然后，以獨立混合模型的方式，獲取模型分量的參數(shù)更新公式：
4.根據(jù)權(quán)利要求3所述的基于空間限制鄰域混合模型的圖像分割方法，其特征在于， 所述步驟三中，利用所得的空間限制鄰域混合模型的模型參數(shù)，獲取分割后的圖像的方法 為：根據(jù)求得的每個像素 i位置處的后驗概率的最大值W，對相應像素進行標識分類：
其中Li為像素 i的類別標識，從而得到分割后的圖像。
【文檔編號】G06T7/00GK104392458SQ201410766009
【公開日】2015年3月4日 申請日期:2014年12月12日 優(yōu)先權(quán)日:2014年12月12日
【發(fā)明者】于林森, 陳德運, 孫廣路, 李鵬 申請人:哈爾濱理工大學