[发明专利]基于自适应高斯混合模型的鲁棒图像分割方法

说明书

技术领域

本发明属于多媒体信息处理的图像分割技术领域，尤其是一种可提高高斯混合模型分割精度、降低高斯混合模型对噪声敏感度的基于自适应高斯混合模型的鲁棒图像分割方法。

背景技术

多年来，图像分割一直是数字图像处理技术中的一项关键技术，其目的是将图像中具有特殊意义的区域分割开来，这些区域是互不相交的，每一区域都满足特定区域的一致性,它是图像分析和模式识别的第一步，在许多计算机视觉应用中发挥着重要的作用，比如目标检测和识别、图像检索等。虽然人们对图像分割技术已经做了大量的研究，但是由于图像的复杂性，还没有一种标准的分割方法适合所有种类的图像。

目前图像分割的方法有很多，早期的图像研究主要将分割方法分为两大类，一种是基于边界的分割方法，另一种是基于区域的分割方法。基于区域的分割方法依赖于图像的空间局部特征，如灰度、纹理及其他像素统计特性的均匀性等，典型的基于区域分割方法有区域生长、区域分裂及区域生长和分裂相结合的方法等。由于这些方法依赖于图像的灰度值，因此它们的主要优点是对噪声不敏感，但是这些方法常常造成图像的过分割问题，而且，分割结果很大程度依赖于种子点的选择，分割所得区域的形状也依赖于所选择的分割算法。基于边界的分割方法主要是利用梯度信息确定目标的边界，包括局部微分算子，如Roberts算子、Sobel算子、Prewitt梯度算子和Laplacian二阶差分算子等，这些方法不依赖于已处理像素的结果，适于并行化，但缺点是对噪声敏感，而且当边缘像素值变化不明显时，容易产生假(false)边界或不连续的边界。

当前的图像分割研究已经进入了一个新的阶段，主要表现在统计工具的广泛使用。基于统计模型的图像分割方法包括基于多尺度变换域统计模型的图像分割方法和基于空域统计模型的图像分割方法，前者是在原始图像经过某一变换后，根据变换域信息进行建模，常见的有基于高斯混合模型（GMM）、基于Wavelet、Contourlet等隐马尔可夫树模型（HMT）的分割方法；后者则是直接在原始图像基础上对感兴趣的特征进行建模，常见的有基于空域马尔可夫随机场（MRF）模型的图像分割方法。这类分割方法借助统计模型捕获了图像的特征，相比于传统的分割方法，得到了更加准确的分割结果。

基于高斯混合模型的图像分割方法越来越广泛的应用于图像分割领域，但是最大算法(EM)是一种局部寻优的算法，EM算法估计出来的高斯混合模型的参数不够精确，导致高斯混合模型的分割结果不准确。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种可提高高斯混合模型分割精度、降低高斯混合模型对噪声敏感度的基于自适应高斯混合模型的鲁棒图像分割方法。

本发明的技术解决方案是：一种基于自适应高斯混合模型的鲁棒图像分割方法，其特征在于按照如下步骤进行：

a. 把图像由RGB颜色空间转换到                                                颜色空间，对得到的三个分量做非下采样轮廓变换分解，对得到的高频子带做硬阈值去噪处理，使用去噪后的高频子带和原来的低频子带进行非下采样轮廓变换重构，得到去噪后的三个分量；

b. 把得到的去噪后的三分量使用模糊C均值算法分类，使用分类结果初始化自适应高斯混合模型参数，使用最大后验估计自适应高斯混合模型的参数，建立自适应高斯混合模型；

c. 使用最大后验概率分类，得到分割结果。

所述a步骤如下：

a.1把输入图像由RGB颜色空间转换成颜色空间；

a.2 对进行一层非下采样轮廓变换分解，得到一个低频和n个高频子带；

a.3 对得到的每个高频子带使用硬阈值进行去噪得到；

硬阈值可以表示为，其中和分别为输出和输入，G和Th分别为增益值和阈值；

    a.4使用低频子带和去噪后的高频子带进行NSCT重构得到去噪图像；

  a.5用a.2~a.4对和求对应的和。

所述b步骤如下：

 b.1  AGMM参数初始化

使用FCM算法进行初始化，需要初始化聚类数目c=2，随机初始化隶属度矩阵U，满足每个像素属于两类的隶属度之和等于1，初始聚类中心使用公式进行初始化，feature为特征向量，粗略的估计前景和背景类，利用各类的均值作为均值μ，并计算方差Σ，取每类样本数占总样本数的比例，作为各个高斯模型的权值；

b.2 对于高斯混合模型, 采用最大后验算法进行参数估计的过程如下，