[发明专利]基于平稳方向波域概率图模型的图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域中的一种基于平稳方向波域概率图模型的图像分割方法。本发明可应用于在目标识别中对感兴趣区域的获取。

背景技术

图像分割是图像处理与计算机视觉领域中的一项关键技术。它是由图像处理到图像分析的关键步骤，分割结果的优劣直接影响到随后的图像分析，理解和求解等问题。图像分割的目的是把图像分成各具特性的不同区域并将其中感兴趣的目标提取出来。这里特性可以是像素的灰度、颜色、纹理，对应的目标可以是单个区域或多个区域。

近年来，作为一种有向无环的概率图模型，隐马尔科夫树模型(HMT)被广泛的应用于图像分割中，该模型可以充分挖掘多尺度变换域系数之间的统计特性，从而将系数分布的求解问题转化为隐马尔科夫树模型中对应的隐状态确定问题。

西安电子科技大学在其专利申请“基于小波域隐马尔科夫树模型的图像分割方法”（专利申请号：200810150924.4，公开号：CN101350099A）中提出了一种基于小波域隐马尔科夫树模型的图像分割方法。该方法从待分割图像中选取训练图像块，对训练图像块进行小波变换得到训练数据，采用最大期望(EM)算法建立隐马尔科夫树模型参数，并利用最大似然算法求解似然值；然后，采用上下文背景进行多尺度融合，得到最终的分割图像。该方法虽然具有区域一致性好和边缘准确的优点，但是仍然存在的不足是，该方法采用小波变换只能描述点奇异性，不能有效地刻画待分割图像中的二维奇异性，因此待分割图像在分割过程中会丢失部分边缘和细节信息。

西安电子科技大学在其专利申请“基于非下采样Contourlet变换的HMT图像分割方法”（专利申请号：200810232336.5，公开号：CN101447080A）中提出了一种基于非下采样轮廓波(Contourlet)变换的隐马尔科夫书模型图像分割方法。该方法从待分割图像中提取训练图像，并对训练图像进行非下采样轮廓波(Coutourlet)变换，采用最大期望(EM)算法建立隐马尔科夫树模型；然后，使用标记树融合得到最大后验概率分类，结合隐马尔科夫随机场模型和像素空间相关性信息，得到最终分割结果。该方法虽然具有边缘准确和区域一致性好的优点，但是仍然存在的不足是，该方法在提取训练图像时没有充分挖掘待分割图像中的纹理信息，导致分割后的图像中误分类效应比较明显。

发明内容

本发明针对上述现有技术的不足，提出一种基于平稳方向波域概率图模型的图像分割方法。本发明能够较好的保持区域的一致性和边缘的准确性，提高了图像分割结果的正确率。

为实现上述目的，本发明的具体步骤如下：

(1)输入任选的一幅待分割图像；

(2)计算特征向量：

(2a)对待分割图像进行多尺度的平稳方向波变换，得到不同尺度的低频子带系数和高频子带系数；

(2b)按照下式，计算待分割图像中像素的特征向量：

T=1256ΣΣ|d|2]]>

其中，T表示待分割图像中像素的特征向量，d表示待分割图像中16×16大小的窗口内像素的平稳方向波子带系数，|·|表示取绝对值操作，∑表示求和操作；

(3)提取训练图像块：

(3a)采用标记分水岭方法，对待分割图像进行分割，得到一副划分为若干图像小块的粗分割图像；

(3b)将待分割图像中像素的特征向量作为粗分割图像中相同位置像素的特征向量，对粗分割图像中图像小块内所有像素的特征向量求和，得到粗分割图像中图像小块的特征向量；

(3c)采用模糊C均值聚类方法，对粗分割图像中图像小块的特征向量进行聚类，分别得到粗分割图像中图像小块的隶属度和类别；

(3d)从粗分割图像中类别相同的图像小块中选取隶属度大于0.8的图像小块，作为待分割图像的训练图像块；

(4)求解先验概率：

(4a)将粗分割图像中每个图像小块的类别值，作为该图像小块内所有像素的灰度值，得到初始分割图像；

(4b)按照下式，求解初始分割图像中像素的先验概率：

P(φ)＝exp(-U(φ))