[发明专利]一种图像分割方法及其评价方法和图像融合方法

说明书

技术领域

本发明涉及图像处理技术领域，更具体的是，本发明涉及一种图像分割方法及其评价方法和图像融合方法。

背景技术

迁移学习具体的表现在于，利用该理论在建立模型时会考虑以往已有的相似模型，将以往的模型作为参照体，而后再结合当前的环境进行建模，这样的新型建模方法将大大提高前期的建模效率，并且有效地合理地利用历史储备也有助于模型初期的稳定性，比起传统的不考虑历史相似场景只考虑当前场景，全部从“零”开始的建模方法而言，该种策略来的更加快速有效。

模糊C均值算法(Fuzzy C-means，简称FCM)是一种经典聚类分析方法，其目的在于将一个未被标记的样本集合按照某种准则划分成若干类，并且规定同一类中的样本点尽量的相似，不同类中的样本点尽可能的不同。采用此类样本分析方法，可以定量地确定出样本之间的远近关系，进而达到对该样本进行合理分类与分析的目的。

中国发明专利申请201210384176.2提供了一种具备迁移学习能力的模糊聚类图像分割方法，其采用单一视角对图像进行分割，在分割过程中会出现分割精度不高的现象，无法取得理想的分割结果，更无法处理多维图像的分割。

而传统的图像分割评价指标往往以相同的方式处理分割结果中的目标像素和背景像素，忽略了不同位置像素的重要程度，这在实际应用中是不合理的。

在进行图像融合时，直接融合结构和功能图像，多光谱图像中的颜色信息将会因结构图像失真，结构图像中的空间细节也会被模糊。

发明内容

本发明的一个目的是设计开发了一种图像分割方法，采用多视角具备迁移学习能力的模糊聚类图像分割方法，基于迁移能力，实现多视角图像协同分割，提高分割精度。

本发明的另一个目的是设计开发了一种图像分割方法的评价方法，能够根据分割结果中像素的空间位置信息和灰度信息，基于加权ROC图的图像分割质量客观评价分割结果。

本发明还提供了一种基于上述图像分割方法的图像融合方法，能够将结构图像分解为平滑层和细节层，并采用上述图像分割方法将功能图像分割为目标区域和背景区域，采用平滑层和目标区域融合，使得图像融合时不会失真。

本发明提供的技术方案为：

一种图像分割方法，包括如下步骤：

步骤1：将历史储备图像分为K个视角，通过经典FCM算法得到历史聚类中心：

其中，K为视角总数，C为聚类数，N为样本总数，U^k表示第k个视角下的隶属度矩阵，V^k表示第k个视角下的聚类中心，X^k表示第k个视角下的聚类样本,为第k个视角下的第i类的中心点，d为样本的维数，x_j,k表示第k个视角下的第j个样本点，μ_ij,k表示第k个视角下的第j个样本属于第i类的隶属度，模糊指数m必须满足m＞1；

步骤2：在处理新的带噪图像时，将所述带噪图像分为上述K个视角，在经典FCM算法的基础上融入从步骤1中得到的相关历史相似图像的聚类中心，并构造一个引入迁移学习机制的多视角的FCM算法的新目标函数，具体形式如下：

其中，W＝(w₁,w₂,…,w_K)^T为各视角的视角权重向量，w_k为第k个视角所占的权重，η为协同学习参数且满足0≤η≤1，λ为视角加权参数且满足λ＞0；

步骤3：通过步骤2获取的当前图像的各视角图像的隶属度矩阵以及视角权重向量W，得到当前处理图像的最终隶属度矩阵，去模糊化后得到当前图像的空间划分结果。

优选的是，所述步骤3中，所述当前处理图像的最终隶属度矩阵为：

所述当前图像的空间划分结果Θ为：

其中，μ_ij表示第j个样本属于i类的隶属度，μ_j表示第j个样本属于各类的隶属度，Θ_i,j表示第j个样本属于i类的空间划分结果，进而得到图像的分割结果。

优选的是，所述步骤2中，处理新的带噪图像时需先进行去噪处理，包括：

给定一幅图像X，大小为M*N，将图像中像素x_ij通过线性自回归模型获得预测值x'_ij：