[发明专利]基于非高斯HMT模型的图像分割方法

说明书

本发明公开一种基于非高斯HMT模型的图像分割方法，首先对纹理图像进行UDTCWT变换，对变换得到的高频子带的实部和虚部分别进行相对相位计算；其次，应用Vonn分布函数对相对相位进行统计建模并用最大似然计算方法进行初分割；然后，应用基于Cauchy混合模型的像素级分割方法得到图像的像素级分割结果；最后，利用基于上下文的多尺度融合方法进行融合,得到最终的图像分割结果。

技术领域

本发明属于数字图像分割技术领域，涉及一种基于相对相位建模的图像分割方法，特别涉及基于非高斯HMT模型的图像分割方法。

背景技术

在多媒体信息处理中，图像分割往往是必不可少的，其目的是区分出图像中的对象和背景，以便人们对对象区域进行研究。图像分割也可以用于许多领域，例如医学、军事、工业等。尽管已有各种各样的图像分割方法，但由于图像的复杂性，目前还没有一种标准的分割方法适合所有不同种类的图像，因此，图像分割技术仍是目前研究的热点之一。

由于图像对象和背景的类型不同，如何有效的将不同背景下的对象提取出来成为了一个复杂的问题。因此各种图像分割方法应运而生，包括：阈值方法、边缘检测方法、基于区域方法、基于图的方法、偏微分方程方法和统计模型方法等。人工智能和统计模型是目前研究领域的热点。在人工智能领域中，支持向量机、遗传算法和神经网络等已成功的应用于图像分割领域；统计模型的方法包括基于空间域和频域的统计模型分割方法。马尔科夫随机场模型是基于空间域统计模型方法中最经典的算法，而隐马尔科夫树模型是基于频域统计模型方法中较为常用的算法。虽然上述方法有各自的优势，但都存在着缺点，如不适用于峰值不明显和光照不均匀的图像，对复杂场景的图像分割效果欠佳，鲁棒性差，不考虑空间特征等。

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，提供一种非高斯HMT模型的图像分割方法。

本发明的技术解决方案是：一种基于非高斯HMT模型的图像分割方法，其特征在于按如下步骤进行：

约定：I代表待分割图像；UDTCWT指非下采样双树复小波变换；LL指通过UDTCWT滤波器得到的低频子带、HH代表高频子带、J代表UDTCWT分解级数；y(j,k)表示复子带系数；a为y(j,k)的实部子带、b为虚部子带；i为虚数单位；∏为用EM进行估计的UDTCWT-HMT模型的参数；p(S_i＝m,∏)是由∏得到的状态的联合概率；θ为相对相位；S_i为UDTCWT相对相位的联合概率的隐状态；为概率质量函数；μ和λ为Vonn分布概率密度函数的位置参数和尺度参数；为状态转移概率；为初始状态概率；P指概率密度函数；T_i代表相对相位父节点的子带；M代表完整的HMT模型；Θ指模型参数向量；d_i指二值图像块，c_i为初分割类别；

a.UDTCWT高频子带获取

对图像I进行UDTCWT变换，得到1个LL和若干个HH，设置分解级数为2，即HH分解为两个尺度J＝2，每个尺度包括实部和虚部子带，用y(j,k)＝a+bi表示，实部和虚部分别为3个方向，每幅图像共得到12个HH；

b.系数相对相位Vonn建模

b.1根据下式对每个HH的a和b进行θ计算，得到12个相对相位子带系数：

θ(j,k)＝∠y(j,k)-∠y(j,k+1)；

b.2利用两状态的Vonn混合模型逼近UDTCWT的相对相位概率分布

b.3使用EM算法进行估计UDTCWT-HMT模型参数，所需参数如下：

c.用最大似然进行初分割