[发明专利]一种基于马尔科夫随机场的图像分割算法

说明书

本发明公开了一种基于马尔科夫随机场的图像分割算法，属于图像分割技术领域。本发明研究了以条件迭代算法(ICM)来实现的马尔科夫图像分割算法，采用随机预分类对图像进行初步分割，有着迭代次数多，容易使部分区域陷入局部最优解的缺点，同时对边缘轮廓等细节的分割精度不足。但是其理论基础简洁、模型易于实现，可以改变耦合系数，自定义分类数以及迭代次数，为了达到较为理想的分割结果，对不同场景参数的调整比较灵活，拥有较好的可塑性和利用价值。本方法将马尔科夫随机场图像分割算法和基于图的图像分割(GBIS)算法结合，在一定程度上可克服了原始分割算法的缺点，得到了较好的分割结果。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于马尔科夫随机场的图像分割算法。

背景技术

图像分割技术多年来一直备受关注，在图像识别，遥感，医学诊断等众多领域有着广泛的应用。作为图像处理分析的基础与前提，分割的目的是将图像分割成几个有特定性质的区域，分割结果对后续工作具有非常大的影响，好的结果会对后续工作提供很大的帮助，使其顺利进行，而坏的结果有可能使后续工作无法进行，甚至无法分析实验失败的具体原因。

已经有许多方法被提出来解决这个问题。例如，基于特征的方法如聚类和阈值是高效且具有鲁棒性的；基于边界的方法，如分水岭总是会在某些特定的场景中得到不错的结果；基于模型的方法如主动轮廓和随机场等，这些方法具有良好的数学基础。过去已经有许多学者进行了研究，但图像分割仍然是一个难度较高的课题。其主要困难之一是一个好的分割方法不仅需要从图像中提取的有效特征，而且还需要额外的先验知识，如轮廓平滑度，上下文信息，对象粒度等，今两年来较多学者也通过深度学习进行图像分割，得到了很多令人满意的结果，但是深度学习需要较大的计算能力，所以在一些模型中仍然要使用传统的图像分割算法。

在现有技术的图像分析算法中，关键在于建模问题，图像分析的过程就是利用计算机求解模型的过程。建模过程往往就是定义目标函数的过程，求解过程就是利用各种优化方法来解目标函数的过程。因为在视觉信息中，事物往往都是相关联的，所以上下文约束是必须的， MRF(Markov random field，马尔可夫随机场)理论提供了一个简洁统一的建模方法，不管是内在联系的特征，还是上下文约束关系，都包含在MRF理论中，并且MRF还有模型参数少，其能量函数便于和其他方法结合的优点，所以在图像处理领域中具有很强的吸引力。

MRF同时也有着较为明显的缺点，例如容易陷入局部最优解，模型参数不宜准确估计，同时模型参数少也使得求解速度付出一定代价。但由于其能量函数可以灵活地嵌入其他模型中，易于与其他方法结合互补的优点，使得MRF在图像处理领域中，一直以来都保持着相当的热度。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于马尔科夫随机场的图像分割算法。

本发明所提出的技术问题是这样解决的：

一种基于马尔科夫随机场的图像分割算法，包括以下步骤：

步骤1.首先将RGB色彩通道转换为YCbCr色彩通道：

其中，Y、Cb、Cr分别表示YCbCr色彩空间中的亮度分量、蓝色分量和红色分量，R、G、B 分别表示RGB色彩空间中的红色分量、绿色分量和蓝色分量；

步骤2.计算像素点之间八邻域相似度：

其中Y₁、Y₂分别表示相邻两个像素点的亮度分量，Cb₁、Cb₂分别表示相邻两个像素点的蓝色分量，Cr₁、Cr₂分别表示相邻两个像素点的红色分量；

步骤3.根据全局阈值进行预分割，根据自适应阈值判断不同区域是否合并；若满足下式，则相邻的两块区域可以合并：