[发明专利]基于自适应窗口固定及传播的多尺度纹理图像分割方法

摘要

本发明公开了一种基于自适应窗口固定及传播的多尺度纹理图像分割方法。其过程为：提取待分割图像纹理对应的图像块n进行小波变换，求其对应的HMT模型参数θ_n；分别求出待分割图像在小波分解各尺度上对应的数据块对应的似然值和待分割图像像素点对应的似然值，并将该两者组合，得到最终融合所需的似然值likelihood_n^k；取出融合最粗尺度k＝4上的似然值，并求得该尺度上对应的分割结果类标图；确定融合尺度k上的标记场和各类纹理的物理聚类中心；采用自适应窗口固定及传播的多尺度分割，得到下一融合尺度k－1上的分割结果类标图；根据分割结果类标图的融合尺度是否为0，确定分割的最终结果。本发明具有区域一致性和边缘定位性好的优点，可用于对包含纹理信息的图像分割。

主权项

1.一种基于自适应窗口固定及传播的多尺度纹理图像分割方法，包括如下过程：(1)输入待分割图像，从待分割图像中提取每一种纹理对应的训练图像块n，进行小波变换，得到小波系数，采用期望最大化EM算法，求出该小波系数所对应的HMT模型参数θ_n，其中：n∈N_n，N_n表示待分割图像中对应的纹理类数；(2)根据所求的模型参数θ_n，对待分割图像进行小波变换，求出待分割图像在小波分解的各尺度上对应的数据块d对应的似然值likelihood_n^j，其中：j＝{1，2，3，4}表示小波分解从细到粗对应的尺度；对步骤(1)提取的训练图像块n进行高斯建模，求出待分割图像像素点对应的似然值likelihood_n⁰，0表示像素级对应的尺度；(3)将所述的待分割图像在小波分解的各尺度上对应的数据块d对应的似然值likelihood_n^j，与所述的待分割图像像素点对应的似然值likelihood_n⁰相组合，得到最终融合所需的似然值likelihood_n^k，k＝{0，1，2，3，4}，其中k＝0表示融合尺度对应的最细尺度，k＝1表示融合尺度最细尺度的上一较粗尺度，以此类推，直到k＝4表示融合尺度对应的最粗尺度；(4)取出融合尺度对应的最粗尺度即k＝4上的似然值likelihood_n⁴，使用最大化似然值公式可得到融合最粗尺度上对应的分割结果类标图{c_s|c_s∈{1，2，…C}}，其中：s表示图像对应的物理坐标，C＝N_n；(5)根据分割结果类标图，确定融合尺度k上衡量其类标可靠性的标记场{a_s}，a_s∈A，A＝{0，1}，并采用LPA_ICI算法确定出融合尺度k上各类纹理的物理聚类中心{(i₁，j₁)，(i₂，j₂)，…，(i_C，j_C)}；(6)根据标记场以及各类纹理的物理聚类中心，采用自适应窗口固定及传播的多尺度分割方法，得到下一融合尺度k-1上对应的分割结果类标图{c_s|c_s∈{1，2，…C}}；(7)判断所得的分割结果类标图是否为融合尺度k＝0上的结果，如果是融合尺度k＝0上的结果，则纹理图像分割结束；否则，重复步骤(6)～步骤(7)直到得到k＝0上的分割结果为止。