[发明专利]基于增强空域-变换域统计模型的纹理图像分割方法

摘要

本发明公开了一种基于增强空域-变换域统计模型的纹理图像分割方法，它属于图像处理技术领域。主要解决现有纹理图像分割方法分割准确性差，计算复杂度高的问题。其分割步骤为：(1)输入纹理图像和纹理类别数；(2)对纹理图像分成16×16的粗图像块，对每个图像块进行二维离散小波变换；(3)训练EHMM-HMT参数，计算粗图像块的似然值及粗尺度上的分割结果；(4)对纹理图像进行分成8×8、4×4和2×2的细图像块；(5)计算粗图像块的似然值及各细尺度上的分割结果；(6)结合边界信息的多尺度MAP融合。本发明具有纹理图像分割准确度高，计算复杂度低的优点，可用于微纹理和宏纹理图像的分割。

主权项

1.一种基于增强空域-变换域统计模型的纹理图像分割方法，包括如下步骤：(1)输入纹理图像的类别数E，并将纹理图像初始分割成16×16大小互不重叠的粗图像块，对每一个图像块做二维离散小波变换；(2)对二维离散小波变换后的各个图像块内的系数，通过EM算法训练出各图像块的隐马尔可夫树模型HMT参数HMT_sm，HMT_s，sm代表平滑图像块，s代表奇异图像块；(3)对初始分割的各个图像块周围邻域的8个图像块进行标记，其中将中心块记为C，将与中心块直接相邻的4个块记为I类邻域块，将与中心块对角线方向的4个块记为II类邻域块；(4)采用类Viterbi算法训练各个初始分割图像块的块隐状态概率π_k＝p(B＝k)、中心块C至I类邻域块的隐状态转移概率α_m，n和中心块C至II类邻域块的隐状态转移概率β_m，n，构成增强HMM的参数，其中k＝{sm，s}，m，n＝{sm，s}，sm代表平滑图像块，s代表奇异图像块；(5)输入HMT参数HMT_sm，HMT_s和增强HMM的参数π_k、α_m，n、β_m，n，并利用这些参数计算各类纹理图像的似然：L(C|θt)=maxk1,···,k9{πkCt×αkC→kIt×βkC→kIIt×lkIt(WBI)×lkIIt(WBII)}]]>其中，和分别代表图像块B_i在I类、II类邻域块作用下它属于第t类纹理的似然，lk(WBi)=p(WBi|Bi=k),]]>i＝1，…，Q，B_i表示第i个图像块的隐状态变量，为第i个图像块的小波系数，k＝{sm，s}，θt={HMTsmt,HMTst,πkt,αm,nt,βm,nt},]]>t＝1，2，…，E；(6)从各类纹理的似然值中找出最大的一个似然值，用该最大似然所对应的纹理类别作为粗图像块的初分割结果；(7)依次将纹理图像分割成8×8、4×4和2×2大小互不重叠的细图像块，利用粗图像块上的得到的模型参数π_k、HMT_sm^t和HMT_s^t，计算各细图像块上各节点i的似然值，并在各类纹理的似然值中找出最大的一个似然值，作为各细图像块的初分割结果，该似然值的计算公式如下：lθt(Wij|θt)=f(Wij|θt)=πsmtlsmt(Wij)+πstlst(Wij)]]>其中，t＝1，2，…，E，E为纹理类别数，θ_t为第t类纹理的增强HMM-HMT参数，似然l_sm^t(W_i^j)和l_s^t(W_i^j)分别由参数HMT_sm^t和HMT_s^t在四叉树上通过一次自下而上的扫描过程计算得到，其表达式为：lsmt(Wij)=p(Wij|kTij=sm)lst(Wij)=p(Wij|kTij=s)]]>其中，T_ij表示由图像块内的小波系数构成的四叉树上的一个节点，表示节点T_i^j的块隐状态，W_i^j表示小波系数子树T_i^j所包含的小波系数；(8)将粗尺度j上的初分割结果以1∶4扩展，使之与细尺度j-1上的初分割的各个节点一一对应，然后判断粗尺度节点s是否为边界节点，确定出纹理图像的边界；(9)采用基于最大后验概率MAP的多尺度融合策略确定纹理图像边界节点的纹理类别，按照粗图像块的初分割结果确定纹理图像非边界节点的纹理类别，得到最终的纹理分割结果。