[发明专利]一种基于马尔科夫随机场的图像分割算法

摘要

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。

主权项

1.一种基于马尔科夫随机场的图像分割算法，其特征在于，包括以下步骤：步骤1.将RGB色彩通道转换为YCbCr色彩通道：步骤2.计算像素点之间八邻域相似度：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：Diff1，2≤min(Int1，Int2)其中，Diff1，2表示相邻两个区域C1，C2的类间差异，Int1，Int2分别表示相邻两个区域C1，C2的类内差异，min表示求最小值；步骤4.灰度转换；步骤5.对预分割图片进行形态学处理：腐蚀操作：结构的中心点在结构中逐一滑动，保留结构完全属于结构的区域的像素点；其中z表示像素点，⊙代表两结构之间的腐蚀操作；膨胀操作：结构的中心点在结构中逐一滑动，保留结构完全属于结构的区域的像素点；其中为结构的滑动，表示结构的滑动所覆盖的像素集合，代表两结构之间的膨胀操作；步骤6.将预处理后的图像分割为L类，记分割后的图像S尺寸为m*n，用集合表示像素点为S＝{s1，s2，…sm*n}，即为观测序列；目标图像W和S具有相同的尺寸，则W＝{w1，w2，…wm*n}为要求的标记序列，也为输出序列；W＝{w1，w2，…wm*n}中的每一项的值都在[1，L]之间；将分割问题表述为下式：求使概率P(W|S)最大的标记序列即：由最大后验概率有：其中，P(S|W)为似然函数，P(W)为先验概率，P(S)为规格化因子；P(S)为常数，得到最终的图像分割准则为：其中，先验概率P(W)符合马尔科夫随机场定理；步骤7.马尔科夫随机场符合Gibbs分布，用Gibbs分布的概率密度函数代替P(W)：其中，Z为规范化常数，T为可调节常数；其中，c为马尔科夫场的因子团，C为所有马尔科夫场的因子团的集合，Wc＝{Ws，Wt}表示因子团c＝{s，t}的标记集合，s和t为相邻像素，Ws为像素s的标记，Wt为像素t的标记，VC(WC)为势能团的能量，这里选择多级逻辑模式：其中，β为耦合系数，其大小表征相邻像素点的惩罚程度；步骤8.假设每一类中所有像素点都服从高斯分布，通过以下估计方法计算出每一类标号对应像素的高斯分布的参数：其中，1≤l≤L，S_l为属于标号l的像素集合，μ_l为集合S_l的样本均值，为集合S_l的样本方差；给定wi＝l，像素si的密度函数为：每一个像素点也都得到了一个相应于的P(S|W)概率，与像素点在步骤7中P(W)部分的概率相乘就可以得到像素点被分割到每一类的概率，其中概率最大的一类就是该像素点的最终分割结果；步骤9.以每一次的分割结果作为下一次迭代的观测值，重复步骤6‑8，当前迭代次数为最大迭代次数时终止迭代。