[发明专利]结合MRF和神经网络的多尺度彩色纹理图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种图像分割方法，可用于彩色纹理图像的分割。

背景技术

纹理在计算机视觉和图像处理的许多应用中都有非常重要的作用，纹理分割就是将纹理图像划分为不同的纹理区域，在许多领域中都有广泛应用，比如遥感影像信息提取、文档影像分析、形状信息复原以及基于内容的图像检索等。

在过去的几十年间，在Bayesian框架下结合马尔科夫随机场模型(MRF)模型进行纹理分割的方法受到了国内外研究人员的极大关注。其中，最为经典的就是基于双随机场模型的分割方法。它采用不同的特征场建模图像中不同区域的纹理特征，并采用MRF模型建模图像分割的先验信息(标记场)，最后在Bayesian框架下使用极大后验概率准则(Maximum a Posterior)估计分割结果。图像的特征场采用的概率密度模型是否能准确逼近图像的纹理特征分布对分割结果有着极大地影响。高斯模型是最简单也是使用最多的一个概率密度模型。在已知纹理特征服从高斯分布的情况下采用该模型能够获取较好的分割结果；然而如果纹理特征不服从高斯分布，简单高斯模型无法准确描述特征场分布特性的问题，则使用高斯模型进行纹理分割的效果将会大打折扣。

为解决这个问题，近年来一些研究人员进行了有益探索。F.T.Ulaby等通过研究发现在全显影噪声下雷达图像的纹理信息服从Gamma分布，F.Galland等又将其进一步扩展为Fisher分布；H.Noda和L.Wang采用高斯马尔科夫随机场模型表示纹理的特征分布；H.Yong-jian采用有限Laplace混合分布来逼近小波系数的分布；H.Choi和E.Mor采用一个二维的HMT模型来逼近纹理特征的多尺度分布；K.Pyun等设计了一个隐马尔科夫高斯混合模型来建模纹理特征。这些纹理特征的建模方法在各自的应用领域中都取得了较好的结果。然而，这些模型均比高斯模型要复杂得多，因此对参数估计和概率密度的计算都提出了更高的要求，也在一定程度上影响了模型的通用性。

人工神经网络是一种模仿生物神经网络功能的模型，因其具有优良的非线性逼近能力和较好的容错性等优点，被广泛应用在各个领域，包括图像处理领域。Kolmogorov定理已经证明经充分学习的具有一个隐层的N×M×O三层前向型网络具有强大的非线性逼近能力。利用神经网络的非线性逼近能力，不需要复杂的建模方法也能表示输入数据的任何形式的概率分布。因此，考虑可以在监督环境中设计神经网络，用其输出来估计纹理特征的后验概率分布。因此，基于此，本文提出一个使用BP神经网络和MRF模型的多尺度监督纹理分割新算法。该算法利用BP网络的输出估计多尺度纹理特征的概率分布；使用MRF模型建模纹理类别的先验分布；采用极大后验概率(MAP，Maximum a Posterior Estimation)准则获取最终的分割结果。

发明内容

针对上述简单高斯模型无法准确描述特征场分布特性，复杂概率模型参数估计困难的问题，本文提出一个使用BP神经网络和MRF模型的多尺度监督纹理分割新方法。

实现本发明目的的技术方案是：利用BP网络的输出估计多尺度纹理特征的概率分布；使用MRF模型建模纹理类别的先验分布；采用极大后验概率(MAP)准则获取最终的分割结果。具体过程如下：

(1)输入待分割图像，在给定尺度s下，提取每一像素的R，G，B值和该像素大小为w_s×w_s的邻域内(w_s邻域窗口大小)R，G，B三波段的光谱均值和标准差构成特征向量；

(2)从图像中截取class_num类纹理区域的训练图像块，在每一尺度s上，将图像块对应特征向量作为class_num个BP神经网络的输入，进行网络训练，其中class_num是图像分类数；

(3)在所有尺度上，将整个图像的特征向量分别作为该尺度class_num个神经网络的输入，根据多个网络的输出估计特征场分布特性；

(4)使用极大似然准则获取每个尺度上的初始分割结果；

(5)使用迭代条件模式(ICM，Iterative Condition Model)，并依据极大后验概率(MAP，Maximum a Posterior Estimation)准则获取最大尺度s＝J上的分割结果；

(6)多尺度标记场建模，在经典MLL模型的基础上，利用尺度间交互参数α(t)调整尺度间计算标记场局部概率时的相互作用，并使用ICM，依据MAP准则获取尺度s上的分割结果x^s；