[发明专利]基于特征选择和隐马尔科夫模型的图像分割方法

权利要求书

1.一种基于特征选择和隐马尔科夫模型的图像分割方法，包括如下步骤：

(1)输入待分割图像，从待分割图像中截取N_c种纹理对应的训练图像块，N_c表示待分割图像中对应的纹理类数；

(2)利用HMT或IMM模型时，求出每一训练图像块对应的最终训练特征集为：

{featuresubband/subbandj|subband=1,2,...,B/subbandj=1,2,...,Bj}jc,j=1,2,...J,c=1,2,...,Nc]]>

其中：j为多尺度分解对应的尺度，J为多尺度分解对应的最大尺度；subband为提取的训练特征集中的某一个特征下标，B为提取的训练特征的总数目，对应HMT模型的训练特征下标；subband_j为尺度j上提取的训练特征集中的某一个特征下标，B_j为尺度j上提取的训练特征的总数目，对应IMM模型的训练特征下标；c表示待分割图像类数对应的每一类纹理的类标；

(3)采用期望最大化EM算法对训练特征集进行训练，得到与训练特征集对应的隐马尔科夫模型参数θ_j^c，j＝1，2，...J，c＝1，2，...，N_c；

(4)根据所求的模型参数θ_j^c，求出待分割图像在多尺度分解对应的各尺度上每一数据块d对应的似然值likelihood_j^c，j＝1，2，...J，c＝1，2，...，N_c；

(5)提取训练图像块中以每一像素点为中心的大小为M×M的窗口内的均值和方差，并与当前像素值一起作为其对应的训练特征集，对特征进行有限混合高斯建模求出模型参数，并根据所求的参数，求出待分割图像每一像素对应的似然值likelihoo₀^c，c＝1，2，...，N_c，0表示待分割图像像素级对应的尺度；

(6)将所述的待分割图像在多尺度分解对应的各尺度上每一数据块d对应的似然值likelihood_j^c，与所述的待分割图像每一像素点对应的似然值likelihood₀^c相组合，得到最终融合所需的似然值likelihood_k^c，k＝0，1，2...J，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k＝0的上一较粗尺度，以此类推，直到k＝J表示融合尺度对应的最粗尺度；

(7)采用最大化似然值ML算法：得到图像J+1个尺度上的初分割结果类标图；

(8)根据父尺度对下一孩子尺度的影响，组成一个背景向量V：context-2，采用最大化序列的后验概率SWAP方法，指导图像从尺度J到尺度0的融合分割，重复执行2次，得到多尺度分割结果；

(9)根据下一孩子尺度对父尺度的影响，组成一个新的背景向量V：context-6，采用SWAP方法，指导图像从尺度J到尺度0的融合分割，重复执行2次，得到多尺度分割结果，取尺度0对应的分割结果作为最终分割结果。