[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

说明书

技术领域

本发明属于图像处理技术领域，特别是一种涉及图像分割的方法，该方法可应用于对合成孔径雷达SAR图像、遥感图像、自然纹理图像的分割。 

背景技术

图像分割是把一幅给定图像按照一定的分割准则分成各具特性的区域的图像处理方法。图像分割作为图像分析层次中的一项重要的分支，一直是图像工程领域研究的重点和热点。纹理图像分析与分割是图像处理和计算机视觉中最经典的研究课题之一，在国防及国民经济中都起着重要的作用，它在图像分类、图像检索、图像理解、目标识别等问题中都起到了关键性的作用。纹理分割的目的是将图像划分成均匀区域以及区域之间边界的确定。而纹理图像中的区域一致性是由区域内纹理的某些特征的一致性来表示的，分割一定是在某个或某些特征上进行的。因此纹理特征的提取是影响纹理图像分割的一个至关重要的因素。目前纹理特征的提取方法主要归纳为基于统计的、基于空间/频域的、基于模型的三类。纹理的统计特性考虑纹理中灰度级的空间分布，在表达区域一致性上能取得良好的效果；基于空间/频域多尺度多通道纹理分析方法是与人类视觉过程相一致的，能够在不同尺度上分析图像，从而提高图像的边缘定位的准确度；基于模型的方法假设纹理是以某种参数控制的分布模型方式形成的，近年来马尔可夫随机场模型在纹理图像分割中[0]的广泛应用充分说明了其有效性。 

基于统计域模型的图像分割方法按变换域进行划分，到目前为止可以分为以下三类：基于小波域的方法、基于复小波域的方法以及基于contourlet域的方法，不同域的特征表征不同的图像纹理信息。可以发现单独使用一种变换域特征对某些测试图像能取得很好的效果，而对另一些图像则得到的效果不是很好，因此算法的鲁棒性不是很强。按训练模型选择，则分为独立高斯混合模型IMM、隐马尔可夫树模型HMT、子带绑定的隐马尔可夫树模型HMT-3S以及矢量隐马尔可夫模型，不同的模型选择决定变换域特征之间的某些固定关系，如选用HMT模型，则决定了多尺度变换域上每一层的特征应该对应相同，HMT-3S则不仅要求每一层上对应的特征相同而且决定要求不同子带特征子带之间应该具有某联系。IMM在相比较之下，认为每一子带每一尺度之间均是独立不相关的，其要求最少，因 此其可塑性越强。对于该领域后融合方面的方法，首先韩国的H.choi等人提出一种基于背景的贝叶斯分割方法，参见H.Choi，R.G.Baraniuk.Multiscale Image Segmentation UsingWavelet-Domain Hidden Markov Models.IEEE Transactions on Image Processing，2001，10(9)：1309-1321。之后中国的Fan G.L等人总结各种背景模型并提出了一种JMCMS融合方法，融合分割，参见Fan G.L.，Xia X.G..Ajoint multi-context and multi-scale approach to Bayesianimage segmentation.IEEE Transactions on Geoscience and Remote Sensing，2001，39(12)：2680-2688。值得注意的是这些方法中所涉及到的上下文背景模型，均只利用较粗尺度以及本层分割尺度上的信息，而不曾考虑其下一较细尺度上更能表征边缘的信息。 

基于单个变换域特征的方法，如基于小波域的方法、基于复小波域的方法以及基于contourlet域的方法，由于其没有从多个角度上来表示不同图像的信息，先验信息不够充分，不能对不同途径获取的图像都得到较好的分割结果；同时在后融合分割方面，仅考虑表征区域一致性的粗尺度上类标对下一尺度上类标的影响，而不考虑细尺度上在边缘处定位更加准确的类标的影响，使得分割结果不能得到好的区域一致性和边缘准确性的统一。 

发明内容

本发明的目的在于克服已有技术的不足，提出一种基于特征选择和隐马尔科夫模型的图像分割方法，通过提取更多变换域特征并从中选择有效特征进行训练的方式以及后融合方面考虑较细尺度上特征对融合结果的影响，以达到提高分割精度和算法的鲁棒性的目的。