[发明专利]基于独立高斯混合模型的纹理图像分割方法

权利要求书

1.一种基于独立高斯混合模型的纹理图像分割方法，包括如下步骤：

(1)对训练纹理图像同时进行小波变换，双树复小波变换以及Contourlet变换，并在每一层上提取相应的训练纹理图像特征；

(2)在每一层上采用免疫克隆算法对所提取的特征进行选择；

(3)对每一训练纹理图像的在每一层进行有限高斯混合模型的无监督学习，自适应地得到与其对应的组件数k，1≤k≤10，并由此得出高斯混合模型的参数；

(4)对测试纹理图像进行小波变换、双树复小波变换和Contourlet变换；并根据变换系数和所述的组件数k，计算各层对应的最终似然值；

(5)由最大后验概率准则，通过比较各种纹理对应的似然值，得出初始分割结果；

(6)依据贝叶斯准则，将初始分割结果经过多尺度融合得到最终分割结果。

2.根据权利要求1所述的图像分割方法，其中步骤(1)所述的在每一层上提取相应的训练纹理图像特征，是在每层上提取小波变换的3个高频子带特征、双树复小波变换的6个方向模值特征、Contourlet变换的4个高频子带特征、小波变换低频子带3×3窗口内的均值和方差特征总共15个特征。

3.根据权利要求1所述的图像分割方法，其中小波变换采用的小波基为haar小波，双树复小波变换采用的基为near_sym_b和qshift_b，Contourlet变换选择‘9-7’塔形分解和方向滤波器组，这三种变换的分解层数均取为3层。

4.根据权利要求1所述的图像分割方法，其中步骤(3)按如下步骤进行：

(4a)根据训练纹理图像数据y＝[y₁，...，y_d]，d为数据的维数3.根据权利要求1所述的图像分割方法，其中步骤(3)，设定k个组件的高斯混合模型的概率密度函数为p(y|θ)=Σm=1kαmp(y|θm),]]>其中α₁，...，α_k为混合概率，θ≡{θ₁，...，θ_k，α₁，...，α_k}是确定混合模型所需的整个参数集，参数集中每个θ_m由一组参数组成，共同决定θ的第m阶分量；

(4b)根据高斯概率密度函数，设定由θ的第m阶分量θ_m确定的维数为d的高斯混合模型的概率密度函数为：

p(y|θm)=(2π)-d2|Cm|exp{-12(y-μm)TCm-1(y-μm)}=N(μm,Cm)]]>

其中θ_m＝(μ_m，C_m)，μ_m和C_m分别为训练纹理图像数据的均值向量和协方差矩阵，N(μ_m，C_m)是分别以μ_m和C_m为均值向量和协方差矩阵的高斯分布函数；

(4c)根据最小编码长度准则，对高斯混合模型的参数θ进行估计，即最优化Length(θ，Y)＝Length(θ)+Length(Y|θ)，其中Length为编码长度，将Length(θ，Y)简记为L(θ，Y)，得到参数θ的估计模型为：

θ^=argminθL(θ,Y)=argminθ{N2Σm:αm>0log(nαm12)]]>

+knz2log(n12)+knz(N+1)2-logp(Y|θ)}]]>

上式中，α_m为混合概率，k_nz为使得α_m不为零的组件数，n为每一维纹理图像数据的数据长度，N为θ_m的维数，-log p(Y|θ)为训练纹理图像数据的编码长度，nα_m为由混合模型的m阶分量θ_m得到的训练纹理图像数据点个数，为每个θ_m的最佳编码长度，为所有的θ_m的编码长度；

(4d)给定非零组件数k_nz，采用EM算法的最大化期望步将L(θ，Y)最小化，得到高斯混合模型的各参数的迭代公式如下：

α^m(t+1)=max{0,(Σi=1nwm(i))-N2}Σj=1kmax{0,(Σi=1nwj(i))-N2}]]>

其中m＝1，2，...，k，1≤k≤10

μ^m(t+1)=(Σi=1nwm(i))-1Σi=1ny(i)wm(i)]]>

C^m(t+1)=(Σi=1nwm(i))-1Σi=1n(y(i)-μ^m(t+1))(y(i)-μ^m(t+1))Twm(i)]]>

其中，为迭代步数为t+1步时的混合概率的估计值，

为迭代步数为t+1步时的均值向量估计值，

为迭代步数为t+1步时的协方差矩阵估计值，

wm(i)=E[zm(i)|y,θ^(t)]=Pr[zm(i)=1|y(i),θ^(t)]=α^m(t)p(y(i)|θ^m(t))Σj=1kα^j(t)p(y(i)|θ^j(t))]]>

式中，z_m⁽ⁱ⁾表示数据y⁽ⁱ⁾由θ的第m阶分量产生，为在已得到θ_m的第t步迭代值时，数据y⁽ⁱ⁾的条件概率，w_m⁽ⁱ⁾表示在已得到参数θ的估计值的条件下，纹理图像数据y属于完备图像数据的概率。