[发明专利]基于独立高斯混合模型的纹理图像分割方法

说明书

技术领域

本发明属于图像处理领域，涉及一种纹理图像分割的方法，可用于图像理解与识别。

背景技术

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确定区域之间的边界。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的广泛应用充分说明了其有效性。2001年Raula将马尔可夫随机场和高斯混合模型结合起来，提出了利用马尔可夫随机场参数刻画纹理，利用高斯混合模型进行纹理分割的新方法，该类方法均是在先得到初始分割的基础上，对初始结果进行后融合来到达更好最终结果的方法。但该类方法由于运用EM算法对模型进行训练，对初始化敏感，使得分割结果的鲁棒性差。

发明内容

本发明的目的在于克服以上现有技术的不足，提出一种基于独立高斯混合模型的纹理图像分割方法，以提高图像分割结果的鲁棒性。

实现本发明的目的技术方案是：充分利用基于统计方法在表达区域一致性上的良好效果及空间/频域方法的多尺度特性在边缘定位上的准确度，采用模型方法实现纹理图像的最终分割。其具体实现步骤如下：

(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。

本发明与现有的技术相比有以下优点：

1.由于采用免疫克隆特征选择算法对初始特征中边缘分布近似满足高斯分布的特征进行选择，能够得到有效的表征图像特性的训练特征；

2.由于采用高斯混合模型无监督学习方法替代传统的EM算法对特征进行训练，得到更好的模型参数，能够克服EM算法对初始化敏感的缺点，提高分割鲁棒性；

3.由于综合提取统计特征和多尺度频域特征并结合高斯混合模型，能够保持分割结果良好的区域一致性和边缘定位准确度。

附图说明

图1是本发明的流程图；

图2是本发明采用的四幅训练纹理图像；

图3是本发明对第一幅测试纹理图像的仿真结果图；

图4是本发明对第二幅测试纹理图像的仿真结果图；

图5是本发明对第三幅测试纹理图像的仿真结果图；

图6是本发明对第四幅测试纹理图像的仿真结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤一，对训练纹理图像同时进行3层小波变换，3层双树复小波变换，即DTCWT和3层Contourlet变换，每一层上提取所需的15个特征，即小波变换的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。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。