[发明专利]基于无限成分数的t混合模型的图像分割方法

说明书

技术领域

本发明涉及图像处理和机器学习领域，主要涉及一种基于无限成分数的t混合模型的图像分割方法。

背景技术

图像分割是数字图像处理过程中的关键技术之一。图像分割的任务是将输入图像分割为一些独立的区域，使得同一区域具有相同的属性，而使不同区域具有不同的属性。图像分割是进一步进行图像识别，分析和理解的基础，在理论研究和实际应用中都得到人们广泛的重视。对于图像分割问题，人们已经提出了很多方法，但是鉴于图像具有种类多、数据量大、变化多等特点，迄今为止还没有一种图像分割的方法适用于所有的情况，此外分割结果的好坏也需要根据具体的场合和要求去评价。因此，图像分割仍然是目前的研究热点之一。

在现有的图像分割方法中，基于统计模型的图像分割方法应用的相当广泛。这类方法常常选用某个统计模型来描述待分割图像像素值的分布，通过一定的训练和学习过程估计出统计模型的结构和相应的参数，并且获得每个像素点关于各个欲划分出的类的概率的大小，最后将最大概率所对应的类作为当前像素点分割到的类。与这样的流程相对应的是机器学习领域中的无监督学习过程。在已知的基于统计模型的图像分割方法中，最常见也是应用最为广泛的模型就是高斯混合模型(GMM)。但是在实际中由于采集或是图像本身的原因，会存在少数零星的像素点与大多数像素点的值差别较大，这样的像素点常常被称为野值点。由于GMM中各个混合成分服从高斯分布，其概率密度函数的尾部不够长，所以对野值点的鲁棒性能较差。此外，在GMM中，需要预先指定混合成分的数目，一旦该数目指定之后，该GMM的模型的结构基本确定了，而实际的图像像素的特征值的分布所对应的混合成分数目无法获得，因此，采用GMM在描述特征值的分布时，会由于混合成分数目设定不当而产生GMM过拟合(该数目设定过大)或欠拟合(该数目设定过小)的现象，从而降低了图像分割的效果。正是由于现有的基于GMM的图像分割方法存在着上述两个问题，所以需要改进现有的方法，进一步提高图像分割系统的效果和性能。

发明内容

本发明的目的就在于解决现有技术的缺陷，设计、研究基于无限成分数的t混合模型的图像分割方法。

本发明的技术方案是：

基于无限成分数的t混合模型的图像分割方法，其特征在于包括以下步骤：

(1)提取待分割图像的特征信息：将待分割的图像中的每个像素点的像素值从RGB坐标转换到LUV坐标，从而得到了一个三维数据集X，其中N为像素点的数目，x_n为每一个像素点的特征信息数据矢量；

(2)对具有无限成分数的t混合模型进行参数估计；在完成这一估计过程以后，对于每一个像素点的特征信息数据矢量x_n，可以得到与其相关的隐变量z_n的分布，在该分布中，q(z_nj＝1)，j＝1，...，L表示当前像素点n是由具有无限成分数的t混合模型中的第j个成分产生的概率，j＝1，...，L；

(3)判决：将与每个像素点n相关的q(z_nj＝1)，j＝1，...，L中的最大值所对应的序号作为该像素点x_n所最终分配到的类C_n，即

Cn={i=arg maxjq(znj=1)},]]>

从而将图像分割成具有相似属性的类，得到分割完成的图像。

在所述的基于无限成分数的t混合模型的图像分割方法中，所述的L为实际操作过程中近似代表∞的一个较大的数，其取值范围为10～30之间的正整数。

在所述的基于无限成分数的t混合模型的图像分割方法中，对所述的具有无限成分数的t混合模型进行参数估计的步骤如下：