[发明专利]一种基于半局部纹理特征的二阶段图像分割方法

权利要求书

1.一种基于半局部纹理特征的二阶段图像分割方法，其特征在于，包括以下步骤：

步骤1、将图像分割成M×M像素的非重叠的小块；

步骤2、提取每个块的基于Beltrami框架和半局部信息的纹理特征，然后用K-means算法进行块聚类，将图片划分为四个区域；

步骤3、根据摄影构图原理确定目标的最佳位置，从而提取出目标，完成粗分割；

步骤4、用几何活动轮廓模型对已经提取出来的目标进行细分割，从而得到更加精确的分割结果。

2.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法，所述步骤1中，将图像分割成M×M像素的非重叠的小块，其特征在于：

综合考虑纹理特征的效果和算法的时间复杂度，将所有图片标准化为126×189或189×126，所分割的小块尺寸为3×3，因此每幅标准化的图像中包括2646个小块。

3.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法，所述步骤2中，提取每个块的基于Beltrami框架和半局部信息的纹理特征，然后用K-means算法进行块聚类，将图片划分为四个区域，其特征在于：

1)选取以像素(x，y)为中心，大小为τ×τ的块P_x，y：

2)采用如下映射X将纹理特征引入到Beltrami框架下：

X：(x，y)→(X₁＝x，X₂＝y，X₃＝P_x，y(I))(2)

该映射包含了局部信息(空间位置)和半局部图像信息(中心像素周围的像素块的值)。假设给定一幅复杂的纹理图案，通过映射(2)的镶嵌到高维空间的几何流形与我们所观察到纹理是一致的，映射(2)中相应的度量张量定义为：

3)提取每个块的基于Beltrami框架和半局部信息的纹理特征

最后，得到纹理特征描述子F为

其中σ＞0是尺度参数，采用高斯核函数作为低通滤波，控制描述图像细节的程度。

4)用K-means方法进行聚类，将图像聚成四类。

4.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法，所述步骤3中，根据摄影构图原理确定目标的最佳位置，从而提取出目标，完成粗分割，其特征在于：

1)对上一步得到的结果进行合并

一副给定的图像最终只需要分为前景区域和背景区域，对上一步得到的图像中满足一定相似性的区域进行合并，相似性度量定义为：

其中，R_i为纹理特征向量，d(R_i，R_j)为向量R_i和R_j之间的距离，相似性度量与距离成反比，因此对具有最大相似性(最小距离)的区域进行合并，新的合并区域的特征向量要重新计算，直到图像中只留下两个区域。

2)根据摄影构图原理确定目标的最佳位置

摄影构图确定最佳位置一般有两种方法：三分构图法和动态对称法。三分构图法是指将图像横向和竖向分别分为三等分，图像中四个交点的位置即为目标的最佳位置，也就是前景区域。动态对称法是指作出图像的一条对角线，然后从另外两个角分别向该对角线作垂直线，图像中两个交点的位置即为目标的最佳位置，其他区域则为背景区域。

3)提取目标物体

首先分别得到前景和背景区域的二值图像，然后将三分构图法或动态对称法的mask表分别与两幅二值图像做与操作，对像素数最大的二值图像进行目标提取，另一幅默认为背景区域。

5.根据权利要求1所述的基于半局部纹理特征的二阶段图像分割方法，所述步骤4中，用几何活动轮廓模型对已经提取出来的目标进行细分割，从而得到更加精确的分割结果，其特征在于：

1)几何活动轮廓模型(GAC)

几何活动轮廓模型(GAC)可转化为如下最小化问题：

其中ds为欧几里得元素的长度，为曲线C的长度。因此，能量泛函(6)其实是由ds对包含物体边界信息的函数g进行积分得到的一个新的长度，函数g是边缘指示函数用来消除如这样的物体边缘，I₀是原始图像，β为任意正常数。由变分法可得到函数的欧拉-拉格朗日方程式，梯度下降法能尽可能快地最小化

其中，t为人为规定的时间参数，k，N分别为曲率和曲线C的法线，式(7)中定义的活动轮廓的演化方程存在唯一解。

2)改写水平集函数

Osher和Sethian提出的水平集方法有效地解决了轮廓延伸问题并处理了拓扑变化问题，等式(7)可写成如下水平集形式：

其中，φ是嵌入到不断演化的活动轮廓C(如C(t)＝{x∈R^N|φ(x，t)＝0})的水平集函数，基于双曲守恒定律，偏微分方程(8)可应用到多种数值化求解中，得到相当精确的分割结果。

3)对粗分割提取出的目标物体进行细分割，得到分割结果。