[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

说明书

技术领域

本发明涉及图像分割方法、图像处理、模式识别、人工智能领域，具体涉及一种基于半局部纹理特征的二阶段图像分割方法。

背景技术

纹理分割是图像分割中一个非常有挑战性的问题。人眼能够很容易得分辨出不同的纹理，但从数学术语的层面上是很难对纹理进行定义的，因此也很难用一个模型来描述它。此外，纹理可能导致重要边缘的丢失和灰度分布的不均匀。目前被广泛认可的一个定义是：纹理是一系列具有周期性和振荡性的精细的特征细节。

通常使用的图像特征包括：基于滤波的特征、基于半局部信息的特征以及基于Beltrami框架的特征。其中基于滤波的特征比如梯度滤波、小波多孔滤波已经被应用到特征提取和图像分割中，通过Gabor或Morlet小波变换提取的特征是区分不同方向和尺度的纹理的重要依据；获得基于半局部信息的特征的主要方法是：将与现有像素相邻的块的灰度信息提取出来，从而得到每个像素的半局部信息，这种基于块的特征向量的想法在介绍纹理合成时首次提出，后来，Buades等人基于块差异性和非局部平均提出给图像降噪的想法，Gilboa和Osher基于变化的框架提出非局部降噪模型，最后，Bresson和Chan同样基于块之间的差异性提出了一种可变的无监督的分割方法；基于Beltrami框架的特征是图像的一种新的几何表示，它将图像特征看成是镶嵌在高维空间的黎曼流形，这种方法的优点是它允许使用不同的几何工具来进行不同的图像处理(如降噪和分割)，并且能处理任意N维的图像，缺点是对噪声十分敏感。因此，本发明对后两种特征进行结合，通过映射将所提取的基于半局部信息的特征引入Beltrami框架下，从而得到一个抗噪性很强的新的纹理特征。

在图像分割中最广为人知并且最成功的模型就是由Kass，Witkin等人首先提出的活动轮廓模型，它被成功应用于在医学成像中提取解剖结构。但这种模型的缺点是对活动轮廓的初始位置很敏感，并且在目标的凹陷边界处收敛性不好。随后Caselles，kimmel等人对活动轮廓模型进行了改进，提出几何活动轮廓模型(GAC)，该模型在图像分割中能取得较好的分割结果，因此本发明的细分割阶段就采用此种模型。

本发明提出了一种不同于传统分割思路的分割方法，主要分为粗分割和细分割两个阶段。首先，将图像分割成M×M像素的非重叠的块，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，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；最后用几何活动轮廓模型(GAC)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。

发明内容

本发明的主要目的在于，提出一种先粗分割出目标物体再进行细分割的思想，并结合一种基于Beltrami框架和半局部信息的新的纹理特征，将其应用到聚类和图像分割中，得到更加准确的分割结果。

本发明的目的及解决其技术问题是采用的技术方案是：一种基于半局部纹理特征的二阶段图像分割方法，包括以下内容：

设P_x，y是以像素(x，y)为中心，大小为τ×τ的块，则有

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(该假设对大多数的自然图像都是成立的)。这就意味着相同纹理区域的流形的度量张量是相同的，度量张量是用来测量流形上两点之间的距离的一个变量，当某个特定区域的流形几乎呈一个平面时，该区域中任意两点之间的距离都是相等的，再结合半局部图像信息可知由映射(2)得到的流形几乎呈平面，因此该区域有相同的纹理。映射(2)中相应的度量张量定义为：

最后，纹理特征描述子F定义为