[发明专利]一种基于贝叶斯概率与神经网络的图像分割方法

权利要求书

1.一种基于贝叶斯概率与神经网络的图像分割方法，其特征在于，包括以下步骤：

(1)对于图像的每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值；

(2)以该像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素；

(3)设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对M个像素进行聚类，包括中心点的初始化和聚类收敛；

(4)根据聚类结果，选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的像素点作为神经网络的输入数据；

(5)将最终被选取的N个像素点作为神经网络的输入数据，提取判别性特征，根据SVM分类器判断该像素属于前景还是背景，实现图像分割。

2.根据权利要求1所述的基于贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(1)中，对于每一个像素，计算该像素的后验概率能量函数，得到该像素的能量值；利用形态学膨胀的思想将同一区域中邻域像素间的空间关系引入到像素的先验概率分布中,其能量函数E的计算公式为：

其中P为高斯函数，将图像中的像素分为K个类别，需要K个高斯函数作为混合条件概率密度函数，P(Ω_j|x_i)表示后验概率，x_i表示待分类的像素。

3.根据权利要求1所述的基于贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(2)中，以待计算的像素为中心，向该像素的邻域扩展，利用贝叶斯概率计算其相邻像素与该像素的相邻关系，选择后验概率大的M个像素。

4.根据权利要求1所述的贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(3)中，设定高斯分布函数作为被选择的M个像素的条件概率密度函数，然后使用K-means聚类算法对这M个像素进行聚类，包括中心点的初始化和聚类收敛；其中选择K-means++作为中心点的初始化方法，并且选择MacQueen的k-means方法作为聚类收敛的方法。

5.根据权利要求1所述的贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(4)中，根据聚类结果，剔除相关性不大的被选中的像素，具体做法是：选择类别大的一类的聚类中心点为中心，计算N个到该中心最近的点作为神经网络的输入数据；即被选中的N个像素具有大的相关性，能够代表待分类的像素的计算结果。

6.根据权利要求1所述的贝叶斯概率与神经网络的图像分割方法，其特征在于，所述步骤(5)中，将最终被选取的N个像素点输入到神经网络中，提取判别性特征判断该像素属于前景还是背景；其中所述神经网络为一个3层的网络，第一层为90个神经元，第二层为70个神经元，第三层为50个神经元，最后接一个SVM分类器。