[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

说明书

本发明公开一种基于贝叶斯概率与神经网络的图像分割方法，包括：为每个像素定义一个后验概率能量函数，通过利用基于贝叶斯概率计算的形态学膨胀方法对每个像素的相邻像素进行计算，然后对该像素的进行膨胀，使具有相似或者相同的后验概率分布的像素作为对分割分类的神经网络的输入。通过将该像素及其自适应的相邻像素输入到一个多层的神经网络中，提取判别性的特征判断是否为待分割图像的前景或背景，达到有效分割的效果。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种基于贝叶斯概率与神经网络的图像分割方法。

背景技术

目前，摄像设备已经普及到了各种应用场合，随之产生了海量的图像数据。与之同时，计算机视觉，图像处理技术广泛地应用到多个领域。图像分割方法作为一种提取感兴趣的图像区域信息的方法也被应用到各种场景中，对这种技术的需求量广泛。图像分割技术就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，并且已经成为从图像处理到图像分析的关键步骤。经过了多年的技术发展与更新，图像分割逐步形成了自己的科学体系，已然成为了一个跨学科的领域，并且引起了各个领域的研究和应用人士的广泛关注，如医学领域，航空航天遥感领域，工业检测，安防与军事领域等。

图像分割算法有基于边缘检测的图像分割方法，根据图像中相邻区域边界部分灰度值的不连续性来包括各种梯度算子、二阶导数算子、canny算子等。基于区域相似性的图像分割方法，此方法基于图像中属于同一目标的像素存在某种图像特征上的一致性这样一个假设。基于图像阈值分割方法包括基于直方图形状的阈值分割，基于聚类的阈值分割，基于熵的阈值分割，基于属性相似性的阈值分割，基于空间信息的方法，基于局部信息的动态阈值分割。

然而，在这些分割算法中还存在一些尚未完全解决的问题，这些问题影响了基于图像分割方法在实际应用中发挥其固有的优势。其一，在硬划分分割算法中，高精度与低计算复杂度往往是一对矛盾。其二，制约图像分割中应用的一个主要因素是算法对图像中噪声干扰的抑制能力。

收到上面两点的约束，上述方法大多不能在图像分割上取得很好的效果，需要对这些方法优化。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于贝叶斯概率与神经网络的图像分割方法。本方法引入了待分割像素的空间信息将对噪声的干扰具有更强的抑制能力，达到更好的图像分割效果。

为了达到上述目的，本发明采用的技术方案是：

一种基于贝叶斯概率与神经网络的图像分割方法，包括如下步骤：

(1)对于图像每一个像素，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个到该中心最近的点作为神经网络的输入数据。

(5)将最终被选取的N个像素输入到神经网络中，提取判别性特征判断该像素属于前景还是背景。

优选的，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。能量函数的计算公式为

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。