[发明专利]一种基于新型粒子滤波算法的图像分割方法

权利要求书

1.一种基于新型粒子滤波算法的图像分割方法，其特点在于，包括：

步骤a，针对要分割的图像特点，建立包含转移方程和观测方程的动态空间模型，以目标区域边界上的序列点作为状态量；所述转移方程表示当前时刻与前一时刻之间状态量的关系，所述观测方程反映当前时刻图像分割的效果；

步骤b，采集若干相关图像作为训练图像集，并对其进行预处理，提取出包含目标区域的感兴趣区域；

步骤c，以像素点作为样本单位，根据图像特点，分析并选取具有辨识力的网络输入特征，做归一化处理组建为训练样本；所述网络输入特征包括领域内的灰度值、与中心点之间的距离和对比值；

步骤d，构建深度神经网络模型，取深信度网络，输入训练样本进行训练，并且根据图像分割效果来调节深度网络参数，确定深度网络模型；

步骤e，将待分割图像按照步骤c同样的方式组建为测试样本，输入深度网络模型通过一次前向传播得到初始的分割结果；

步骤f，利用初始分割结果生成粒子群，并采用粒子群优化算法将粒子移动到高似然区域，得到的结果作为粒子滤波的建议性分布；

步骤g，根据建立的动态空间模型，采用含上述建议性分布的新型粒子滤波算法对状态量进行估计，得到最终的图像分割结果。

2.根据权利要求1所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述步骤a具体包括：

步骤a1，确定状态量，将目标分割区域边界上的序列点作为状态量，设序列长度为T,状态量的维度为M，则状态时序确定为{x_t|t∈T},x_t∈R^M；其中，R^M表示M维实数空间；

步骤a2，根据目标分割区域上下边界上的序列点之间的关系确定状态转移模型，设为x_t＝f(x_t-1,w_t-1)，其中w_t-1表示过程噪声；

步骤a3，根据图像分割的评价指标确定观测模型，能够反映图像分割效果，设为y_t＝g(x_t,v_t)，其中v_t表示观测噪声。

3.根据权利要求2所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述步骤d具体包括：

步骤d1，构建基于受限玻尔兹曼机的深信度神经网络模型；所述深信度神经网络模型中输入层节点数与训练样本的输入特征的维数一致，输出层节点数与像素点的分类类别数一致，隐含层层数与节点数根据图像分割效果来确定；

步骤d2，预训练阶段，包括：训练样本输入到输入层，通过逐层训练的方式对各层结构进行训练，低一层隐含层输出作为高一层的输入；

步骤d3，微调阶段，包括：采用有监督学习方式对整个网络进行训练，将实际输出与预期输出的误差逐层向后传播，对深度神经网络的参数进行微调；

步骤d4，根据图像分割效果调节和优化网络参数，完成深度神经网络的训练。

4.根据权利要求3所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述步骤f包括：

步骤f1，初始化粒子种群大小、粒子速度v_i和粒子位置x_i，并且设置粒子群优化算法中的迭代次数和最大速度参数；其中粒子的初始位置由深度学习得到的初始分割结果确定；

步骤f2，目标函数采用步骤a中的观测方程，此时某粒子对应的目标函数值越大，说明该粒子所处的位置越接近全局最优值；

步骤f3，不断迭代更新每个粒子的速度和位置，表达式如下：

x_ij(k+1)＝x_ij(k)+v_ij(k+1) (2)

其中，ω表示惯性权重，c₁、c₂表示加速因子，r₁、r₂表示位于区间[0,1]之间的随机数，p_ij(k)表示第i个粒子的第j维向量的个体最优值，p_gj(k)表示第j维向量的全局最优值；

步骤f4，迭代结束，获得所有粒子的位置，将其作为新型粒子滤波算法的建议性分布。

5.根据权利要求4所述的基于新型粒子滤波算法的图像分割方法，其特征在于，所述包括g具体包括：

步骤g1，初始化粒子集，对于i＝1,2,...,N，由先验生成采样粒子其中，表示第i个粒子的初始状态；

步骤g2，对于i＝1,2,...,N，从深度学习结合粒子群的建议性分布中采样得到并根据方程(3)计算重要性权重：

其中，表示第i个粒子t时刻的状态，y_1:t表示观测量，表示观测概率密度函数，表示转移概率密度函数，表示重要性概率密度函数；

步骤g3，对于i＝1,2,...,N，对重要性权重进行归一化，得到

步骤g4，重采样；

步骤g5，根据方程(4)估计每个时刻的状态量，获得最终的分割结果，表达式如下：