[发明专利]一种基于新型粒子滤波算法的图像分割方法

说明书

本发明提出一种基于新型粒子滤波算法的图像分割方法，包括：针对要分割的图像特点，建立相应的动态空间模型；采集训练图像，对其进行预处理，提取感兴趣区域；以像素点作为样本单位，选取网络输入特征，组建训练样本；构建深度神经网络模型，完成深度网络训练，输入测试样本得到初始分割结果；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，将得到的结果作为粒子滤波的建议性分布；采用上述建议性分布的新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。本发明采用深度学习和粒子群优化算法产生建议性分布，有效解决了粒子退化问题，能够获得较好的图像分割效果，具有较强的应用性和鲁棒性。

技术领域

本发明涉及图像处理和智能算法技术领域，具体是一种基于新型粒子滤波算法的图像分割方法。

背景技术

粒子滤波通过蒙特卡洛模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型描述的非线性系统，由于其具有简单、易实现等特点，目前已经广泛应用于目标跟踪、信号处理、自动控制以及图像分割等领域。然而，传统的粒子滤波采用转移概率密度函数生成建议分布，并没有考虑最新观测数据提供的信息，从中抽取的样本与真实后验分布产生的样本存在一定的偏差，从而造成粒子的退化。

发明内容

本发明的目的在于克服现有技术之不足，提出一种基于新型粒子滤波算法的图像分割方法，所述方法将图像分割问题转化成状态估计问题，算法采用深度学习和粒子群优化算法产生建议性分布，能够有效解决滤波中粒子退化的问题，得到较为准确的状态估计，从而实现图像分割。

本发明解决其技术问题所采用的技术方案是：

一种基于新型粒子滤波算法的图像分割方法，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。

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。