[发明专利]基于局部区域一致性流形约束MRF模型的图像分割方法

说明书

本发明公开一种基于局部区域一致性流形约束MRF模型的图像分割方法，基于PairwiseMRF模型，在MRF节点的扩展邻域上构建了基于局部区域MRF模型的图像分割模型，局部区域的先验分布有效地避免了噪音或者纹理突变的干扰；同时基于流形学习理论，建立了概率框架下的流形正则项，利用局部区域概率分布有效描述了自然图像复杂的局部空间几何结构先验，并把这种流形学习描述的局部空间几何结构引入局部区域MRF分割模型中。实验证明，相比现有方法，本发明所述方法不仅避免了局部区域先验的过平滑惩罚，而且有效保持了图像分割的局部几何结构信息。

技术领域

本发明属于图像处理技术领域，特别涉及一种图像分割方法。

背景技术

基于马尔可夫随机场(Markov Random Field，MRF)模型的图像分割方法有广泛的应用，这类分割方法基于图像信息的局部空间相关性，用一个二维随机场模型描述图像的特征信息，基于MRF的图像分割模型增强了结构信息的关联性，这使得自然图像分割的速度和精度都有很大地提高，但是对于具有丰富统计特征的自然图像来说，当前常用的基于点对交互结构的MRF(Pairwise MRF)模型不能充分描述自然图像复杂的统计信息和先验知识，因此，在图像分割问题中，这种基于点对MRF的图像处理算法在图像的区域或者边缘经常出现误分割。

复杂自然图像通常具有高维的非高斯统计特性，要准确构建图像的先验知识需要在扩展邻域上建模图像结构的依赖关系。宋艳涛[宋艳涛,纪则轩,孙权森.基于图像片马尔科夫随机场的脑MR图像分割算法[J].自动化学报,2014(08):1754-1763.]提出了一种基于图像片权重方法的MRF模型，对邻域内不同图像片根据高斯加权欧式距离进行相似性度量，赋予不同的权重，为了克服MRF对图像的过平滑现象,通过平滑K-L(Kullback-Leibler)距离引入先验概率与后验概率关于熵的惩罚项,有效克服了噪声的干扰，保持了图像的细节信息。朱峰等人[朱峰,罗立民,宋余庆等.基于自适应空间邻域信息高斯混合模型的图像分割[J].计算机研究与发展,2011,48(11):2000-2007.]通过局部区域内像素类的中值概率，建立了邻域信息的加权分布，可以有效抑制噪声，并保持边缘，但这种中值概率仍不能完全反映局部区域的特征空间关系。

虽然常规基于局部区域MRF的方法采用距离度量的方式，如欧式距离，K-L散度等引入了图像局部区域的空间信息，并作为局部区域一致性的约束，但是在欧式空间里，表示空间中距离较近的样本点并不一定是在事物本身所处空间中距离最近。因而采用这种距离度量的局部区域MRF方法不能有效描述复杂高维数据的全局一致性特征，造成复杂自然图像的误分割。

发明内容

本发明的目的在于提供一种基于局部区域一致性流形约束MRF模型的图像分割方法，以解决常规基于欧氏空间距离度量技术的区域MRF图像分割模型不能描述复杂高维数据的全局一致性特征问题；本发明能够有效提升图像分割的效果。

为了实现上述目的，本发明采用以下技术方案：

基于局部区域一致性流形约束MRF模型的图像分割方法，包括以下步骤：

步骤1：输入一幅待分割自然图像X＝{x₁,x₂,…x_N}；

步骤2：参数初始化：分割类数K、局部区域先验Potts模型参数β、拉格朗日乘子λ、Gibbs采样算法初始温度T₀；

步骤3：构建表示图像数据流形的局部几何结构的最近邻图G＝(V,E,W)，其中V是顶点集合，E是边的集合，W是图G的权值矩阵；

步骤4：通过图的嵌入来寻找流形的低维表示，把样本数据在高维空间复杂的分布投影到低维空间，利用流形在图像的局部区域与欧式空间的同胚，在局部区域建立降维映射关系，在低维空间建立表示流形的几何结构关系，建立概率框架下的流形正则项；