[发明专利]一种结合邻域信息与距离权重的非参贝叶斯过分割方法

说明书

本发明公开了一种结合邻域信息与距离权重的非参贝叶斯过分割方法，该方法包括如下步骤：首先采集待测区域的全色遥感影像或灰度图像，进行局部直方图特征提取，获得以每个像素(i)为中心，以一定尺寸的窗口提取的直方图(hi)作为特征；然后根据所述直方图特征运用采样的方式进行图像聚类，获得过分割体；其中所述直方图的横轴为该图像中所有像素的像素值组成的序列；纵轴为一定尺寸的窗口中各个像素值出现的次数；最后运用采样的方式，对所述全色影像进行图像聚类，获得全色影像过分割体，包括：运用采用第一公式，计算参数向量θ_i的似然项F(hi|θ_i)。该方法充分有效的利用全色影像中的空间距离信息及像素邻域信息，提升了其的客观性与科学性。

技术领域

本发明涉及图像分割技术领域，具体为一种结合邻域信息与距离权重的非参贝叶斯过分割方法。

背景技术

图像分割作为计算机视觉领域的基本问题，是图像理解的重要组成部分。与此同时，它在图像处理、模式识别和人工智能等多个领域也扮演了重要角色。

近年来，过分割体作为一种快速兴起的图像预处理技术被成功应用于图像分割领域。从本质上讲，过分割就是对图像中的像素进行局部聚类。由于自然图像非常复杂，而单个像素所包含的信息又非常有限，将图像中的像素聚为小块，并将其作为后续的处理单元，不仅可以大大提高后续任务的执行效率，而且过分割体利用像素之间特征的相似程度将像素分组，相比像素可以获取图像更多的局部信息，因此可以较大的提高后续任务执行效果，在很大程度上降低了后续图像处理任务的复杂度。不仅如此，由于过分割结果中的每一类中的像素具有相似的颜色、纹理等图像内容信息，从而使得分割结果可以保持图像中物体的大部分边界，因此在图像处理和计算机视觉领域被广泛应用。

现有的过分割方法有基于图论的自上而下的全局分割方法；有从初始粗聚类开始的梯度下降方法；有将图像均匀划分成所需的过分割体作为算法初始化的边界优化方法；还有由内向外基于水平集的国风人体生成算法；但是上述方法所生成的过分割结果很大程度上依赖于对图像的初始化以及关键参数的设置。针对不同的生产、实验需求，现有方法对图像的初始化状态和参数的设定存在较强的人为主观性。另外，例如自下而上的多尺度分割方法对于过分割区域对象的分割尺度，形状因子，紧致度因子等参数都需要用户自行输入以保证分割结果的可靠性。

发明内容

本发明的目的在于提供一种结合邻域信息与距离权重的非参贝叶斯过分割方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种结合邻域信息与距离权重的非参贝叶斯过分割方法，该方法包括如下步骤：

首先采集待测区域的全色遥感影像，进行局部直方图特征提取，获得以每个像素i为中心，以一定尺寸的窗口提取的直方图h_i作为特征；然后根据所述直方图特征运用采样的方式进行图像聚类，获得过分割体；

其中所述直方图的横轴为该图像中所有像素的像素值组成的序列；纵轴为一定尺寸的窗口中各个像素值出现的次数；

最后运用采样的方式，对所述全色遥感影像进行图像聚类，获得全色遥感影像过分割体，包括：

运用第一公式，计算参数向量θ_i的似然项F(h_i|θ_i)；

所述第一公式为：

其中，θ_ij是每个像素i直方图特征中每个横坐标值j出现的概率；h_ij为一定尺寸的窗口生成的直方图中各个像素值出现的次数；N_counts为每个直方图横坐标中记录的数据值的个数；N_bins为直方图横坐标分组的数目；Z_M(h_i)为与θ_ij无关的归一化函数；