[发明专利]一种EM算法二维直方图聚类的方法及装置

说明书

本发明公开了一种EM算法二维直方图聚类的方法及装置，通过对二维直方图建立二维高斯混合模型，计算混合分量的个数与各个分布的权重并转换二维高斯混合模型，二维高斯混合模型根据类属标签采用贝叶斯后验概率计算隐含类别，只要给定混合模型的个数，可以自动收敛得到多阈值分类的结果，随着混合模型个数的增加，区域分类越来越精细，特征分类越来越明显，在噪声图像和多目标图像中的分类效果很好。

技术领域

本公开涉及图像处理领域，具体涉及一种EM算法二维直方图聚类的方法及装置。

背景技术

二维直方图是在一维直方图的基础上考虑邻域后的二维分布，由于二维直方图既反映了图像的灰度分布，又能体现像素点与其邻域的空间相关信息，具有较好的抗噪性，因此受到了很多关注。利用二维直方图进行阈值分割，最大类间方差法和最大熵法应用得最多，但仅是单阈值分割，没有扩展到多阈值，满足不了多阈值多目标的复杂图像分割需求。现在的萤火虫和二维熵结合的算法寻找多阈值，由于反复迭代，计算耗时费力。考虑到直方图是一个典型的统计量，往往呈现双峰或多峰状态，直方图的形状可以看做是多个高斯分布的叠加，混合高斯模型可以描述这种多态情况。二维直方图比一维直方图的抗噪声能力强，直方图阈值是图像分割的重要依据，二维直方图因为考虑了每个像素的邻域相关信息，对噪声图像的分割效果更好。有别于传统的最大类间方差及最大熵阈值法。图像分割就是将一幅图像划分成若干聚类区域，每个区域都有相似的特性。在众多的图像分割方法中，直方图阈值法因其简单高效备受注意。它的基本思想是目标和背景分布在直方图灰度轴的两端，只要找到这个分割点，就可以进行图像分割，最大类间方差法(大津OTSU)、最大熵法、模糊聚类、期望最大(EM)值法等，都是典型的阈值分割方法。随着研究的深入、应用领域的扩大，阈值分割算法也在不断进化，出现了多阈值分割、融合目标特征的分割、以及利用二维直方图的多维度分割算法等。

发明内容

本公开提供一种EM算法二维直方图聚类的方法及装置，用二维GMM拟合二维直方图曲线，采用EM算法获取GMM的分布参数，利用多个高斯分布的叠加对直方图进行逼近，得到聚类的高斯混合模型，由此高斯混合模型进行聚类。

为了实现上述目的，根据本公开的一方面，提供一种EM算法二维直方图聚类的方法，所述方法包括以下步骤：

步骤1，获取图像的二维直方图；

步骤2，对二维直方图建立二维高斯混合模型；

步骤3，计算混合分量的个数与各个分布的权重，并转换二维高斯混合模型；

步骤4，二维高斯混合模型根据类属标签采用贝叶斯后验概率计算隐含类别；

步骤5，根据Jensen不等式计算二维混合高斯模型的似然函数；

步骤6，获取所有分布得到类属更新分布；

步骤7，重复执行步骤4直到计算出所有类别。

进一步地，在步骤1中，所述获取图像的二维直方图的方法为，输入一个的图像，所述图像的图像矩阵为m行n列，根据每个像素本身的灰度值，计算每个像素的邻域平均灰度值，由每个像素本身的灰度值和邻域平均灰度值构成了二维坐标系；

设任意像素点p在坐标(x，y)处的灰度值为f(x，y)，取p的8-邻域(N8)平均灰度值g(x，y)，二者的值域都在[0,L]之间；

根据公式计算邻域灰度，即获取到二维直方图，式中w是以p点为中心的滤波掩膜,