[发明专利]基于特征选择和隐马尔科夫模型的图像分割方法

摘要

本发明公开了一种基于特征选择和隐马尔科夫模型的图像分割方法。其过程为：提取待分割图像纹理对应的图像块，提取其对应的训练特征集；求其模型参数θ_j^c；分别求出待分割图像在多尺度分解对应的各尺度上数据块对应的似然值和待分割图像像素点对应的似然值，并将该两者组合，得到最终融合所需的似然值likelihood_k^c；求出各尺度上的初分割结果；先后采用context－2和context－6进行图像多尺度后融合分割；取尺度0上的结果作为最终分割结果；本发明目的在于解决传统的基于隐马尔科夫模型的图像分割方法中对于图像信息的利用不够充分以及后融合时指导图像分割的背景不能够充分保留细尺度上边缘信息的缺点，可用于合成孔径雷达SAR图像、遥感图像、自然纹理图像的分割。

主权项

1.一种基于特征选择和隐马尔科夫模型的图像分割方法，包括如下过程：(1)输入待分割图像，从待分割图像中截取N_c种纹理对应的训练图像块，N_c表示待分割图像中对应的纹理类数；(2)利用HMT或IMM模型时，求出每一训练图像块对应的最终训练特征集为：{featuresubband/subbandj|subband=1,2,...,B/subbandj=1,2,...,Bj}jc,]]>j＝1，2，...J，c＝1，2，...，N_c其中：j为多尺度分解对应的尺度，J为多尺度分解对应的最大尺度；subband为提取的训练特征集中的某一个特征下标，B为提取的训练特征的总数目，对应HMT模型的训练特征下标；subband_j为尺度j上提取的训练特征集中的某一个特征下标，B_j为尺度j上提取的训练特征的总数目，对应IMM模型的训练特征下标；c表示待分割图像类数对应的每一类纹理的类标；(3)采用期望最大化EM算法对训练特征集进行训练，得到与训练特征集对应的隐马尔科夫模型参数θ_j^c，j＝1，2，...J，c＝1，2，...，N_c；(4)根据所求的模型参数θ_j^c，求出待分割图像在多尺度分解对应的各尺度上每一数据块d对应的似然值likelihood_j^c，j＝1，2，...J，c＝1，2，...，N_c；(5)提取训练图像块中以每一像素点为中心的大小为M×M的窗口内的均值和方差，并与当前像素值一起作为其对应的训练特征集，对特征进行有限混合高斯建模求出模型参数，并根据所求的参数，求出待分割图像每一像素对应的似然值likelihoo₀^c，c＝1，2，...，N_c，0表示待分割图像像素级对应的尺度；(6)将所述的待分割图像在多尺度分解对应的各尺度上每一数据块d对应的似然值likelihood_j^c，与所述的待分割图像每一像素点对应的似然值likelihood₀^c相组合，得到最终融合所需的似然值likelihood_k^c，k＝0，1，2...J，其中k＝0表示融合尺度对应的最细尺度，k＝1表示融合尺度最细尺度的上一较粗尺度，以此类推，直到k＝J表示融合尺度对应的最粗尺度；(7)采用最大化似然值ML算法：得到图像J+1个尺度上的初分割结果类标图；(8)根据父尺度对下一孩子尺度的影响，组成一个背景向量V：context-2，采用最大化序列的后验概率SWAP方法，指导图像从尺度J到尺度0的融合分割，重复执行2次，得到多尺度分割结果；(9)根据下一孩子尺度对父尺度的影响，组成一个新的背景向量V：context-6，采用SWAP方法，指导图像从尺度J到尺度0的融合分割，重复执行2次，得到多尺度分割结果，取尺度0对应的分割结果作为最终分割结果。