[发明专利]基于Wavelet和Wedgelet变换HMT模型的图像分割方法

摘要

本发明公开了一种基于Wavelet和Wedgelet变换HMT模型的图像分割方法，它涉及图像处理领域。主要解决传统分割方法边缘保持差的缺点。其过程为：提取待分割图像每类的训练图像块，对其多尺度分解小波系数及小波系数的多尺度Wedgelet逼近进行加权平均，根据加权系数估计模型参数Θ，求出待分割图像在各尺度上数据块对应的似然值和每个像素点的似然值，即后融合所需的似然值likelihood_k^c，从而获得各尺度上的初分割结果；选择初分割中最可靠层作为起始尺度，对每个尺度依次根据第一种上下文信息context-1和第二种上下文信息context-2进行后融合分割，直到尺度0为止；取最细尺度的分割结果作为最终分割结果。本发明具有区域一致性和边缘保持性好的优点，可用于合成纹理图像，SAR图像和航拍图像的分割。

主权项

1.一种基于Wavelet和Wedgelet变换HMT模型的图像分割方法，包括如下过程：(1)输入待分割图像，从输入图像中截取Nc类具有均一区域的训练图像块，其中Nc为待分割图像的类别数；(2)对每类训练图像块分别进行小波变换，并对小波变换各个子带的系数分别进行多尺度Wedgelet逼近，对原小波系数和多尺度Wedgelet逼近的系数进行加权平均；(3)采用期望最大化EM算法对每类训练图像块的加权系数进行训练，得到隐马尔可夫模型参数Θ；(4)输入待分割的测试图像，对测试图像进行小波变换，并对小波变换各个子带的系数分别进行多尺度Wedgelet逼近，将原小波系数和多尺度Wedgelet逼近的系数进行加权平均，根据模型参数Θ，求出测试图像在各尺度下图像子块对应的似然值likelihoodl，l＞0，l表示似然值对应的尺度；(5)对每类的训练图像块进行高斯建模，求出测试图像每个像素点对应的似然值likelihood0；(6)根据各个尺度似然值{likelihoodk|k＝0，1，2，...，K}，采用最大化似然值(ML)的算法，得到图像K+1个尺度上的初分割结果，k＝0表示像素级的似然值，k＝K表示最粗尺度的似然值；(7)对各个尺度的初分割结果进行修正，即从初分割的最粗尺度开始，对最粗尺度先采用第一种上下文context-1模型，通过最大化序列的后验概率法对该尺度初分割结果进行二次分割，再利用第二种上下文context-2模型，通过最大化序列的后验概率法对该尺度的二次分割结果进行三次分割，得到最粗尺度的最终分割结果，然后以同样方法进行下一尺度的分割，直到完成最细尺度0的分割停止，取该最细尺度的分割结果为待分割图像最终的分割结果。