[发明专利]利用增量字典学习与稀疏表示进行图像分割的方法

摘要

本发明公开了一种利用增量字典学习与稀疏表示进行图像分割的方法，主要解决现有技术在类别间相似度增大时稀疏表示分割结果正确率降低较快的问题。其实现过程是：首先通过K均值算法得到待分割图像K类的聚类结果；然后将每类结果中的一部分做为训练样本集，训练得到K个字典；再利用字典对每个未知标签的特征点做稀疏表示，得到K个稀疏表示误差；利用稀疏表示误差的大小进行分类，在这个分类结果的基础上选择进行增量学习的训练样本集，重新训练得到K个字典；再利用字典对每个输入信号做稀疏表示，得到K个稀疏表示误差；利用误差进行图像的最终分割。本发明与现有的技术相比显著提高了图像的分割性能，可用于目标检测与背景分离。

主权项

1.一种利用增量字典学习与稀疏表示进行图像分割的方法，包含以下步骤：(1)输入一幅N×N的待分割图像，对该待分割图像依次进行三层小波变换、提取待分割图像的小波特征以及计算灰度共生矩阵，并从灰度共生矩阵中提取灰度共生特征，得到每个点对应的10×1维的小波特征向量以及12×1维的灰度共生特征，组成特征向量总维数为22×1，大小为22×N²维的特征矩阵M，所述的灰度共生特征包括在0°，45°，90°，135°四个方向上的角二阶矩f₁、同质区f₂和对比度f₃三个统计量，在4个方向上分别计算这些统计量，得到特征数据v＝(f₁，，f₂，…，f₁₂)；(2)利用特征矩阵M，用K均值算法对待分割图像进行聚类，将其分成K类，并从这K类点所对应的特征向量中分别选取50％的特征向量作为对应的K个训练样本集Y＝Y₁，Y₂...Y_K，Y_i是从第i类特征向量中选取的50％的特征向量，i＝1，2，L，K；(3)利用KSVD算法解式：得到目标训练字典D＝[D₁，D₂...D_K]，D_i是第i类训练样本集Y_i训练得到的字典，i＝1，2，L，K式中，X为稀疏系数矩阵，min||·||表示让括号里面的值达到最小，Subject to表示约束条件，为任意第i列，X_i为稀疏系数矩阵的第i列，||·||₀为向量的0范数，为矩阵的2范数的平方，T₀为稀疏度控制系数；(4)利用BP算法解式：min||X_i||Subject to M_j＝D_iX_i，i＝1，2，L，K，更新K个稀疏系数矩阵X＝[X₁，X₂...X_K]，X_i是第i类字典对应的稀疏系数矩阵，i＝1，2，L，K，式中，M_j为特征矩阵中M的第j个列向量，即为特征向量，j＝1，2，L，N²，N²为待分割图像的维数；(5)利用identify(M_j)＝min{M_j-D_iX_i}，i＝1，2，L，K分别计算特征向量M_j在K类字典下的稀疏表示误差，将特征向量M_j对应的点分到使稀疏表示误差值最小的字典所对应的那一类中去，式中，identify(M_j)为特征向量M_j所属的类别；(6)重复步骤(5)直到图像中所有的点都分类完毕，根据像素点所属的类别，对图像进行分割，得到K类初始分割结果；(7)在K类初始分割结果中，根据已有标签，将分割结果中分类正确的点选出来，在这些分类正确的点中，当该点与其邻域窗口内的点类别一致时，选择该点对应的特征向量作为该类的训练样本，将每一类选取样本总数的50％作为训练样本，得到K类训练样本集合Y′₁，Y′₂...Y′_K；(8)重复步骤(3)到步骤(6)，得到图像最终分割结果，并用不同的颜色将不同类别的像素点表示出来。