[发明专利]基于局部区域一致性流形约束MRF模型的图像分割方法

摘要

本发明公开一种基于局部区域一致性流形约束MRF模型的图像分割方法，基于PairwiseMRF模型，在MRF节点的扩展邻域上构建了基于局部区域MRF模型的图像分割模型，局部区域的先验分布有效地避免了噪音或者纹理突变的干扰；同时基于流形学习理论，建立了概率框架下的流形正则项，利用局部区域概率分布有效描述了自然图像复杂的局部空间几何结构先验，并把这种流形学习描述的局部空间几何结构引入局部区域MRF分割模型中。实验证明，相比现有方法，本发明所述方法不仅避免了局部区域先验的过平滑惩罚，而且有效保持了图像分割的局部几何结构信息。

主权项

基于局部区域一致性流形约束MRF模型的图像分割方法，其特征在于，包括以下步骤：步骤1：输入一幅待分割自然图像X＝{x1,x2,…xN}；步骤2：参数初始化：分割类数K、局部区域先验Potts模型参数β、拉格朗日乘子λ、Gibbs采样算法初始温度T0；步骤3：构建表示图像数据流形的局部几何结构的最近邻图G＝(V,E,W)，其中V是顶点集合，E是边的集合，W是图G的权值矩阵；步骤4：通过图的嵌入来寻找流形的低维表示，把样本数据在高维空间复杂的分布投影到低维空间，利用流形在图像的局部区域与欧式空间的同胚，在局部区域建立降维映射关系，在低维空间建立表示流形的几何结构关系，建立概率框架下的流形正则项；步骤5：基于pairwise MRF模型，在扩展邻域上建模图像结构的依赖关系，表达更复杂的图像区域特征，建立基于区域的MRF能量分割模型；利用拉格朗日乘子法，引入图像局部区域一致性流形约束项，得到局部区域一致性流形约束MRF图像分割模型；步骤6：采用期望最大化算法估计本发明提出局部区域一致性流形约束MRF图像分割模型的GMM参数步骤7.采用Gibbs采样算法对局部区域一致性流形约束MRF分割模型进行优化，并输出图像分割结果。