基于非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換的ＨＭＴ圖像分割方法技術

本發明專利技術公開了一種基于非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換的ＨＭＴ圖像分割方法，主要解決已有分割方法區域一致性和邊緣保持差的缺點。其步驟為：（１）取待分割圖像和每類的訓練圖像，分別對其進行非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換得到多尺度變換系數；（２）根據訓練圖像的非下采樣Ｃｏｎｔｏｕｒｌｅｔ系數，按照一一對應的父子狀態關系的隱馬爾科夫樹模型，估計模型參數；（３）計算待分割圖像在各尺度系數子帶對應的似然值，使用標記樹融合多尺度似然函數得到多尺度最大后驗概率分類；（４）對每一尺度依次根據上下文信息ｃｏｎｔｅｘｔ－５模型，更新類別標記；（５）結合隱馬爾科夫隨機場模型和待分割圖像相鄰像素空間相關性信息，更新類別標記，得到最終分割結果。本發明專利技術具有區域一致性和邊緣保持性好的優點，可用于合成紋理圖像的分割。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，涉及一種多尺度幾何分析技術在圖像分割領域的應用， 具體地說是一種圖像分割方法，可用于紋理圖像的分割處理。
技術介紹
圖像分割是一種重要的圖像處理技術。在圖像的研究和應用中，人們往往對圖像中的 某些部分感興趣，它們一般對應圖像中特定的、具有獨特性質的區域。為了辨識和分析目 標，需要將它們分離提取出來，在此基礎上才有可能對目標進一歩處理。圖像分割就是把 圖像分成各具特性的區域并提取出感興趣的目標的技術和過程。這里特性可以是像素的灰 度、顏色、紋理等，對應的目標可以對應單個區域或多個區域。近年來，小波分析己廣泛應用于圖像處理和分析中。小波對含點狀奇異的目標函數而 言是最優的基，但對具有直線或曲線狀奇異的函數，小波系數則不是最稀疏的函數表示方 法，所以小波在圖像處理應用中并不能很好地表示圖像中的輪廓邊緣信息。多尺度幾何分 析是為分析二維或更高維奇異性產生的新工具。它致力于構建最優逼近意義下的高維函數 表示方法，能夠更優的表示圖像的邊緣信息，因此被廣泛的應用在圖像處理中。Arthur L Cunha、 JianpingZhou和MinhNDo于2005年提出非下采樣的Contouriet變換，并研究了 相關應用。非下采樣Contourlet變換NSCT是基于非下采樣塔型結構和非下采樣方向濾波帶 分解，經由6trous algorithm實現并生成一種靈活的多尺度，多方向和平移不變的的圖像分解 方法。近年來，隨著多尺度幾何分析理論和方法的提出與發展，人們也提出了許多結合特定 理論、方法和工具的圖像分割技術。隱馬爾科夫樹模型HMT是近年來發展起來并應用于圖 像處理的一種參數統計模型，該模型可以充分挖掘多尺度變換域系數之間的統計特性，從 而將系數分布的求解問題轉化為HMT中對應的隱狀態確定問題。2001年，韓國的Choi提 出小波域隱馬爾科夫樹模型的圖像分割方法。該方法中，HMT模型利用了小波的的多尺度 特性，使系數之間的關系轉變成隱狀態的歸屬問題，并進行了在不同尺度上結合最大后驗 概率對圖像進行分割。該方法的缺點是沒有良好的區域一致性，且邊緣不夠光滑。2005年， 中國的孫強提出一種改進的小波域HMT模型圖像分割方法。其采用了一種新的上下文模 型，結合了父節點鄰域和子節點鄰域的信息進行上下文的融合分割。該方法減少了小波產 生的雜塊信息，增強了邊緣信息，但該方法僅限于遙感圖的分割，有一定的局限性。2005年，中國的沙宇恒等人提出了基于Contouriet域HMT模型的圖像分割方法。該方法對紋理 圖，航拍圖和SAR圖像都有較好的分割結果，其圖像的邊緣信息保持較好，但是對均一區 域分割效果欠佳。
技術實現思路
本專利技術的目的在于克服上述現有技術的不足，提出一種基于非下采樣Contourlet變換的 HMM圖像分割方法，以得到具有較好的均一區域的紋理圖像分割結果。實現本專利技術目的的技術方案是利用非下采樣Contourlet變換對圖像處理的優點，將非 下采樣Contouriet變換系數通過高斯混合模型估計參數，對其按照一一對應的父子狀態關系 的隱馬爾可夫樹建模，利用訓練得到的參數逐步對待分割圖像進行最大似然函數的分類和 最大后驗概率的分類，最后結合馬爾科夫隨機場模型，充分考慮圖像的空間相關性信息處 理，得到最終的分割結果。具體實現過程如下(1) 輸入待分割圖像，從輸入圖像中截取iV類具有均一區域的訓練圖像塊，其中iV為 待分割圖像的類別數；(2) 對每類訓練圖像塊分別進行非下采樣Contourlet變換，得到多尺度的非下采樣 Contourlet變換系數；(3) 采用期望最大化算法對每類訓練圖像塊的非下采樣Contourlet變換系數，按照一一 對應的父子狀態關系的隱馬爾可夫樹模型訓練，得到隱馬爾可夫模型參數 ;(4) 輸入待分割的圖像，對其進行非下采樣Contourlet變換，根據模型參數 ，計算待 分割圖像在各尺度下圖像子塊對應的似然值；(5) 根據各個尺度似然值，采用最大化似然函數算法，得到圖像各尺度上的初分割結果；(6) 利用上下文模型對各個尺度的初分割結果進行修正，即對各尺度采用上下文 context-5模型，通過最大化后驗概率方法對該尺度初分割結果進行類別標記更新，得到各 尺度的修正結果。(7) 對步驟(6)得到的結果，結合隱馬爾科夫隨機場模型，基于待分割圖像的相鄰像素的 空間相關性信息，不斷更新分割的類別，取該分割結果為待分割圖像最終的分割結果。本專利技術由于利用非下采樣Contourlet變換的多尺度，多方向和平移不變的特點，避免引 起吉布斯現象，彌補了小波域隱馬爾科夫樹分割方法對線性奇異的非稀疏的缺點；同時由 于本專利技術基于非下采樣Contourlet變換按照一一對應的父子狀態關系的HMT模型建模，采 用上下文模型對各個尺度的結果進行融合，并且結合馬爾科夫隨機場模型，充分挖掘相鄰 像素的空間相關信息，克服了 Contourlet域隱馬爾可夫樹分割方法分割結果有較差的邊緣保 持性和區域一致性的缺點。仿真結果表明，本專利技術方法較小波域HMT模型分割方法和基于 Contouriet域HMT模型分割方法，對于紋理圖像分割效果有明顯改進。附圖說明圖l是本專利技術的流程示意圖2是本專利技術使用的一一對應的父子狀態關系的隱馬爾可夫樹模型示意圖3是本專利技術使用的上下文模型context-5示意圖4是本專利技術用于第一種兩類合成紋理圖像的仿真分割結果圖圖5是本專利技術用于第二種兩類合成紋理圖像的仿真分割結果圖6是本專利技術用于第一種三類合成紋理圖像的仿真分割結果圖7本專利技術用于第二種三類合成紋理圖像的仿真分割結果圖8是本專利技術用于第三種三類合成紋理圖像的仿真分割結果圖。具體實施例方式參照圖l，本專利技術的具體實現過程如下步驟l，輸入待分割圖像，從輸入圖像中選取W類具有均一區域的訓練圖像塊，其中iV 為待分割圖像的類別數，每幅訓練圖像塊大小為128X128。步驟2，對每類訓練圖像分別進行非下采樣Contouriet變換，采用'maxflat'塔型濾波 器和'diamond maxflat'方向濾波器進行3層變換，每層8個方向子帶，得到多尺度的非下 采樣Contourlet變換系數C,。步驟3,采用期望最大化算法，對每類訓練圖像的非下采樣Contouriet變換系數按照一 一對應的父子狀態關系的隱馬爾可夫樹模型進行訓練，得到隱馬爾可夫模型參數0;如圖2 所示，非下采樣Contourle變換隱馬爾可夫樹模型中，兩個節點場分別描述了在尺度J和J 一1的系數，每個父隱狀態變量連接一個子隱狀態變量，相鄰尺度之間的隱狀態變量是一一 對應的關系。步驟4，輸入待分割的圖像，對其進行非下采樣Contourlet變換，根據隱馬爾可夫模型參數0，求出圖像在各尺度下圖像子塊對應的似然值，具體方法如下假設圖像的非下采樣Contourlet變換的系數子帶獨立，用G)',w，…,(^分別表示k子帶 的參數向量，有m^01,02,…，04，計算<formula>formula see original document page 6</formula> 其中，相似度/(7;M0"的計算式為<formula>formula本文檔來自技高網...

【技術保護點】
一種基于非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換的ＨＭＴ圖像分割方法，包括如下步驟：　（１）輸入待分割圖像，從輸入圖像中截取Ｎ類具有均一區域的訓練圖像塊，其中Ｎ為待分割圖像的類別數；　（２）對每類訓練圖像塊分別進行非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換，得到多尺度的非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換系數；　（３）采用期望最大化算法對每類訓練圖像塊的非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換系數，按照一一對應的父子狀態關系的隱馬爾科夫樹模型進行訓練，得到隱馬爾可夫模型參數Θ；　（４）輸入待分割的圖像，對其進行非下采樣Ｃｏｎｔｏｕｒｌｅｔ變換，根據模型參數Θ，計算待分割圖像在各尺度下圖像子塊對應的似然值；　（５）根據各個尺度似然值，采用最大化似然值的算法，得到圖像各尺度上的初分割結果；　（６）利用上下文模型對各個尺度的初分割結果進行修正，即對各尺度采用上下文ｃｏｎｔｅｘｔ－５模型，通過最大化后驗概率法對該尺度分割結果更新類別標記，得到各尺度的修正結果；　（７）對各尺度得到的結果，結合隱馬爾科夫隨機場模型，基于待分割圖像的相鄰像素的空間相關信息，不斷更新分割的類別標記，取該分割結果為待分割圖像最終的分割結果。

【技術特征摘要】

【專利技術屬性】
技術研發人員：焦李成，李博，侯彪，王爽，馬文萍，張向榮，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：87[中國|西安]