一种基于谱聚类和混合模型聚类的图像分割方法技术

本发明专利技术属于谱聚类和混合模型聚类的图像分割领域，具体涉及一种基于谱聚类和混合模型聚类的图像分割方法。本发明专利技术包括：读入一幅图像，将图像划分为固定大小相互不重叠的区域；将每个划分区域视为一幅单独的图像，采用N-Cut算法进行过分割，将原图像的像素描述方式，转变为图像的局部区域描述方式；将每个过分割区域内像素视为来源于同一模型分量迭代过程，似然函数；由后验概率获得图像最终的分割结果；输出分割图像。本发明专利技术所提出的算法对两种广泛使用的分割方法进行有效的无缝连接，采用优势互补原则，消除了彼此的局限性，提高了算法的有效性和实用价值。

【技术实现步骤摘要】

本专利技术属于谱聚类和混合模型聚类的图像分割领域，具体涉及一种基于谱聚类和 混合模型聚类的图像分割方法。
技术介绍
图像分割是图像分析中一个关键性的基础步骤，分割结果直接影响到后续图像识 别以及语义内容的分析。在众多的图像分割方法中，有两种最为常见的分割方法，一个是基 于像素统计特性的聚类方法，另一个是基于邻近像素相似性的谱聚类方法。 统计聚类中的代表为高斯混合模型，期望最大化（ExpectationMaximization， EM)算法为模型参数提供了一种简单有效的最大似然迭代估计方法。但有限混合模型以像 素的独立假设为前提，将其直接应用于图像分割，由于聚类过程只考虑了像素的统计特性， 而没有考虑像素间的空间位置信息，导致同一物体区域的像素可能具有完全不同的类别标 识，因此，独立混合模型有可能造成分割区域的空间混杂现象。为了在独立混合模型中引入 像素空间位置的相关性，通常是将马尔科夫随机场（MarkovRandomField，MRF)施加在混 合模型中标识像素模型来源的隐含变量上，或施加在每个像素位置处作为选择模型分量的 先验概率上，但由于参数之间的耦合性，导致混合模型的参数无法直接求解，使分割过程的 运算复杂度激增，算法效率明显降低。 谱聚类方法较好的考虑了邻近像素的相关性，其代表性算法为N-Cut，带来的问题 是需要较大的时空开销，例如对于一幅分辨率为NXN的图像来说，涉及到对一个N2XN2的 亲和矩阵的存储和计算。由于采用了图的分割方式，谱聚类涉及到的另一个问题就是图像 中的完整物体常常被任意分裂为多个区域，为了处理这个问题，同时也为了避免分割过程 中出现欠分割现象，经常采用过分割方式，而这种过分割发展到一定程度，就导致了超级像 素（superpixel)的出现。因此还得需要一个合理的有效的后续处理步骤，对过分割的区 域或超级像素进行融合。 本专利将这两种常用的算法相融合，采用优势互补方式，消除彼此的局限性，进而 获得合理的图像分割结果。
技术实现思路
本专利技术的目的在于提供一种采用优势互补方式，消除彼此的局限性，进而获得合 理的图像分割结果的基于谱聚类和混合模型聚类的图像分割方法。 本专利技术的目的是这样实现的： (1)读入一幅图像，将图像划分为固定大小相互不重叠的区域； (2)将每个划分区域视为一幅单独的图像，采用N-Cut算法进行过分割，将原图像 的像素描述方式x= {Xl，x2，…，xN}，转变为图像的局部区域描述方式X= {Xi，X2，…，XM}; (3)将每个过分割区域内像素视为来源于同一模型分量，建立相应的高斯混合模 型； (4)采用机器学习中的EM算法来完成模型的参数求解过程： (4. 1)求取每个分割区域来源于每个模型分量的后验概率【主权项】1. ，其特征在于，包括如下步骤： (1) 读入一幅图像，将图像划分为固定大小相互不重叠的区域； (2) 将每个划分区域视为一幅单独的图像，采用N-Cut算法进行过分割，将原图像的像 素描述方式X= ，转变为图像的局部区域描述方式X= {Xi，X2，…，XM}; (3) 将每个过分割区域内像素视为来源于同一模型分量，建立相应的高斯混合模型； (4) 采用机器学习中的EM算法来完成模型的参数求解过程： (4. 1)求取每个分割区域来源于每个模型分量的后验概率角标t代表迭代次数，n={upjt2，…，jtk}代表混合分量的先验概率，k为混合分量 的数目，则对每个k=l，2…，K，满足0彡3ik<l，且；Z= {Zl，z2，…zM}代表分割 区域中观测值的模型来源，如果第k个分量生成了第i个分割区域中观测值，则= 1，否则 zf=〇 ; 0 = ( 0 0 2, . . .，0K)为模型的参数向量，分量高斯分布的参数0 k= (yk，2k)， 其中yk为均值向量，sk为协方差矩阵； (4. 2)对每个模型分量k，求取每个混合分量的先验概率Jrk，通过对似然函数的最大化，求取混合分量的模型参数yk和2k，作为新的参数估计值：(5) 重复执行步骤（4)迭代过程，似然函数:不再有明显变化为止，即取两次 迭代的差值小于1〇_5; (6) 由后验概率p(k|Xi，nw，0W)获得图像最终的分割结果，用l(Xi)代表分割区域 Xi的分割标识，(7) 输出分割图像。【专利摘要】本专利技术属于谱聚类和混合模型聚类的图像分割领域，具体涉及。本专利技术包括：读入一幅图像，将图像划分为固定大小相互不重叠的区域；将每个划分区域视为一幅单独的图像，采用N-Cut算法进行过分割，将原图像的像素描述方式，转变为图像的局部区域描述方式；将每个过分割区域内像素视为来源于同一模型分量迭代过程，似然函数；由后验概率获得图像最终的分割结果；输出分割图像。本专利技术所提出的算法对两种广泛使用的分割方法进行有效的无缝连接，采用优势互补原则，消除了彼此的局限性，提高了算法的有效性和实用价值。【IPC分类】G06T5-00【公开号】CN104778666【申请号】CN201510175602【专利技术人】刘咏梅 【申请人】哈尔滨工程大学【公开日】2015年7月15日【申请日】2015年4月14日本文档来自技高网...

【技术保护点】
一种基于谱聚类和混合模型聚类的图像分割方法，其特征在于，包括如下步骤：(1)读入一幅图像，将图像划分为固定大小相互不重叠的区域；(2)将每个划分区域视为一幅单独的图像，采用N‑Cut算法进行过分割，将原图像的像素描述方式X＝{x1,x2,…,xN}，转变为图像的局部区域描述方式X＝{X1,X2,…,XM}；(3)将每个过分割区域内像素视为来源于同一模型分量，建立相应的高斯混合模型；(4)采用机器学习中的EM算法来完成模型的参数求解过程：(4.1)求取每个分割区域来源于每个模型分量的后验概率p(k|Xi,Π(t),Θ(t))=πkΠxj∈Xifk(xj|θk)Σl=1KπlΠxj∈Xifl(xj|θl);]]>角标t代表迭代次数，Π＝{π1,π2,…,πK}代表混合分量的先验概率，K为混合分量的数目，则对每个k＝1,2…,K，满足0≤πk≤1，且Z＝{z1,z2,…zM}代表分割区域中观测值的模型来源，如果第k个分量生成了第i个分割区域中观测值，则否则Θ＝(θ1,θ2,...,θK)为模型的参数向量，分量高斯分布的参数θk＝(μk,Σk)，其中μk为均值向量，Σk为协方差矩阵；(4.2)对每个模型分量k，求取每个混合分量的先验概率πk，πk(t+1)=1MΣi=1Mp(k|Xi,Π(t),Θ(t));]]>通过对似然函数的最大化，求取混合分量的模型参数μk和Σk，作为新的参数估计值：μk(t+1)=Σi=1Mp(k|Xi,Π(t),Θ(t))μXi(t+1)Σi=1Mp(k|Xi,Π(t),Θ(t));]]>其中μXi(t+1)=Σxj∈XixjNXi,]]>Σk(t+1)=Σi=1Mp(k|Xi,Π(t),Θ(t))ΣXi(t+1)Σi=1Mp(k|Xi,Π(t),Θ(t));]]>(5)重复执行步骤(4)迭代过程，似然函数不再有明显变化为止，即取两次迭代的差值小于10‑5；(6)由后验概率p(k|Xi,Π(t),Θ(t))获得图像最终的分割结果，用l(Xi)代表分割区域Xi的分割标识，L(Xi)=argmaxkp(k|Xi,Π(t),Θ(t));]]>(7)输出分割图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘咏梅，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23