一种基于分层高阶条件随机场的图像分割方法技术

一种基于分层高阶条件随机场模型的图像分割方法，首先对目标图像提取多类纹理特征，构建像素级的一元势函数和成对势函数；再使用无监督分割算法获得不同粒度的超像素片段；设计各粒度层对应超像素级的一元势函数和成对势函数；构建分层高阶条件随机场模型；利用人工标记样本，监督学习分层高阶条件随机场模型参数；最后对待测试的图像，经过模型推理获得最终的分割标记结果；本发明专利技术采用的分层高阶条件随机场模型融合了图像的多特征纹理信息和多层超像素分割信息，能够有效地提高图像中多目标对象的边界分割准确性。

【技术实现步骤摘要】

本专利技术涉及图像分割
，具体涉及一种基于分层高阶条件随机场的图像多 目标分割方法。
技术介绍
图像分割是计算机视觉领域中的一个关键问题。图像分割质量对后续的图像内容 分析、模式识别等应用有着重要的影响。目前的图像分割算法主要包括以下几类：1)基于 阈值的图像分割。该类方法适合于目标和背景拥有不同灰度级范围的目标图像。2)基于区 域的图像分割。其思想是依据具有相似特性的像素，通过区域生长与区域合并的图像分割 技术。3)基于形变模型的分割。此类方法需要给出待分割对象的初始封闭分割曲线，再在 一些启发式信息的作用下，曲线逐步变形到目标对象的边界处。4)基于概率图模型的图像 分割。针对实际中的噪声图像数据，该类技术利用概率图模型对自然图像中的统计信息以 及先验知识准确建模，是目前针对不确定图像数据分割的最有效方法。 基于条件随机场的概率图模型图像分割方法已成为图像分割领域一个研究热点。 然而，此前方法大多基于像素级特征的条件随机场建模，忽略了图像中目标对象的边界 信息，分割结果往往过于追求像素间的平滑。毛凌等提出一种新的高阶条件随机场模 型，将基于目标检测方法得到的全局形状信息和基于像素级特征的条件随机场模型统一在 一个概率模型框架中，同时完成图像分割、目标检测与识别的任务，提升了图像分割的识别 率。超像素是对图像的一种中层表示单位，相比于像素具有高层的语义。基于超像素的条 件随机场模型的基本思想是，首先通过无监督分割算法将图像过分割成小的区域像素 块（超像素），然后以超像素为节点、空间相邻的超像素节点为边连接建立图模型。虽然该 方法具有运行速度快的特点，但是类似基于超像素的条件随机场模型通常强制了一个 超像素内所有像素的分类标签的一致性，导致了分割结果严重依赖于无监督分割算法的优 劣。例如若超像素分割粒度不合适，一个超像素内可能同时包含了不同目标，往往最后的分 割准确率还不如基于像素的条件随机场模型。 McCallum A1Ghamrawi N. Collective Multi-Label Classification. Proceedings of ACM International Conference on Information&Knowledge Managemen，2005:195-200. 毛凌，解梅.基于高阶条件随机场模型的图像语义分割.计算机应用研究， 2013,30(11) :3514-3517. 张微，汪西莉.基于超像素的条件随机场图像分类.计算机应用，2012,32(5): 1272-1275. 吴士林，耿佳佳，朱楓等.基于区域的多类目标识别与分割算法研究.中国图 象图形学报，2011，16(9) :1607-1614.
技术实现思路
为了解决上述现有技术存在的问题，本专利技术采用一种基于分层高阶条件随机场的 图像分割方法，使其能够融合图像的像素级和超像素级的信息。结果显示针对图像的多目 标分割，分层高阶模型可以提高分割对象边界的准确性。 为达到以上目的，本专利技术采用如下技术方案： ，在构建条件随机场的底层能量函 数方面：首先提取图像的像素级特征，包括纹理特征、颜色特征、尺度不变特征变换特征和 局部二值模式特征，利用这些像素级特征训练分类器，把分类器对像素分类的输出值转化 为概率表达，构造像素级的一元势函数；再利用邻域像素颜色差异的边界特征定义像素级 的成对势函数；在构建条件随机场的中层能量函数方面：首先利用无监督分割算法得到不 同分割粒度的超像素结果；再提取超像素特征构建超像素级的一元势函数和成对势函数； 综合利用图像的像素级的一元势函数和成对势函数以及超像素级的一元势函数和成对势 函数构建分层高阶条件随机场模型；进而利用人工标注的样本，通过逐层监督学习的方法 估计模型参数；最后对目标图像应用图割算法推理得到最终的图像分割标记。 所述的利用无监督分割算法得到不同分割粒度的超像素结果，具体方法为：先将 图像从RGB空间转换到LUV颜色空间，利用均值漂移聚类算法，通过选择颜色搜索窗口参 数，产生不同分割粒度的三层超像素结果。 所述的提取超像素特征构建超像素级的一元势函数：具体方法为：定义超像素的 特征响应值为超像素内该特征对应像素点所占的比例，通过该特征响应值训练分类器，并 将分类器对超像素分类的输出值转化为概率表达，以此构造超像素级的一元势函数；具体 数学模型为：设X。表示某一超像素 c的特征相应值，<表示超像素 c内第i个像素点的标 签；为每个超像素寻找占主导比例的标签值赋予X。， 其中，|<=/|表示X。中标签为1的像素的个数，|x」表示超像素 c内的像素的个 数；T是人工设定的阈值，取值大于0. 5 ;1F定义为空标签，即不存在主导标签； 构造的超像素级的一元势函数形式如下： 其中，H1 (C)是超像素 c的标签被分类器判断为1的概率；α是一个人工设定的截 断值常数；是归一化系数。 所述的提取超像素特征构建超像素级的成对势函数，具体方法为：首先计算超像 素的颜色直方图，以相邻超像素之间归一化颜色直方图的欧氏距离作为超像素间的相似 度，并以此构造超像素级的成对势函数；具体数学模型为：所述超像素级的成对势函数的 形式如下： 其中，g(c，d) = |h(xj_h(xd) |2;h( ·)是归一化的超像素片段的颜色直方图； 所述的综合利用图像的底层像素级能量函数和中层超像素级能量函数，构建分层 高阶条件随机场模型如下： 其中，Mx1)为像素级一元势函数，Uuj)为像素级成对势函数，V表示像素 集合，N i表示第i个像素的相邻像素集合，η为超像素层数。 本专利技术与现有技术相比较，具有如下优点： 传统的图像分割方法多数以底层像素级特征为单位构建条件随机场模型，虽设计 了成对势函数作为相邻像素标记的光滑项，但依然不能保证分割结果对目标边界拟合的光 滑性。超像素是图像的中层表示，能够拟合目标边界，但由于对图像中目标未知，超像素粒 度即像素块的大小对分割结果有很大的影响。本专利技术采用了三种不同粒度的超像素预分割 结果，避免了对无监督分割质量的判断，同时结合了像素级能量函数和超像素级能量函数， 定义了新的分层超像素级的一元势函数和成对势函数。相比于传统的仅基于像素级能量函 数或超像素能量函数的分割方法，本专利技术的结果能够实现对多目标分割边界的光滑拟合， 获得更理想的分割结果。【附图说明】 图1为本专利技术基于分层高阶条件随机场图像分割算法流程图。 图2为不同条件随机场模型在Sowerby数据集上的实验结果比较，其中：图2(a) 为原始图像，图2(b)为人工标注的图像，图2(c)是基于像素级能量函数的条件随机场模型 的结果，图2 (d)为基于超像素级能量函数的条件随机场模型的结果，图2 (e)为分层高阶条 件随机场模型的结果。【具体实施方式】 以下结合附图及具体实施例对本专利技术作进一步的详细描述。 1.图像像素级特征的提取 (1)纹理特征 本专利技术采用Malik等人提出的基于滤波器组的方法，先将图像由RGB颜色空间转 换为CIE - Lab颜色空间，然后使用一个17维的多通道多尺度高斯型滤波器组提取每个像 素点的纹理信息，该滤波器组包括不同尺度和通道下的基本高斯本文档来自技高网...

【技术保护点】
一种基于分层高阶条件随机场的图像分割方法，其特征在于：在构建条件随机场的底层能量函数方面：首先提取图像的像素级特征，包括纹理特征、颜色特征、尺度不变特征变换特征和局部二值模式特征，利用这些像素级特征训练分类器，把分类器对像素分类的输出值转化为概率表达，构造像素级的一元势函数；再利用邻域像素颜色差异的边界特征定义像素级的成对势函数；在构建条件随机场的中层能量函数方面：首先利用无监督分割算法得到不同分割粒度的超像素分割结果；再提取超像素特征构建超像素级的一元势函数和成对势函数；综合利用图像的像素级的一元势函数和成对势函数以及超像素级的一元势函数和成对势函数构建分层高阶条件随机场模型；进而利用人工标注的样本，通过逐层监督学习的方法估计模型参数；最后对目标图像应用图割算法推理得到最终的图像分割标记。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨旸，谢明远，刘跃虎，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61