一种基于概率模型和改进EM算法的图像分割方法技术

本发明专利技术涉及一种基于概率模型和改进EM算法的图像分割方法，该方法包括以下步骤：1)将待分割的图像加入高斯白噪声；2)采用k‑means算法对加入高斯白噪声后的图像进行粗分割，并获取粗分割后图像的均值；3)根据图像粗分割后得到图形的灰度值建立混合高斯模型；4)先将粗分割后图像的均值作为混合高斯模型的初始值，再采用改进的EM算法对粗分割后图像进行细分割，最终完成图像的分割。与现有技术相比，本发明专利技术具有适用于医学图像分割、提高分割精度和分割速度等优点。

【技术实现步骤摘要】
一种基于概率模型和改进EM算法的图像分割方法
本专利技术涉及图像处理领域，尤其是涉及一种基于概率模型和改进EM算法的图像分割方法。
技术介绍
医学图像的分割是当前图像分割方法研究领域一个非常活跃的部分，对相关疾病的临床诊断和研究具有重要意义。在医学图像分割领域，瘢痕的分割目前大多是以手动分割和半自动分割为主。手动分割是让医生利用手工描绘出斑痕部分的边界，然后提取出其结构的区域信息，这是一个工作量非常大，其分割结果与医生的主观因素有很大的关系，它的精确度也不容易得到保证。半自动分割是由计算机完成分割，具有较快的分割速度，但需要加入专家的先验知识才能得到较好地分割结果，且需要人工干预。全自动分割由计算机独立完成，且无需人工干预，分割结果的可重现性，是瘢痕分割领域的具有前景的方法。现有的图像分割方法大多是单一的，没有将算法有效的结合起来。由于EM算法对其似然函数的初始值很敏感，尤其是对均值，所选均值的好坏在很大程度上决定分割结果的精确与否。利用高斯混合模型建立分割图像像素点的模型时，单个的高斯模型的协方差出现奇异性，导致利用EM算法进行参数估计，分割图像的效果不好。专利
技术实现思路
本专利技术的本文档来自技高网...

【技术保护点】
一种基于概率模型和改进EM算法的图像分割方法，其特征在于，该方法包括以下步骤：1)将待分割的图像加入高斯白噪声；2)采用k‑means算法对加入高斯白噪声后的图像进行粗分割，并获取粗分割后图像的均值；3)根据图像粗分割后得到图形的灰度值建立混合高斯模型；4)先将粗分割后图像的均值作为混合高斯模型的初始值，再采用改进的EM算法对粗分割后图像进行细分割，最终完成图像的分割。

【技术特征摘要】
1.一种基于概率模型和改进EM算法的图像分割方法，其特征在于，该方法包括以下步骤：1)将待分割的图像加入高斯白噪声；2)采用k-means算法对加入高斯白噪声后的图像进行粗分割，并获取粗分割后图像的均值；3)根据图像粗分割后得到图形的灰度值建立混合高斯模型；4)先将粗分割后图像的均值作为混合高斯模型的初始值，再采用改进的EM算法对粗分割后图像进行细分割，最终完成图像的分割。2.根据权利要求1所述的一种基于概率模型和改进EM算法的图像分割方法，其特征在于，所述的步骤2)中，加入的高斯白噪声的方差由大到小变化。3.根据权利要求1所述的一种基于概率模型和改进EM算法的图像分割方法，其特征在于，所述的步骤3)中，混合高斯模型为：其中，p(x)为混合高斯模型的概率密度函数，x为图像上一点的灰度值，K为混合高斯模型中单个高斯模型的个数，πk为第k个单个高斯模型所占的比例，即混合比例系数，ψ(x|μk,Σk)为单个高斯模...

【专利技术属性】
技术研发人员：刘刚，张腾，何妍妍，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31