基于自适应窗口固定及传播的多尺度纹理图像分割方法技术

本发明专利技术公开了一种基于自适应窗口固定及传播的多尺度纹理图像分割方法。其过程为：提取待分割图像纹理对应的图像块ｎ进行小波变换，求其对应的ＨＭＴ模型参数θ↓［ｎ］；分别求出待分割图像在小波分解各尺度上对应的数据块对应的似然值和待分割图像像素点对应的似然值，并将该两者组合，得到最终融合所需的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［ｋ］；取出融合最粗尺度ｋ＝４上的似然值，并求得该尺度上对应的分割结果类标图；确定融合尺度ｋ上的标记场和各类纹理的物理聚类中心；采用自适应窗口固定及传播的多尺度分割，得到下一融合尺度ｋ－１上的分割结果类标图；根据分割结果类标图的融合尺度是否为０，确定分割的最终结果。本发明专利技术具有区域一致性和边缘定位性好的优点，可用于对包含纹理信息的图像分割。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是涉及多尺度纹理图像分割方法。该方法可用于纹理图像以及包含纹理信息的图像，如合成孔径雷达SAR、遥感图像或医学图像的分割中。
技术介绍
自然界中存在大量具有一定纹理特性的事物，如大片玉米地、森林、房屋建筑区等等。在实际中，将这些区域进行划分标记，对于城市的布局和规划是非常重要的，而纹理图像分割就是将一幅图像中的同一纹理区域进行划分的过程。所有的分割方法均致力于在这一过程中很好的处理同一性和不连续性，即区域均匀性和不同纹理区域之间边界的确定这一对矛盾。而基于多尺度思想的方法由于其类似于人类视觉系统，能够在不同尺度上对图像进行表征和分析，为图像分割过程中解决这一对矛盾开辟了一条新的思路。多尺度隐马尔科夫模型作为一种新颖的方法，因其能够有效地描述变换域系数在尺度间、尺度内和方向间的统计相关性，从而受到图像分析领域学者的广泛关注。 1996年美国Rice大学的Crouse等人将小波变换与隐马尔可夫模型联系起来，提出了小波域隐马尔可夫模型。1994年出生于美国的C.A.Bouman等人由图像的贝叶斯重构提出了基于多尺度随机场贝叶斯的分割方法，从此致力于多尺度隐马尔可夫模型用于图像分割的学者均采用贝叶斯方法来作为初始分割图像的尺度间融合方法。2001年出生于韩国的Choiet al提出的小波域隐马尔可夫树分割HMTseg框架，参见H.Choi，R.G.Baraniuk.MultiscaleImage Segmentation Using Wavelet-Domain Hidden Markov Models.IEEE Transactions onImage Processing，2001，10(9)1309-1321。该框架根据上尺度上类标对下尺度类标的影响构成一种背景，采用最大化序列的后验概率SMAP方法完成图像的融合分割策略；该框架采用的背景及融合策略在保持了粗尺度分割结果区域一致性的时候没有顾及到边缘准确性。出生于中国的樊国良等人综述了基于贝叶斯融合方法中的各种背景采用SMAP方法进行图像的贝叶斯融合分割，参见Fan G.L.，Xia X.G.A joint multi-context and multi-scale approachto Bayesian image segmentation.IEEE Transactions on Geoscience and Remote Sensing，2001，39(12)2680-2688。文中采用的融合背景虽然考虑到多尺度融合分割时，粗尺度上分割结果的区域一致性好而细尺度上边缘准确性好这一特点，但由于其采用SMAP方法求出背景对下一尺度上分割结果的影响，从而没能得到很好的区域一致且边缘准确的分割结果。此后该领域的学者一般都采用改进背景加权策略用于图像的贝叶斯融合分割。 纹理图像是具有聚集性的特性，即属于同一类的纹理是连通的一片区域，并且存在几何中心，本专利技术称之为物理聚类中心。出生韩国的Katkovnik V.et al提出了一种基于多项式展开和置信区间交叉LPA_ICI算法，参见Katkovnik V.，Egiazarian K.，Astola J..Adaptivewindow size image de-noising based on intersection of confidence intervals(ICI)rule.Journal ofMathematical Imaging and Vision，2002，16(3)223-235。该算法经常应用于图像去噪中，它通过对图像每一个含噪像素点找到多个自适应窗，在每个窗内对像素进行逼近处理来达到图像去噪的目的。 这些传统的基于多尺度贝叶斯融合分割方法均利用尺度内类标之间以及上下尺度间类标之间的联系，构造得到上下文融合背景，对所有类标之间的联系进行同样处理，即采用SWAP方法得到上尺度对下尺度进行影响的权值，不能充分利用多尺度分割粗尺度分割结果区域一致性好，细尺度分割结果边缘准确性好这一特点，没能很好的解决区域一致性与边缘准确性这一对矛盾。同时这一类方法在构造上下文背景时，均只关注类标的邻域信息对分割结果的影响，没有注意纹理图像具有聚集性的特性，即属于同一类的纹理是连通的一片区域，并且存在物理聚类中心。 专利技术的内容 本专利技术的目的在于克服上述已有技术的不足，提出了一种，以充分利用多尺度分割时，粗尺度上区域一致性好，细尺度上边缘定位性好的特点，达到区域一致性和边缘准确性相统一的效果。 实现本专利技术目的的技术方案是根据基于自适应多尺度窗口固定及传播的方法结合纹理图像区域聚集性的特性，利用多尺度小波域隐马尔可夫树HMT方法得到纹理图像的初始分割结果，再取初分割的最粗尺度，即对应初分割最小图，作为传播基准，利用其对应的标记场及各类的物理聚类中心，采用自适应窗口固定及传播的方法将信息进行传递，将上一尺度信息传递到下一尺度，从而影响下一尺度的分割结果。其具体实现过程如下 (1)输入待分割图像，从待分割图像中提取每一种纹理对应的训练图像块n，进行小波变换，得到小波系数，采用期望最大化EM算法，求出该小波系数所对应的HMT模型参数θn，其中n∈Nn，Nn表示待分割图像中对应的纹理类数； (2)根据所求的模型参数θn，对待分割图像进行小波变换，求出待分割图像在小波分解的各尺度上对应的数据块d对应的似然值likelihoodnj，其中j＝{1，2，3，4}表示小波分解从细到粗对应的尺度；对步骤(1)提取的训练图像块n进行高斯建模，求出待分割图像像素点对应的似然值likelihoodn0，0表示像素级对应的尺度； (3)将所述的待分割图像在小波分解的各尺度上对应的数据块d对应的似然值likelihoodnj，与所述的待分割图像像素点对应的似然值likelihoodn0相组合，得到最终融合所需的似然值likelihoodnk，k＝{0，1，2，3，4}，其中k＝0表示融合尺度对应的最细尺度，k＝1表示融合尺度最细尺度的上一较粗尺度，以此类推，直到k＝4表示融合尺度对应的最粗尺度； (4)取出融合尺度对应的最粗尺度即k＝4上的似然值likelihoodn4，使用最大化似然值公式 可得到融合最粗尺度上对应的分割结果类标图{cs|cs∈{1，2，…C}}，其中s表示图像对应的物理坐标，C＝Nn； (5)根据分割结果类标图，确定融合尺度k上衡量其类标可靠性的标记场{as}，as∈A，A＝{0，1}，并采用LPA_ICI算法确定出融合尺度k上各类纹理的物理聚类中心{(i1，j1)，(i2，j2)，…，(iC，jC)}； (6)根据标记场以及各类纹理的物理聚类中心，采用自适应窗口固定及传播的多尺度分割方法，得到下一融合尺度k-1上对应的分割结果类标图{cs|cs∈{1，2，…C}}； (7)判断所得的分割结果类标图是否为融合尺度k＝0上的结果，如果是融合尺度k＝0上的结果，则纹理图像分割结束；否则，重复步骤(6)～步骤(7)直到得到k＝0上的分割结果为止。 本专利技术与现有的技术相比具有以下优点 1、由于本专利技术加入了表征纹理聚集性这一本文档来自技高网...

【技术保护点】
一种基于自适应窗口固定及传播的多尺度纹理图像分割方法，包括如下过程：（１）输入待分割图像，从待分割图像中提取每一种纹理对应的训练图像块ｎ，进行小波变换，得到小波系数，采用期望最大化ＥＭ算法，求出该小波系数所对应的ＨＭＴ模型参数θ↓［ｎ］，其中：ｎ∈Ｎ↓［ｎ］，Ｎ↓［ｎ］表示待分割图像中对应的纹理类数；（２）根据所求的模型参数θ↓［ｎ］，对待分割图像进行小波变换，求出待分割图像在小波分解的各尺度上对应的数据块ｄ对应的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［ｊ］，其中：ｊ＝｛１，２，３，４｝表示小波分解从细到粗对应的尺度；对步骤（１）提取的训练图像块ｎ进行高斯建模，求出待分割图像像素点对应的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［０］，０表示像素级对应的尺度；（３）将所述的待分割图像在小波分解的各尺度上对应的数据块ｄ对应的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［ｊ］，与所述的待分割图像像素点对应的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［０］相组合，得到最终融合所需的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［ｋ］，ｋ＝｛０，１，２，３，４｝，其中ｋ＝０表示融合尺度对应的最细尺度，ｋ＝１表示融合尺度最细尺度的上一较粗尺度，以此类推，直到ｋ＝４表示融合尺度对应的最粗尺度；（４）取出融合尺度对应的最粗尺度即ｋ＝４上的似然值ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［４］，使用最大化似然值公式＊＊＊｛ｌｉｋｅｌｉｈｏｏｄ↓［ｎ］↑［４］｝，可得到融合最粗尺度上对应的分割结果类标图｛ｃ↓［ｓ］｜ｃ↓［ｓ］∈｛１，２，…Ｃ｝｝，其中：ｓ表示图像对应的物理坐标，Ｃ＝Ｎ↓［ｎ］；（５）根据分割结果类标图，确定融合尺度ｋ上衡量其类标可靠性的标记场｛ａ↓［ｓ］｝，ａ↓［ｓ］∈Ａ，Ａ＝｛０，１｝，并采用ＬＰＡ＿ＩＣＩ算法确定出融合尺度ｋ上各类纹理的物理聚类中心｛（ｉ↓［１］，ｊ↓［１］），（ｉ↓［２］，ｊ↓［２］），…，（ｉ↓［Ｃ］，ｊ↓［Ｃ］）｝；（６）根据标记场以及各类纹理的物理聚类中心，采用自适应窗口固定及传播的多尺度分割方法，得到下一融合尺度ｋ－１上对应的分割结果类标图｛ｃ↓［ｓ］｜ｃ↓［ｓ］∈｛１，２，…Ｃ｝｝；（７）判断所得的分割结果类标图是否为融合尺度ｋ＝０上的结果，如果是融合尺度ｋ＝０上的结果，则纹理图像分割结束；否则，重复步骤（６）～步骤（７）直到得到ｋ＝０上的分割结果为止。...

【技术特征摘要】

【专利技术属性】
技术研发人员：侯彪，刘凤，王爽，焦李成，张向荣，马文萍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]