用于图像分割的方法及系统技术方案

本发明专利技术提出一种用于图像分割的方法和系统，其中，该方法包括以下步骤：将图像看作块组合，建立图像块的初始ＩＧＭ；对所述初始ＩＧＭ进行求解，得到初始图像分割结果；提取所述初始图像分割结果中的前景图像块，建立所述前景图像块ＩＧＭ，并对所述前景图像块ＩＧＭ进行求解，得到进一步的图像分割结果；重复上述步骤，以对所述图像分割结果进一步分割直到获得所需的图像分割结果。本发明专利技术通过建立和求解图像的ＩＧＭ模型对图像进行分割，并通过迭代的方法细化分割，使得图像分割的效果更加优良，鲁棒性更好。

【技术实现步骤摘要】

本专利技术涉及计算机视觉
，特别涉及一种图像分割方法及系统。
技术介绍
在图像处理技术中，图像分割是一个非常困难的问题。这是因为，对于图像分割的 问题，分割的结果是存在的，但不能保证分割的结果是唯一的，并且不能保证分割的结果与 图像正相关变化。因此，没有任何一种分割算法能够说明其分割效果的好坏，以及算法自身 的鲁棒性。现有的图像分割方法主要包括基于阈值的图像分割方法、区域生长的图像分割 方法、边缘特征的图像分割方法、神经网络的图像分割方法、基于贝叶斯网络的图像分割方法等。在现有的基于贝叶斯网络的图像分割方法中，仅仅对图像的单像素、或者单像素 邻域构成的四像素或八像素的颜色、梯度等图像特征进行预处理得到向量，在此基础上，建 立起向量的马尔可夫随机场，利用相关算法进行贝叶斯判决，得到分割结果。这种做法对于 背景结构复杂的图像的分割效果很差。针对上述问题，已有的一种改进方法是首先使用低通滤波器对待分割的图像进 行平滑、滤波处理后，然后再使用上述的贝叶斯方法进行图像分割。这种做法的缺陷是，低 通滤波器的上限截止频率无法自适应，并且得到的分割效果也不能够满足要求，尤其是当 背景噪声与待分割出来的图像特征非常相似时，分割效果更差。因此，需要一种方法解决上述问题。
技术实现思路
本专利技术的目的旨在解决上述技术问题之一，特别是解决基于贝叶斯网络的图像分 割方法对于背景结构复杂的图像的分割效果差的问题。为了实现上述目的，本专利技术一方面提出一种用于图像分割的方法，包括以下步骤 建立所述图像的初始伊辛高斯模型(Ising Gaussian Model, IGM)；对所述初始IGM进行求 解，得到初始图像分割结果；提取所述初始图像分割结果中的前景图像块，建立前景图像块 IGM，并对所述前景图像块IGM进行求解，得到进一步的图像分割结果。作为本专利技术的一个实施例，所述用于图像分割的方法进一步包括重复上述细化 步骤，以对所述图像分割结果进一步分割直到获得所需的图像分割结果。作为本专利技术的一个实施例，所述建立图像的初始IGM进一步包括将所述图像分 成多个图像块；提取每个图像块的特征向量，其中，图像块的特征向量为九维特征向量，包 括图像块的颜色均值、颜色方差和颜色熵，且所述图像块的颜色均值、颜色方差和颜色熵 均有红、绿、蓝三个通道；根据所述每个图像块的特征向量之间的对应关系建立所述初始 IGM。作为本专利技术的一个实施例，所述根据所述每个图像块的特征向量之间的对应关系4建立所述IGM时，图像块之间的关系设定为符合伊辛模型，且同一类别的图像块的特征向 量设定为服从高斯分布。本专利技术另一方面还提出一种用于图像分割的系统，包括模型建立模块、计算模块 和提取模块。所述模型建立模块用于建立图像的IGM ；所述计算模块，用于对所述IGM进行 求解得到图像分割结果；所述提取模块用于从所述图像分割结果中提取出前景图像块。其 中，所述提取模块提取出前景图像块后，将所述前景图像块发送至所述模型建立模块，建立 所述前景图像块的IGM，然后所述模型建立模块将所述前景图像块的IGM发送至所述计算 模块进行求解，得到所述前景图像块的进一步分割结果。作为本专利技术的一个实施例，所述用于图像分割的系统进一步包括迭代判定模块， 所述迭代判定模块用于判定所述计算模块得到的图像分割结果是否为所需的图像分割结^ o作为本专利技术的一个实施例，所述模型建立模块进一步包括图像分块模块、特征向 量提取模型和建立模块。所述图像分块模块用于将所述图像分成多个图像块；所述特征向 量提取模块用于提取每个图像块的特征向量；所述建立模块用于根据所述每个图像块的特 征向量之间的对应关系建立所述IGM。作为本专利技术的一个实施例，所述计算模块包括初始化模块和结果求取模块。所述 初始化模块用于初始化所述IGM ；所述结果求取模块用于在所述初始化之后，使用变分的 EM算法对所述IGM进行求解，得到图像分割结果。本专利技术通过建立和求解图像的IGM模型对图像进行分割，并通过迭代的方法细化 分割，使得图像分割的效果更加明显，鲁棒性更好。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变 得明显和容易理解，其中图1为本专利技术实施例的用于图像分割的方法的流程图；以及图2为本专利技术实施例的用于图像分割的系统的结构图。具体实施例方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本专利技术主要在于建立图像的IGM，在此框架下，利用多重网格的思想，迭代求解，获 得精细的图像分割结果，与传统的直接对原图像进行低通滤波、平滑处理相比，使用本专利技术 的图像分割方法的图像分割效果更加明显，鲁棒性更好。本专利技术不仅可应用于图像分割，还 可应用于人工智能的物体识别。如图1所示，为本专利技术实施例的用于图像分割的方法的流程图，包括以下步骤步骤S101，建立图像的初始IGM。对于建立图像的初始IGM，本专利技术提出如下的模型建立方案，当然本领域普通技术 人员还能够根据下述方案提出其他修改或变化，例如改变图像块的特征向量等，这些修改 或变化均应包含在本专利技术的包含范围之内。首先，将图像分成n = MXN个图像块。M和N可取较小的值，保证分成的图像块比较大，例如，M = 10，N = 10。这样，一 幅图像就等同于这些图像块Xl，x2，. . . .，xn的集合。然后，提取n个图像块的特征向量。在本专利技术中，每个图像块Xi使用九维的特征向量表示，包括图像块的颜色均值、 颜色方差以及颜色熵，且颜色均值、颜色方差和颜色熵都有红、绿、蓝三个通道。其中，颜色 熵可以用如下的公式表示<formula>formula see original document page 6</formula>(1)其中，Pi是对图像分块的颜色进行统计后，归一化得到的概率值。应理解，特征向量不一定只是9维向量，本领域普通技术人员可以根据实际情况 扩展特征向量的维度，也就是说，任何形式的可以表征该图像块的数据降维向量都是允许 的，例如，使用主成分PCA分析，使用奇异值分解SVD等。最后，根据每个图像块的特征向量之间的关系，建立初始IGM。如果用隐变量Zl，z2，. . . .，zn表示它们各自对应的图像块Xl，x2，. . . .，xn是前景还 是背景，则图像的分割问题就转变成一系列概率的计算问题，也就是判断P(Zi =前景|Xi) 与P(Zi =背景X,)的大小，如果p(Zi =前景Xi)的值大于p(Zi =背景k)的值，则图像 块\为前景图像块，否则为背景图像块。进一步，如果用Z = (Zl，z2，. . . .，zn)，X = (Xl，x2，. . . .，xn)分别表示图像的分割 结果与原始数据，则图像分割的问题就是需要求解Z ==⑵其中，k = 1表示图像块为背景图像块，k = -1表示图像块为前景图像块，<formula>formula see or本文档来自技高网...

【技术保护点】
一种用于图像分割的方法，包括以下步骤：Ａ．对所述图像建立初始伊辛高斯模型ＩＧＭ；Ｂ．对所述初始ＩＧＭ进行求解，得到初始图像分割结果；Ｃ．从所述初始图像分割结果中提取出前景图像块，建立前景图像块ＩＧＭ，并对所述前景图像块ＩＧＭ进行求解，得到进一步的图像分割结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：戴琼海，王雁刚，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]