基于无限成分数的t混合模型的图像分割方法技术

本发明专利技术公开了一种基于无限成分数的t混合模型的图像分割方法，本方法充分利用了无线混合成分结构和t分布所带来两方面的优点，可以获得更好的图像分割效果。本发明专利技术首先对待分割的图像进行特征信息的提取，接着利用提取出的各像素点的特征信息矢量对具有无限成分数的t混合模型进行参数估计，估计完成后可以获得各个像素点由各个欲划分出的类所产生的概率，最后进行判决，将每个像素点关于各个类的概率值中的最大值所对应的序号作为该像素点最终所分配到的类，从而完成图像分割过程。本发明专利技术的方法可以有效地提高图像分割的效果，对图像中的野值点具有较高的鲁棒性，从而使分割出的图像具有较好的平滑性，此外，本方法可以根据待分割的图像自适应的调节模型的混合成分数目，避免了传统的基于高斯混合模型的图像分割方法中由于混合成分数目设置不当而容易出现的过拟合和欠拟合现象。

【技术实现步骤摘要】

本专利技术涉及图像处理和机器学习领域，主要涉及一种。
技术介绍
图像分割是数字图像处理过程中的关键技术之一。图像分割的任务是将输入图像分割为一些独立的区域，使得同一区域具有相同的属性，而使不同区域具有不同的属性。图像分割是进一步进行图像识别，分析和理解的基础，在理论研究和实际应用中都得到人们广泛的重视。对于图像分割问题，人们已经提出了很多方法，但是鉴于图像具有种类多、数据量大、变化多等特点，迄今为止还没有一种图像分割的方法适用于所有的情况，此外分割结果的好坏也需要根据具体的场合和要求去评价。因此，图像分割仍然是目前的研究热点之一。在现有的图像分割方法中，基于统计模型的图像分割方法应用的相当广泛。这类方法常常选用某个统计模型来描述待分割图像像素值的分布，通过一定的训练和学习过程估计出统计模型的结构和相应的参数，并且获得每个像素点关于各个欲划分出的类的概率的大小，最后将最大概率所对应的类作为当前像素点分割到的类。与这样的流程相对应的是机器学习领域中的无监督学习过程。在已知的基于统计模型的图像分割方法中，最常见也是应用最为广泛的模型就是高斯混合模型(GMM)。但是在实际中由于采集或是图像本身的原因，会存在少数零星的像素点与大多数像素点的值差别较大，这样的像素点常常被称为野值点。由于GMM中各个混合成分服从高斯分布，其概率密度函数的尾部不够长，所以对野值点的鲁棒性能较差。此外，在GMM中，需要预先指定混合成分的数目，一旦该数目指定之后，该GMM的模型的结构基本确定了，而实际的图像像素的特征值的分布所对应的混合成分数目无法获得，因此，采用GMM在描述特征值的分布时，会由于混合成分数目设定不当而产生GMM过拟合(该数目设定过大)或欠拟合(该数目设定过小)的现象，从而降低了图像分割的效果。正是由于现有的基于GMM的图像分割方法存在着上述两个问题，所以需要改进现有的方法，进一步提高图像分割系统的效果和性能。
技术实现思路
本专利技术的目的就在于解决现有技术的缺陷，设计、研究。本专利技术的技术方案是，其特征在于包括以下步骤(1)提取待分割图像的特征信息将待分割的图像中的每个像素点的像素值从 RGB坐标转换到LUV坐标，从而得到了一个三维数据集X，XHxJL ,其中N为像素点的数目，Xn为每一个像素点的特征信息数据矢量；(2)对具有无限成分数的t混合模型进行参数估计；在完成这一估计过程以后，对5于每一个像素点的特征信息数据矢量^，可以得到与其相关的隐变量\的分布，在该分布中，q(znJ = 1)，j = 1，. . .，L表示当前像素点η是由具有无限成分数的t混合模型中的第 j个成分产生的概率，j = l，...，L; (3)判决将与每个像素点η相关的q(znj = 1)，j = 1，. . .，L中的最大值所对应的序号作为该像素点^cn所最终分配到的类Cn，即从而将图像分割成具有相似属性的类，得到分割完成的图像。在所述的中，所述的L为实际操作过程中近似代表⑴的一个较大的数，其取值范围为10 30之间的正整数。在所述的中，对所述的具有无限成分数的t混合模型进行参数估计的步骤如下(1)产生N个服从区间上均勻分布的随机整数，统计该区间上各整数出现的概率；即，如果产生了 个整数j，那么δ j = Nj/N ；对于每个I，对应的隐变量κ的初始分布为(2)设定超参数泗广兮^^必弋丨^一的初始值；对于所有的乂]· = 1,... ,L),mj =0，λ」=1，P」可以取3 20之间的任意数，Wj = 10 · I, I为单位矩阵，Vj可以取1 100之间的任意数，α可以取1 10之间的任意数；此外，迭代次数计数变量k = 1 ；(3)更新隐变量{u x:\ % 的分布，即，q(unj) = Gamiunj | vnjVvnj2)，其超参数丄的更新公式为vnjl=^,_ 9] Kj2 = 二 1).〈“ -Mj)T Ay (xn -//,)〉+。_， 其中 {(xn — Mj )T A7 (χ -μ])) = γ + ρ] (χη-Oij)1 W^xn-Aj)-,在首次迭代时计算< (χη- μ」)τ Λ」(χη- μ」) > 时， , Jj = ；Ij ’~Ρ] = Ρ) = Wy ；(4)更新随机变量从’八乂一的分布，即，^^，八》=" !!^,!^；^…」^,々》,相应的超参数{m}丨=1的更新公式如下~ NXj =^+Σ q(znj = 1) · (unj), q{zn) = Y\q{znj=\) = Y[dJ1 Γ N m, =^ A,m,+y(q(znj = 1).(unj〉.^ Pj = Pj +yZq^nj = 1),631l〉_5〈log 〉-孓〈 〉·〈(&-"/八/n,)〉，Ynj =exp||;(log(l-^)>+(log^) +在上式中，各项期望< · >的计算公式如下〈嗽〉Ι—ΜΑ', (log(l-J^)) = (log Unj) = ) - log Vwj2,Γ(‘) (logk D = Xrd=\Pj+l-d)| + log|Wy| + 31og2,其中Γ ( ·)为标准的gamma函数，Γ ( ·)‘为标准gamma函数的导数；此外， <(xn-yJ)TAJ(xn-yJ)>iP <unJ>的计算方法已分别在步骤(3)和步骤⑷给出；(7)更新自由度参数{V,。，S卩，解如下含有Vj的方程 1 +Σ =1 机=1) “=1t 他=l)+ 1叩[令I^L0 r^/2)可以选用常用的数值计算方法，如牛顿法，快速地获得此方程的解Vj(8)计算当前迭代后的似然值LIKk，k为当前的迭代次数W；'= W；1+A7HiX=1).〈 〉.x,x T-々n=l其中，〈 〉=W^y2;(5)更新随机变量{VX=]的分布，即，Q(Vj) = BetaiVj | ~βΛ,β]2)，相应的超参数总的更新公式为~NΛι=1 + Σ"(、=1),M=I~NL A2 =仅 + Σ Σ ^Ζη> = O；w=l ι=7+1 (6)更新隐变量的分布f\2njK q(zn) = Y\户ιV1 γ 、Z1J/=1 ζ nj'其中去〈log丨Λ,权利要求1.，其特征在于包括以下步骤(1)提取待分割图像的特征信息将待分割的图像中的每个像素点的像素值从RGB坐标转换到LUV坐标，从而得到了一个三维数据集X，X = ,其中N为像素点的数目，ι为每一个像素点的特征信息数据矢量；(2)对具有无限成分数的t混合模型进行参数估计；在完成这一估计过程以后，对于每一个像素点的特征信息数据矢量^，可以得到与其相关的隐变量\的分布，在该分布中， q(znJ = 1)，j = 1，. .，L表示当前像素点η是由具有无限成分数的t混合模型中的第j个成分产生的概率，j = 1，...，L;(3)判决将与每个像素点η相关的q(Ziy_= 1)，j = 1，. . .，L中的最大值所对应的序号作为该像素点^所最终分配到的类Cn，即2.根据权利要求1所述的，其特征在于， L为实际操作过程中近似代表⑴的一个较大的数，其可以取10 30之间的某个任意正整数。3.根据权利要求1所述的，其特征在于， 对具有无限本文档来自技高网...

【技术保护点】
１．基于无限成分数的ｔ混合模型的图像分割方法，其特征在于包括以下步骤：（１）提取待分割图像的特征信息：将待分割的图像中的每个像素点的像素值从ＲＧＢ坐标转换到ＬＵＶ坐标，从而得到了一个三维数据集Ｘ，其中Ｎ为像素点的数目，ｘｎ为每一个像素点的特征信息数据矢量；（２）对具有无限成分数的ｔ混合模型进行参数估计；在完成这一估计过程以后，对于每一个像素点的特征信息数据矢量ｘｎ，可以得到与其相关的隐变量ｚｎ的分布，在该分布中，ｑ（ｚｎｊ＝１），ｊ＝１，．．，Ｌ表示当前像素点ｎ是由具有无限成分数的ｔ混合模型中的第ｊ个成分产生的概率，ｊ＝１，．．．，Ｌ；（３）判决：将与每个像素点ｎ相关的ｑ（ｚｎｊ＝１），ｊ＝１，．．．，Ｌ中的最大值所对应的序号作为该像素点ｘｎ所最终分配到的类Ｃｎ，即（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）Ｃ（／ｍｉ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｏ）｛（／ｍｏ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｕｎｄｅｒ）?（ｍｒｏｗ）?（ｍｉ）ａｒｇ（／ｍｉ）?（ｍｉ）（／ｍｉ）?（ｍｉ）ｍａｘ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｕｎｄｅｒ）?（ｍｉ）ｑ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｚ（／ｍｉ）?（ｍｉ）ｎｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）｝（／ｍｏ）?（ｍｏ），（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）从而将图像分割成具有相似属性的类，得到分割完成的图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：魏昕，
申请(专利权)人：魏昕，
类型：发明
国别省市：84