專利名稱：：基于增強空域-變換域統計模型的紋理圖像分割方法
技術領域：
：本發明涉及圖像處理
技術領域：
，具體地說是一種紋理圖像分割的方法，可用于對SAR圖像的分割。技術背景一直以來，國內外學者提出了為數眾多的紋理圖像分割方法，主要有共生矩陣法、基于小波和Gabor濾波器的方法、馬爾可夫隨機場方法等。近年來，多尺度思想在圖像分割領域得到了廣泛應用，圖像多尺度分解的優點在于，低分辨率的圖像極大地降低了對圖像處理的復雜度，同時為高分辨率圖像的處理過程提供指導信息，從而大大減少圖像處理對先驗知識的依賴，從處理的圖像特征角度看，多尺度分割方法可分為基于變換域和空間域兩大類。基于變換域多尺度分割方法則先對圖像做變換，如小波變換，然后分析變換域系數、建立合適的模型，最后運用建立的模型計算各個尺度上的初分割。基于空間域多尺度分割方法通常對圖像下采樣建立塔型結構，然后運用MRF(MarkovRandomField)方法對各個尺度上的特征建模，并得到多尺度的初分割結果。在基于變換域的多尺度統計圖像建模方面，M.S.Crouse等人提出的小波域HMT模型能有效地描述小波系數在尺度間、尺度內的統計相關性，它是一種新的統計圖像感知與識別方法。在圖像分割領域，H.Choi等人提出了基于小波域HMT模型的多尺度圖像分割方法HMTseg，實驗表明HMTseg方法對均勻紋理分割性能良好，但對于非均勻紋理分割效果則有待提高。在基于空間域統計圖像建模方面，Li和Gmy等人提出的2D-HMM(Two-DimensionalHiddenMarkovModel)對紋理有較強的描述能力，該模型先將紋理圖像分割成大小相同的圖像塊，在考慮圖像塊內紋理特征的同時，更強調了對圖像塊間相關性的統計建模。2D-HMM捕捉了紋理圖像宏觀上的結構關系，應用到圖像分割中效果良好。從捕捉紋理圖像的宏觀和微觀特征出發，Lu和Carin等人將空間域的HMM模型和變換域的HMT模型相結合提出了HMM-HMT(HiddenMarkovModel-HiddenMarkovTree)模型。他們認為，HMTseg方法是基于圖像塊內的分割方法，該方法更側重于考慮圖像塊內的統計特性，因此HMT模型不能準確地描述紋理圖像的宏觀統計規律性，尤其對結構型紋理圖像HMT模型難以捕捉其紋理子結構間復雜的空間結構關系。為此，Lu和Carin等人對每一類紋理均聯系一個HMM-HMT模型，然后通過HMM和HMT分別對圖像塊間的相關性和圖像塊內特征建模。HMM-HMT有效地描述了紋理圖像塊間的宏觀和圖像塊內的微觀統計特征，故該模型在一個尺度上得到了較可靠的初分割結果。然而，應用HMM-HMT模型計算各個尺度上的初分割時需由于要分別訓練各個尺度上的HMM-HMT模型參數，因而極大地增加了計算復雜度；如果為了減小計算復雜度，只計算最粗尺度上的初分割而不計算其它各細尺度上的HMM-HMT模型參數，則會造成最終分割結果區域一致性差和邊界保持不良的缺陷。
發明內容本發明的目的在于克服上述已有問題的缺陷，提出一種基于增強HMM-HMT和多狀態加權HMT的紋理圖像分割方法，以降低計算復雜度，提高圖像分割的區域一致性和邊界保持度。實現本發明目的的技術方案是在最粗尺度分割上，對現有HMM-HMT模型中對紋理宏觀結構關系描述進行改進，提出增強HMM-HMT模型，以改善最粗尺度的初分割結果；在細尺度分割上，提出多狀態加權隱馬爾可夫樹模型(Multi-StatesWeightedHiddenMarkovTree,MSWHMT)，以減少計算復雜度，提高各個細尺度上對區域間邊界的感知能力，其具體實現步驟包括如下(1)輸入紋理圖像的類別數E，并將紋理圖像初始分割成16X16大小互不重疊的粗圖像塊，對每一個圖像塊做二維離散小波變換；(2)對二維離散小波變換后的各個圖像塊內的系數，通過EM算法訓練出各圖像塊的隱馬爾可夫樹模型皿丁參數//^7;1，/^，訓代表平滑圖像塊，s代表奇異圖像塊；(3)對初始分割的各個圖像塊周圍鄰域的8個圖像塊進行標記，其中將中心塊記為C,將與中心塊直接相鄰的4個塊記為I類鄰域塊，將與中心塊對角線方向的4個塊記為I類鄰域塊；(4)采用類Viterbi算法訓練各個初始分割圖像塊的塊隱狀態概率&=="、中心塊c至l類鄰域塊的隱狀態轉移概率、，和中心塊C至I類鄰域塊的隱狀態轉移概率A,"，構成增強HMM的參數，其中*={^力，代表平滑圖像塊，s代表奇異圖像塊；(5)輸入HMT參數/fMr，,/fil化和增強HMM的參數;r,、《，、&，并利用這些參數計算各類紋理圖像的似然"C|《)=wax{;rxa["x/〖^x(『》J"L(『。"rA，…,/t9*C^C^^I*C4^Ih^1、丑I"其中，^)和",(K皿)分別代表圖像塊《在I類、I類鄰域塊作用下它屬于第f類紋理的似然，4(『3,)=^(『^1界"1,…，2，g表示第i個圖像塊的隱狀態變量，K,為第i個圖像塊的小波系數，*={^^}，《={層丄，廚:，《，《，1}，,=1,2,...,￡;(6)從各類紋理的似然值中找出最大的一個似然值，用該最大似然所對應的紋理類別作為粗圖像塊的初分割結果；(7)依次將紋理圖像分割成8X8、4X4和2X2大小互不重疊的細圖像塊，利用粗圖像塊上的得到的模型參數&、肌^1和//^1《，計算各細圖像塊上各節點/的似然值，并在各類紋理的似然值中找出最大的一個似然值，作為各細圖像塊的初分割結果，該似然值的計算公式如下、1=I"=《c)+《c其中，~1，2，...，￡，￡為紋理類別數，《為第f類紋理的增強HMM-HMT參數，似然和/;(旰)分別由參數i/MTl和i/MT;在四叉樹上通過一次自下而上的掃描過程計算得到，其表達式為<formula>formulaseeoriginaldocumentpage8</formula>其中，T7表示由圖像塊內的小波系數構成的四叉樹上的一個節點，~表示節點7/的塊隱狀態，^表示小波系數子樹7/所包含的小波系數；(8)將粗尺度j上的初分割結果以1:4擴展，使之與細尺度j-l上的初分割的各個節點一一對應，然后判斷粗尺度節點^是否為邊界節點，確定出紋理圖像的邊界；(9)采用基于最大后驗概率MAP的多尺度融合策略確定紋理圖像邊界節點的紋理類別，按照粗圖像塊的初分割結果確定紋理圖像非邊界節點的紋理類別，得到最終的紋理分割結果。本發明與現有的技術相比具有以下優點1、本發明提出的增強HMM-HMT模型對中心塊與8鄰域內的所有塊建立直接聯系，增強了模型對紋理空間結構的描述能力。實驗表明，增強HMM-HMT模型在最粗尺度分割結果上得到了區域一致性好的初分割結果，相比HMM-HMT模型性能有所提高；2、本發明在計算各個細尺度上的初分割時，提出了多狀態加權HMT模型。與增強HMM-HMT模型相比，多狀態加權HMT模型只需要增強HMM-HMT模型在最粗尺度上的模型訓練參數，因而多狀態加權HMT模型極大地降低了時間復雜度；其次，多狀態加權HMT模型舍棄了各個細尺度上塊與鄰域塊間的聯系，消除了塊鄰域成員對中心塊的影響，不再通過描述塊間的鄰域關系來刻畫該細尺度上的紋理空間結構信息，而采用基于塊內的HMT模型來捕捉其細微特征，進而提高了該模型在各個細尺度上的邊界保持度。圖1是本發明的I類鄰域塊和I類鄰域塊結構圖；圖2是本發明的紋理分割方法流程圖；圖3是現有的由微紋理合成的2-6類測試紋理圖；圖4是用本發明與現有其它不同方法對圖3微紋理的分割結果比較圖；圖5是現有由宏紋理合成的2-6類測試紋理圖；圖6是用本發明與現有其它不同方法對圖5宏紋理的分割結果比較圖；圖7是現有由混合紋理合成的2-6類測試紋理圖；圖8是用本發明與現有其它不同方法對圖7混合紋理的分割結果比較圖。具體實施方式步驟l，輸入紋理圖像，以及紋理圖像的類別數E。輸入的紋理圖像包括圖3所示的由微紋理合成測試紋理圖，其中圖(a)是合成紋理圖像mosaic7，圖(b)是合成紋理圖像mosaic8,圖(c)是合成紋理圖像mosaicl,圖(d)是合成紋理圖像mosaic4，圖(e)是合成紋理圖像mosaic9;圖5所示的由宏紋理合成的測試紋理圖，其中圖(a)是合成紋理圖像mosaic10，圖(b)是合成紋理圖像mosaicll,圖(c)是合成紋理圖像mosaic2，圖(d)是合成紋理圖像mosaic5，圖(e)是合成紋理圖像mosaic12;圖7所示的由混合紋理合成的測試紋理圖，其中圖(a)是合成紋理圖像mosaic13，圖(b)是合成紋理圖像mosaic14,圖(c)是合成紋理圖像mosaic3，圖(d)是合成紋理圖像mosaic6，圖(e)是合成紋理圖像mosaic15;這三種紋理圖像的類別數均為2-6類；步驟2，對初始紋理圖像分為16X16大小互不重疊的粗圖像塊，對每個圖像塊進行二維離散小波變換；步驟3,利用增強HMM-HMT模型計算粗尺度的初分割結果，具體步驟為(3.1)對二維離散小波變換后的各個圖像塊內的系數，通過EM算法訓練出各圖像塊的隱馬爾可夫樹模型HMT參數ifMr，,/ZM7;，柳代表平滑圖像塊，^代表奇異圖像塊；(3.2)對初始分割的各個圖像塊周圍鄰域的8個圖像塊進行標記，其中將中心塊記為C,將與中心塊直接相鄰的4個塊記為I類鄰域塊，將與中心塊對角線方向的4個塊記為I類鄰域塊；其鄰域結構圖如圖1所示；(3.3)采用類Viterbi算法訓練各個初始分割圖像塊的塊隱狀態概率^=;7(5="、中心塊C至I類鄰域塊的隱狀態轉移概率^和中心塊C至I類鄰域塊的隱狀態轉移概率凡,,構成EHMM的參數，其中*={^^}，代表平滑圖像塊，^代表奇異圖像塊；(3.3.1)對于每一個圖像塊所聯系的塊隱狀態變量，其初始值可任意賦值，并初始化增強HMM參數&，am,々m，*={w^}，附,"={儲力；(3.3.2)依據塊隱狀態變量的值對所有圖像塊分成i/iiT^和i/M7;2組，//M乙代表平滑圖像塊組HMT參數，ifM:代表奇異圖像塊組HMT參數，更新每一組的HMT參數，并計算每一個圖像塊^對塊隱狀態A的似然4(K,)，*,={^,4，/",2,…，2，2為圖像塊的總個數；(3.3.3)計算中心塊C的后驗概率^(yy和中心塊C與其8鄰域的聯合狀態概率^(^):<formula>formulaseeoriginaldocumentpage11</formula>(3.3.4)對(1)式求最大值，估計最可能的狀態序列A，^，^,、,^,、，^，^，^L并對中心塊C的隱狀態變量賦值為化；(3.3.5)將每一個圖像塊均當作中心塊C一次，并按步驟(3.3.3)和(3.3.4)估計出每個圖像塊的隱狀態變量的值；(3.3.6)若參數收斂，則滿足終止條件，訓練停止；否則，轉步驟(3.3.2);(3.4)輸入1^丁參數/^7;1，/^^和增強1^1]\4的參數％、《，、&，并利用這些參數計算各類紋理圖像的似然-<formula>formulaseeoriginaldocumentpage11</formula>其中,",)和《,(『Sl)分別代表圖像塊A在:類、n類鄰域塊作用下它屬于第f類紋理的似然，"(f^^/K^IA"),、1,…，2，5,表示第i個圖像塊的隱狀態變量，^為第i個圖像塊的小波系數，*={^^}，《={//^^丄,^^^7;，《,，~1，2,..，￡;(3.5)從各類紋理的似然值中找出最大的一個似然值，用該最大似然所對應的紋理類別作為粗圖像塊的初分割結果。步驟4，利用多狀態加權HMT模型計算各細尺度的初分割結果，具體方法為依次將紋理圖像分割成8X8、4X4和2X2大小互不重疊的細圖像塊，利用粗圖像塊上的得到的模型參數&、/fl《L和ffl《，計算各細圖像塊上各節點,'的似然值，并在各類紋理的似然值中找出最大的一個似然值，作為各細圖像塊的初分割結果，該似然值的計算公式如下其中，,=1，2,...，￡,￡為紋理類別數，《為第f類紋理的增強HMM-HMT參數,似然lw)和a^)分別由參數//M7:和//mt:在四叉樹上通過一次自下而上的掃描過程計算得到,其表達式為、W)"(WI=力其中，T7表示由圖像塊內的小波系數構成的四叉樹上的一個節點，~表示節點7y的塊隱狀態，(表示小波系數子樹77所包含的小波系數。步驟5，將粗尺度j上的初分割結果以k4擴展，使之與細尺度j-l上的初分割的各個節點一一對應，然后判斷粗尺度節點s是否為邊界節點，確定出紋理圖像的邊界，具體步驟如下(5.1)若粗尺度y'上節點s的8鄰域中存在與該節點s不同紋理類別的節點，則S為邊界節點；(5.2)若粗尺度y'上節點s的紋理類別與其細尺度7—1上子節點f的紋理類別不一致，則還需要利用細尺度_/_2上的邊界信息判斷節點s是否為邊界節點；(5.3)若同時滿足如下兩個子條件，則認為s是否為邊界節點-第一個條件是對于粗尺度y上節點s的似然/,=(/:,/;，...,/，)，取/,的各分量中次小者為候選紋理，且候選紋理類別與細尺度上子節點^的紋理類別第二個條件是以細尺度>1上子節點f為中心劃3x3大小的窗口，將該窗口聯系一個窗口似然矢量/,>=(^''，...，/4^'',/5^'',f',…，C'),其中各分量，如表示節點f的8鄰域窗口內序號為1的節點屬于紋理類別/^^/,的似然，序號5對應窗口的中心子節點f，序號1-4和6-9對應子節點f的8鄰域;同理,對粗尺度y做以上處理,并將以子節點s為中心的窗口聯系一個窗口似然矢量^w-(r"',…,/rs/廣'，/廣s…，c')，則子節點纟的窗口似然矢量乙(。的方差比節點^的窗口似然矢量/,>的方差要大；即v"r"'，...w;，"，…，")>v"k/,v..,/:,/;,/6v..,")其中,v"K/;，…，/:，/;,/:,…,/;)定義為^(/;廣.，/:,/;,/:,".，0=^1:(/;-")2j9'=i步驟6，采用基于最大后驗概率MAP的多尺度融合策略確定紋理圖像邊界節點的紋理類別，按照粗圖像塊的初分割結果確定紋理圖像非邊界節點的紋理類別，得到最終的紋理分割結果；微紋理圖像、宏紋理圖像和混合紋理圖像的分割結果分別如圖4、圖6、圖8所示，其中(a)是分割的模板，(b)是HMT分割方法，(c)是結合邊界信息的多尺度MAP融合HMT分割方法，(d)是多尺度MAP融合EHMM-HMT分割方法(e)是結合邊界信息的多尺度MAP融合EHMM-HMT分割方法。本發明的效果可通過以下仿真實驗進一步說明為了具體說明本發明的優勢和特點，下面對該發明的實現過程進行詳細介紹，并應用到紋理圖像分割過程中去，得到的分割結果見附圖。實驗l:最粗尺度上的初分割結果實驗1目的是測試并比較EHMM-HMT模型和HMM-HMT模型在最粗尺度上的初分割性能。我們將不同性質的紋理合成了3類測試紋理，分別進行了仿真實驗。它們分別是均勻紋理、非均勻紋理及其混合紋理的和紋理。實驗的各紋理均是Brodatz紋理圖像庫里的紋理樣圖，它包含112幅自然紋理圖像，大小均為640x640，256級灰度。如圖2所示，第一行由三幅4類測試紋理組成，其中mosaicl由均勻紋理D9、D75、D95、D68合成，mosaic2由非均勻紋理D42、D63、D91、D71合成，mosaic3由均勻非均勻混合紋理D95、D9、D68、D91合成;第二行由三幅5類測試紋理組成，其中mosaic4由均勻紋理D35、D21、D16、D18、D95合成，mosaic5由非均勻紋理D42、D63、D91、D71、D108合成，mosaic6由均勻非均勻混合紋理D75、D9、D68、D95、D42合成。表1給出了EHMM-HMT與HMM-HMT在最粗尺度上的初分割精度。表1EHMM-HMT與HMM-HMT在最粗尺度上初分割性能比較(正確率:％)模型均勻紋理非均勻紋理混合紋理mosaic1mosaic4mosaic2mosaic5mosaic3mosaic6畫M-HMT95.0188.5787.9874.9093.1684.37EHMM-腿T95.7388.9689.1675.2092.2984.48由表1可見，對于大多數測試紋理，EHMM-HMT在最粗尺度的初分割性能比HMM-HMT要優。同時可見，由于EHMM-HMT對中心塊與8鄰域內的所有塊建立直接聯系，增強了模型對紋理空間結構的描述能力，進而提高了粗尺度的初分割性能。實驗2:各細尺度的初分割結果本部分以實驗1中的測試圖像為例，分別運用EHMM-HMT、HMT、MSWHMT計算各細尺度上的初分割，然后給出了它們的邊界檢測精度和所耗時間。由于基于小波域的EHMM-HMT在最細尺度上剖分得到的圖像塊大小為2X2，此時基于塊的HMT模型退化為IM模型，故在表4、表5、表6中未給出其結果，并將其邊界檢測精度和耗時分別標記為"X"和"/"。本實驗的硬件測試平臺是:Pentium4CPU，主頻2.9GHz，內存l.OGB;軟件平臺為:WindowsXP操作系統和Matlab7.3.0。表2對均勻紋理在各尺度上的邊界檢測精度及耗時<table>tableseeoriginaldocumentpage14</column></row><table><table>tableseeoriginaldocumentpage15</column></row><table>表3對非均勻紋理在各尺度上的邊界檢測精度及耗時<table>tableseeoriginaldocumentpage15</column></row><table>表4對混合紋理在各尺度上的邊界檢測精度及耗時<table>tableseeoriginaldocumentpage15</column></row><table><table>tableseeoriginaldocumentpage16</column></row><table>表2、表3和表4分別給出了EHMM-HMT、HMT、MSWHMT在各細尺度上的初分割結果。結果表明，EHMM-HMT模型在更精細的尺度，比如8X8、4X4禾B2X2上重新估計EHMM-HMT參數不僅增加了算法的運行時間，而且得到的邊界檢測精度不盡如人意，在多數指標上遜于MSWHMT模型的結果。一方面，由于紋理特征通常以觀察者所選取尺度的不同而變化，因此對圖像分割而言，一幅圖像針對某特定的應用總存在其最合理的尺度；另一方面，由于EHMM-HMT在細尺度上剖分的塊隨尺度變小而變小，而細尺度上較小的塊卻不能提供足夠多的基本信息，于是基于較小的塊計算出的似然可信度差，最終導致在此基礎之上訓練得到的EHMM參數并不能準確地描述紋理的宏觀特征。分析MSWHMT模型我們發現，一方面，MSWHMT舍棄了圖像塊與鄰域圖像塊間的聯系，消除了塊鄰域成員對中心圖像塊的影響，不再通過描述圖像塊間的鄰域關系來捕捉紋理空間結構信息，提高了MSWHMT對區域間邊界的感知能力。另一方面，MSWHMT保留了描述不同紋理子結構的全局統計信息，實現了對各紋理子結構的宏觀估計與局部描述的有機結合，在各細尺度上達到了減少區域邊界誤分的目的，因而在細尺度上對邊界的檢測比EHMM-HMT、HMT性能更優。權利要求1.一種基于增強空域-變換域統計模型的紋理圖像分割方法，包括如下步驟(1)輸入紋理圖像的類別數E，并將紋理圖像初始分割成16×16大小互不重疊的粗圖像塊，對每一個圖像塊做二維離散小波變換；(2)對二維離散小波變換后的各個圖像塊內的系數，通過EM算法訓練出各圖像塊的隱馬爾可夫樹模型HMT參數HMTsm，HMTs，sm代表平滑圖像塊，s代表奇異圖像塊；(3)對初始分割的各個圖像塊周圍鄰域的8個圖像塊進行標記，其中將中心塊記為C，將與中心塊直接相鄰的4個塊記為I類鄰域塊，將與中心塊對角線方向的4個塊記為II類鄰域塊；(4)采用類Viterbi算法訓練各個初始分割圖像塊的塊隱狀態概率πk＝p(B＝k)、中心塊C至I類鄰域塊的隱狀態轉移概率αm，n和中心塊C至II類鄰域塊的隱狀態轉移概率βm，n，構成增強HMM的參數，其中k＝{sm，s}，m，n＝{sm，s}，sm代表平滑圖像塊，s代表奇異圖像塊；(5)輸入HMT參數HMTsm，HMTs和增強HMM的參數πk、αm，n、βm，n，并利用這些參數計算各類紋理圖像的似然<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>L</mi><mrow><mo>(</mo><mi>C</mi><mo>|</mo><msub><mi>θ</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>=</mo><munder><mi>max</mi><mrow><msub><mi>k</mi><mn>1</mn></msub><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo><msub><mi>k</mi><mn>9</mn></msub></mrow></munder><mo>{</mo><msubsup><mi>π</mi><msub><mi>k</mi><mi>C</mi></msub><mi>t</mi></msubsup><mo>×</mo><msubsup><mi>α</mi><mrow><msub><mi>k</mi><mi>C</mi></msub><mo>→</mo><msub><mi>k</mi><mi>I</mi></msub></mrow><mi>t</mi></msubsup><mo>×</mo><msubsup><mi>β</mi><mrow><msub><mi>k</mi><mi>C</mi></msub><mo>→</mo><msub><mi>k</mi><mi>II</mi></msub></mrow><mi>t</mi></msubsup><mo>×</mo><msubsup><mi>l</mi><msub><mi>k</mi><mi>I</mi></msub><mi>t</mi></msubsup><mrow><mo>(</mo><msub><mi>W</mi><msub><mi>B</mi><mi>I</mi></msub></msub><mo>)</mo></mrow><mo>×</mo><msubsup><mi>l</mi><msub><mi>k</mi><mi>II</mi></msub><mi>t</mi></msubsup><mrow><mo>(</mo><msub><mi>W</mi><msub><mi>B</mi><mi>II</mi></msub></msub><mo>)</mo></mrow><mo>}</mo></mrow>]]></math></maths>其中，id="icf0002"file="A2009100233620002C2.tif"wi="12"he="4"top="178"left="45"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>和id="icf0003"file="A2009100233620002C3.tif"wi="12"he="4"top="179"left="65"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>分別代表圖像塊Bi在I類、II類鄰域塊作用下它屬于第t類紋理的似然，<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>l</mi><mi>k</mi></msub><mrow><mo>(</mo><msub><mi>W</mi><msub><mi>B</mi><mi>i</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><mi>p</mi><mrow><mo>(</mo><msub><mi>W</mi><msub><mi>B</mi><mi>i</mi></msub></msub><mo>|</mo><msub><mi>B</mi><mi>i</mi></msub><mo>=</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo></mrow>]]></math>id="icf0004"file="A2009100233620002C4.tif"wi="49"he="5"top="187"left="82"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>i＝1，…，Q，Bi表示第i個圖像塊的隱狀態變量，id="icf0005"file="A2009100233620002C5.tif"wi="4"he="4"top="197"left="99"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>為第i個圖像塊的小波系數，k＝{sm，s}，<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>θ</mi><mi>t</mi></msub><mo>=</mo><mo>{</mo><msubsup><mi>HMT</mi><mi>sm</mi><mi>t</mi></msubsup><mo>,</mo><msubsup><mi>HMT</mi><mi>s</mi><mi>t</mi></msubsup><mo>,</mo><msubsup><mi>π</mi><mi>k</mi><mi>t</mi></msubsup><mo>,</mo><msubsup><mi>α</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow><mi>t</mi></msubsup><mo>,</mo><msubsup><mi>β</mi><mrow><mi>m</mi><mo>,</mo><mi>n</mi></mrow><mi>t</mi></msubsup><mo>}</mo><mo>,</mo></mrow>]]></math>id="icf0006"file="A2009100233620002C6.tif"wi="58"he="4"top="205"left="48"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>t＝1，2，…，E；(6)從各類紋理的似然值中找出最大的一個似然值，用該最大似然所對應的紋理類別作為粗圖像塊的初分割結果；(7)依次將紋理圖像分割成8×8、4×4和2×2大小互不重疊的細圖像塊，利用粗圖像塊上的得到的模型參數πk、HMTsmt和HMTst，計算各細圖像塊上各節點i的似然值，并在各類紋理的似然值中找出最大的一個似然值，作為各細圖像塊的初分割結果，該似然值的計算公式如下<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msub><mi>l</mi><msub><mi>θ</mi><mi>t</mi></msub></msub><mrow><mo>(</mo><msubsup><mi>W</mi><mi>i</mi><mi>j</mi></msubsup><mo>|</mo><msub><mi>θ</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>=</mo><mi>f</mi><mrow><mo>(</mo><msubsup><mi>W</mi><mi>i</mi><mi>j</mi></msubsup><mo>|</mo><msub><mi>θ</mi><mi>t</mi></msub><mo>)</mo></mrow><mo>=</mo><msubsup><mi>π</mi><mi>sm</mi><mi>t</mi></msubsup><msubsup><mi>l</mi><mi>sm</mi><mi>t</mi></msubsup><mrow><mo>(</mo><msubsup><mi>W</mi><mi>i</mi><mi>j</mi></msubsup><mo>)</mo></mrow><mo>+</mo><msubsup><mi>π</mi><mi>s</mi><mi>t</mi></msubsup><msubsup><mi>l</mi><mi>s</mi><mi>t</mi></msubsup><mrow><mo>(</mo><msubsup><mi>W</mi><mi>i</mi><mi>j</mi></msubsup><mo>)</mo></mrow></mrow>]]></math></maths>其中，t＝1，2，…，E，E為紋理類別數，θt為第t類紋理的增強HMM-HMT參數，似然lsmt(Wij)和lst(Wij)分別由參數HMTsmt和HMTst在四叉樹上通過一次自下而上的掃描過程計算得到，其表達式為<mathsid="math0005"num="0005"><math><![CDATA[<mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mi>l</mi><mi>sm</mi><mi>t</mi></msubsup><mrow><mo>(</mo><msup><msub><mi>W</mi><mi>i</mi></msub><mi>j</mi></msup><mo>)</mo></mrow><mo>=</mo><mi>p</mi><mrow><mo>(</mo><msup><msub><mi>W</mi><mi>i</mi></msub><mi>j</mi></msup><mo>|</mo><msub><mi>k</mi><msubsup><mi>T</mi><mi>i</mi><mi>j</mi></msubsup></msub><mo>=</mo><mi>sm</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msubsup><mi>l</mi><mi>s</mi><mi>t</mi></msubsup><mrow><mo>(</mo><msup><msub><mi>W</mi><mi>i</mi></msub><mi>j</mi></msup><mo>)</mo></mrow><mo>=</mo><mi>p</mi><mrow><mo>(</mo><msup><msub><mi>W</mi><mi>i</mi></msub><mi>j</mi></msup><mo>|</mo><msub><mi>k</mi><msubsup><mi>T</mi><mi>i</mi><mi>j</mi></msubsup></msub><mo>=</mo><mi>s</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced>]]></math></maths>其中，Tij表示由圖像塊內的小波系數構成的四叉樹上的一個節點，id="icf0009"file="A2009100233620003C3.tif"wi="4"he="5"top="124"left="33"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>表示節點Tij的塊隱狀態，Wij表示小波系數子樹Tij所包含的小波系數；(8)將粗尺度j上的初分割結果以1∶4擴展，使之與細尺度j-1上的初分割的各個節點一一對應，然后判斷粗尺度節點s是否為邊界節點，確定出紋理圖像的邊界；(9)采用基于最大后驗概率MAP的多尺度融合策略確定紋理圖像邊界節點的紋理類別，按照粗圖像塊的初分割結果確定紋理圖像非邊界節點的紋理類別，得到最終的紋理分割結果。2.根據權利要求1所述的紋理圖像分割方法，其中步驟(4)的具體訓練過程如下2a)對于每一個圖像塊所聯系的塊隱狀態變量，其初始值可任意賦值，并初始化增強HMM參數&,am,y^，&=&附,4，》7，"={柳力；2b)依據塊隱狀態變量的值對所有圖像塊分成//m乙和//mt;2組，//m7^代表平滑圖像塊組HMT參數，/w《代表奇異圖像塊組HMT參數，更新每一組的HMT參數，并計算每一個圖像塊^,對塊隱狀態it的似然4(^,)，《="m,s}，"1，2，…，2，2為圖像塊的總個數；2c)計算中心塊c的后驗概率^(&)和中心塊c與其8鄰域的聯合狀態概率^(^):<formula>formulaseeoriginaldocumentpage4</formula>其中，<formula>formulaseeoriginaldocumentpage4</formula>2d)對(1)式求最大值，估計最可能的狀態序列{、,*2,*3,*4,^,、,W~}，并對中心塊c的隱狀態變量賦值為k;2e)將每一個圖像塊均當作中心塊C一次，并按步驟(2c)和(2d)估計出每個圖像塊的隱狀態變量的值；2f)若參數收斂，則滿足終止條件，訓練停止；否則，轉步驟(2b)。3.根據權利要求1所述的紋理圖像分割方法，其中步驟(8)所述的判斷粗尺度節點s是否為邊界節點，確定出紋理圖像的邊界，具體實現過程如下3a)若粗尺度上節點s的8鄰域中存在與該節點s不同紋理類別的節點，則s為邊界節點；3b)若粗尺度7'上節點s的紋理類別與其細尺度戶l上子節點f的紋理類別不一致，則還需利用細尺度戶2上的邊界信息判斷s是否為邊界節點；3c)若同時滿足如下兩個子條件，則認為s是否為邊界節點第一個條件是對于粗尺度7上節點S的似然/,=(/乂,...,0,取/,的各分量中次小者為候選紋理，且候選紋理類別與細尺度上子節點f的紋理類別I^^一致；第二個條件是以細尺度>1上子節點^為中心劃3x3大小的窗口，將該窗口聯系一個窗口似然矢量c(c',…,cv廣',c',…,c'),其中各分量，如r"'表示節點^的s鄰域窗口內序號為i的節點屬于紋理類別丄"^/,的似然，序號5對應窗口的中心子節點f,序號1-4和6-9對應子節點f的8鄰域;同理，對粗尺度；做以上處理,并將以子節點s為中心的窗口聯系一個窗口似然矢量Lw=(『'V..，d"''，fv..,C，則子節點f的窗口似然矢量/,)的方差比節點s的窗口似然矢量/^)的方差要大；即<formula>formulaseeoriginaldocumentpage5</formula>其中,v"k/;，…,/:,/;，/:,…,/;)定義為<formula>formulaseeoriginaldocumentpage5</formula>全文摘要本發明公開了一種基于增強空域-變換域統計模型的紋理圖像分割方法，它屬于圖像處理
技術領域：
。主要解決現有紋理圖像分割方法分割準確性差，計算復雜度高的問題。其分割步驟為(1)輸入紋理圖像和紋理類別數；(2)對紋理圖像分成16×16的粗圖像塊，對每個圖像塊進行二維離散小波變換；(3)訓練EHMM-HMT參數，計算粗圖像塊的似然值及粗尺度上的分割結果；(4)對紋理圖像進行分成8×8、4×4和2×2的細圖像塊；(5)計算粗圖像塊的似然值及各細尺度上的分割結果；(6)結合邊界信息的多尺度MAP融合。本發明具有紋理圖像分割準確度高，計算復雜度低的優點，可用于微紋理和宏紋理圖像的分割。文檔編號G06T7/40GK101609557SQ20091002336公開日2009年12月23日申請日期2009年7月17日優先權日2009年7月17日發明者彪侯,芳劉,焦李成,爽王,緱水平,郝紅俠,樺鐘,陳蓉偉申請人:西安電子科技大學