基于自適應(yīng)高斯混合模型的魯棒圖像分割方法
【專利摘要】本發(fā)明公開一種可提高高斯混合模型分割精度、降低高斯混合模型對(duì)噪聲敏感度的基于自適應(yīng)高斯混合模型的魯棒圖像分割方法，按照如下步驟進(jìn)行：把圖像由RGB顏色空間轉(zhuǎn)換到顏色空間，對(duì)得到的三個(gè)分量做非下采樣輪廓變換分解，對(duì)得到的高頻子帶做硬閾值去噪處理，使用去噪后的高頻子帶和原來的低頻子帶進(jìn)行非下采樣輪廓變換重構(gòu)，得到去噪后的三個(gè)分量；把得到的去噪后的三分量使用模糊C均值算法分類，使用分類結(jié)果初始化自適應(yīng)高斯混合模型參數(shù)，使用最大后驗(yàn)估計(jì)自適應(yīng)高斯混合模型的參數(shù)，建立自適應(yīng)高斯混合模型；使用最大后驗(yàn)概率分類，得到分割結(jié)果。
【專利說明】基于自適應(yīng)高斯混合模型的魯棒圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于多媒體信息處理的圖像分割【技術(shù)領(lǐng)域】，尤其是一種可提高高斯混合模型分割精度、降低高斯混合模型對(duì)噪聲敏感度的基于自適應(yīng)高斯混合模型的魯棒圖像分割方法。
【背景技術(shù)】
[0002]多年來，圖像分割一直是數(shù)字圖像處理技術(shù)中的一項(xiàng)關(guān)鍵技術(shù)，其目的是將圖像中具有特殊意義的區(qū)域分割開來，這些區(qū)域是互不相交的，每一區(qū)域都滿足特定區(qū)域的一致性，它是圖像分析和模式識(shí)別的第一步，在許多計(jì)算機(jī)視覺應(yīng)用中發(fā)揮著重要的作用，比如目標(biāo)檢測(cè)和識(shí)別、圖像檢索等。雖然人們對(duì)圖像分割技術(shù)已經(jīng)做了大量的研究，但是由于圖像的復(fù)雜性，還沒有一種標(biāo)準(zhǔn)的分割方法適合所有種類的圖像。
[0003]目前圖像分割的方法有很多，早期的圖像研究主要將分割方法分為兩大類，一種是基于邊界的分割方法，另一種是基于區(qū)域的分割方法。基于區(qū)域的分割方法依賴于圖像的空間局部特征，如灰度、紋理及其他像素統(tǒng)計(jì)特性的均勻性等，典型的基于區(qū)域分割方法有區(qū)域生長(zhǎng)、區(qū)域分裂及區(qū)域生長(zhǎng)和分裂相結(jié)合的方法等。由于這些方法依賴于圖像的灰度值，因此它們的主要優(yōu)點(diǎn)是對(duì)噪聲不敏感，但是這些方法常常造成圖像的過分割問題，而且，分割結(jié)果很大程度依賴于種子點(diǎn)的選擇，分割所得區(qū)域的形狀也依賴于所選擇的分割算法。基于邊界的分割方法主要是利用梯度信息確定目標(biāo)的邊界，包括局部微分算子，如Roberts算子、Sobel算子、Prewitt梯度算子和Laplacian 二階差分算子等,這些方法不依賴于已處理像素的結(jié)果，適于并行化，但缺點(diǎn)是對(duì)噪聲敏感，而且當(dāng)邊緣像素值變化不明顯時(shí)，容易產(chǎn)生假(false)邊界或不連續(xù)的邊界。
[0004]當(dāng)前的圖像分割研究已經(jīng)進(jìn)入了一個(gè)新的階段，主要表現(xiàn)在統(tǒng)計(jì)工具的廣泛使用。基于統(tǒng)計(jì)模型的圖像分割方法包括基于多尺度變換域統(tǒng)計(jì)模型的圖像分割方法和基于空域統(tǒng)計(jì)模型的圖像分割方法，前者是在原始圖像經(jīng)過某一變換后，根據(jù)變換域信息進(jìn)行建模，常見的有基于高斯混合模型(GMM)、基于Wavelet、Contourlet等隱馬爾可夫樹模型(HMT)的分割方法；后者則是直接在原始圖像基礎(chǔ)上對(duì)感興趣的特征進(jìn)行建模，常見的有基于空域馬爾可夫隨機(jī)場(chǎng)(MRF)模型的圖像分割方法。這類分割方法借助統(tǒng)計(jì)模型捕獲了圖像的特征，相比于傳統(tǒng)的分割方法，得到了更加準(zhǔn)確的分割結(jié)果。
[0005]基于高斯混合模型的圖像分割方法越來越廣泛的應(yīng)用于圖像分割領(lǐng)域，但是最大算法(EM)是一種局部尋優(yōu)的算法，EM算法估計(jì)出來的高斯混合模型的參數(shù)不夠精確，導(dǎo)致高斯混合模型的分割結(jié)果不準(zhǔn)確。

【發(fā)明內(nèi)容】

[0006]本發(fā)明是為了解決現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種可提高高斯混合模型分割精度、降低高斯混合模型對(duì)噪聲敏感度的基于自適應(yīng)高斯混合模型的魯棒圖像分割方法。[0007]本發(fā)明的技術(shù)解決方案是:一種基于自適應(yīng)高斯混合模型的魯棒圖像分割方法，其特征在于按照如下步驟進(jìn)行:
a.把圖像由RGB顏色空間轉(zhuǎn)換到.0fiV/lT顏色空間，對(duì)得到的三個(gè)分量做非下采樣
輪廓變換分解，對(duì)得到的高頻子帶做硬閾值去噪處理，使用去噪后的高頻子帶和原來的低頻子帶進(jìn)行非下采樣輪廓變換重構(gòu)，得到去噪后的三個(gè)分量；
b.把得到的去噪后的三分量使用模糊C均值算法分類，使用分類結(jié)果初始化自適應(yīng)高斯混合模型參數(shù)，使用最大后驗(yàn)估計(jì)自適應(yīng)高斯混合模型的參數(shù)，建立自適應(yīng)高斯混合模型；
c.使用最大后驗(yàn)概率分類，得到分割結(jié)果。
[0008]所述a步驟如下:
a.1把輸入圖像由RGB顏色空間轉(zhuǎn)換成Cm.α?顏色空間;
a.2對(duì)進(jìn)行一層非下采樣輪廓變換分解，得到一個(gè)低頻和η個(gè)高頻子帶
Wlf馬.……，I#J ；
a.3對(duì)得到的每個(gè)高頻子帶使用硬閾值進(jìn)行去噪得到IWpi/:,……,/1:}；
硬閾值可以表示為'
【權(quán)利要求】
1.一種基于自適應(yīng)高斯混合模型的魯棒圖像分割方法，其特征在于按照如下步驟進(jìn)行: a.把圖像由RGB顏色空間轉(zhuǎn)換到CIEiα?顏色空間，對(duì)得到的三個(gè)分量做非下采樣輪廓變換分解，對(duì)得到的高頻子帶做硬閾值去噪處理，使用去噪后的高頻子帶和原來的低頻子帶進(jìn)行非下采樣輪廓變換重構(gòu)，得到去噪后的三個(gè)分量； b.把得到的去噪后的三分量使用模糊C均值算法分類，使用分類結(jié)果初始化自適應(yīng)高斯混合模型參數(shù)，使用最大后驗(yàn)估計(jì)自適應(yīng)高斯混合模型的參數(shù)，建立自適應(yīng)高斯混合模型； c.使用最大后驗(yàn)概率分類，得到分割結(jié)果。
2.根據(jù)權(quán)利要求1所述基于自適應(yīng)高斯混合模型的魯棒圖像分割方法，其特征在于所述a步驟如下: a.1把輸入圖像由RGB顏色空間轉(zhuǎn)換成CIEiα?)'顏色空間; a.2對(duì)L*進(jìn)行一層非下采樣輪廓變換分解，得到一個(gè)低頻和η個(gè)高頻子帶IH1M2t-MJ ； a.3對(duì)得到的每個(gè)高頻子帶使用硬閾值進(jìn)行去噪得到
3.根據(jù)權(quán)利要求1的基于自適應(yīng)高斯混合模型的魯棒圖像分割方法，其特征在于所述b步驟如下: b.1 AGMM參數(shù)初始化使用FCM算法進(jìn)行初始化，需要初始化聚類數(shù)目c=2，隨機(jī)初始化隸屬度矩陣U，滿足每個(gè)像素屬于兩類的隸屬度之和等于1，初始聚類中心使用公式
4.根據(jù)權(quán)利要求3所述基于自適應(yīng)高斯混合模型的魯棒圖像分割方法，其特征在于所述c步驟如下: 假設(shè)前景像素記為C1，背景像素記為
【文檔編號(hào)】G06T5/00GK103761727SQ201310735556
【公開日】2014年4月30日 申請(qǐng)日期:2013年12月28日 優(yōu)先權(quán)日:2013年12月28日
【發(fā)明者】王向陽(yáng), 張顯金 申請(qǐng)人:遼寧師范大學(xué)