專利名稱：基于參數(shù)初始化Contourlet域HMT模型的圖像分割方法
技術領域：
本發(fā)明屬于圖像處理技術領域，特別是一種涉及圖像分割的方法，該方法可應用于對
合成孔徑雷達SAR圖像、自然紋理圖像的分割。
背景技術：
圖像分割是將圖像劃分為若干有意義的區(qū)域。圖像分割在圖像處理、分析和理解中是 十分重要的技術環(huán)節(jié)，圖像分割的質(zhì)量的優(yōu)劣、區(qū)域界限定位的精度直接影響后續(xù)的區(qū)域 描述以及圖像的分析和理解。近年來，隨著各學科許多新理論和方法的提出，人們也提出 了許多結(jié)合一些特定理論、方法和工具的分割技術，例如隱馬爾科夫樹HMT模型。HMT 模型是近年來發(fā)展起來并應用于圖像處理的一種參數(shù)統(tǒng)計模型，該模型可以充分挖掘小波 系數(shù)之間的統(tǒng)計特性，從而將小波系數(shù)分布的求解問題轉(zhuǎn)化為HMT中對應的隱狀態(tài)確定 問題。2001年，韓國的Choi提出了小波域隱馬爾科夫樹模型的圖像分割方法WD-HMTseg， 參見H.Choi, R.G.Baraniuk. Multiscale Image Segmentation Using Wavelet-Domain Hidden Markov Models. IEEE Transactions on Image Processing, 2001, 10 (9): 1309-1321 。該方法中， 隱馬爾科夫樹模型利用了小波的的多尺度特性，使系數(shù)之間的關系轉(zhuǎn)變成隱狀態(tài)的歸屬問
題，然后對不同尺度的小波系數(shù)進行粗分割。在粗分割的基礎上對在不同尺度的粗分割結(jié) 果進行上下文分析，融合，并結(jié)合最大后驗概率對圖像進行分割，得到最終的分割結(jié)果。 Choi在分割中結(jié)合了小波系數(shù)。小波對含點狀奇異的目標函數(shù)是最優(yōu)的基，在分析這類目 標時小波系數(shù)是稀疏的，但對具有線狀奇異的函數(shù)，小波系數(shù)則不再稀疏。在高維情況下， 小波分析不能充分利用數(shù)據(jù)本身所特有的幾何特征，不能夠很好的挖掘圖像中方向邊緣信 息，容易產(chǎn)生方塊效應。小波基較差的角度分辨率也決定了它不能充分捕捉圖像中的高維 奇異性信息，分割結(jié)果圖像中容易產(chǎn)生方向邊緣成分模糊和奇異性擴散現(xiàn)象。小波存在的 這種問題，推動了多尺度幾何分析MGA的發(fā)展。脊波對具有直線奇異的多變量函數(shù)具有 很好的逼近性能，但對含曲線奇異的多變量函數(shù)逼近性能只相當于小波變換，不具有最優(yōu) 非線性逼近誤差衰減階。單尺度脊波解決了含曲線奇異的多變量函數(shù)的稀疏逼近問題，但 基本尺度是固定的。Curvelet變換則在所有尺度上分解，遺憾的是Randon變換的存在決定 了單尺度脊波和Curvelet的計算復雜度和冗余度都很高，這樣大大限制了他們的應用。2002年，美國作者M.N.Do等人提出了一種"真正"的圖像二維表示方法Contourlet變換， 參見Do M. N, Vetterli M. Contourlets: a new directional multiresolution i邁age representation. Signals, Systems and Computers, Conference Record of the Thirty-Sixth Asilomar Conference, Rochester: 2002,1:3-6。它是利用塔形分解LP和方向濾波器組DFP實現(xiàn)的一種多分辨的、 局域的、方向的圖像表示方法，繼承了Curvelet變換的各向異性的多尺度關系，在某種意 義上可以認為是Curvelet變換的另一種快速有效的數(shù)字實現(xiàn)。
Contourlet變換是一種不可分離的多尺度信號表征方法，能有效的"跟蹤"圖像中的 線奇異性特征，"捕捉"自然圖像本身所固有的光滑邊緣等幾何結(jié)構(gòu)。并且不僅具有多分 辨和時頻局部性，而且有很好的各向異性，從而可以更全面地表征圖像本身的幾何特征。 這種模型與小波域HMT模型的主要區(qū)別在于前者不但可以描述尺度間和子帶內(nèi)系數(shù)之間 的相關性，而且可以同時描述不同方向間系數(shù)的相關性，而后者只具有描述前兩種相關性 的能力?；贑ontourlet變換的優(yōu)點，2004年，印度作者B.S.Raghavendra提出一種基于 Cotourlet域CHMT模型的多尺度紋理分割方法，參見B.S. Raghavendra, P. Subbanna Bhat. Contourlet Based Multiresolution Texture Segmentation Using Contextual Hidden Markov Models. CIT 2004， LNCS 3356, pp. 336~343， 2004。該方法結(jié)合上下文關系的隱馬爾可夫樹 模型及Contourlet變換，進行了對于紋理圖像的亞像素級分割，并給出了不同尺度上的分 割結(jié)果。該方法在不同尺度上對合成紋理圖像的分割明顯優(yōu)于小波的同類方法視覺及參數(shù) 評價效果。但是此方法只給出了粗分割的結(jié)果，并沒有給出像素級的最終分割結(jié)果。對于 這種情況，2005年，沙宇恒提出了基于Contourlet域HMT模型的圖像分割方法CHMTseg， 參見Sha Yuheng， Cong Iin， Sun Qiang, et al. Multiscale image segmentation based on contourlet-domain hidden markov trees model. Journal of Infrared and Millimeter Waves,2005,24(6):472-476。并提出一種新的上下文模型進行基于上下文模型的圖像融合， 得到最終的分割結(jié)果。該方法為了更有效保持Contourlet域不同尺度間的信息，提出一種 新的加權鄰域背景模型，給出了基于高斯混合模型的象素級分割算法和基于新的背景模型 的多尺度融合算法。該方法不論從紋理圖，航拍圖還是SAR圖像的分割結(jié)果來看，都優(yōu)于 WD-HMT模型的圖像分割結(jié)果。根據(jù)Contourlet變換的特點，圖像的邊緣信息保持較好， 但是對于均一區(qū)域，圖像分割的結(jié)果并未顯示明顯的優(yōu)點。中立的參數(shù)初始化使得參數(shù)訓 練的效率及精度得到降低，產(chǎn)生誤差，且上下文也不能充分的利用不同尺度間系數(shù)之間的關 系，從而導致分割結(jié)果區(qū)域一致性和邊緣準確性差。 發(fā)明內(nèi)容本發(fā)明的目的在于克服已有技術的不足，提出一種改進的Contourlet域HMT模型的 圖像分割方法ICHMTseg，利用精確的初始化參數(shù)提高訓練參數(shù)的效率和質(zhì)量，以實現(xiàn)對 圖像分割效果的改善。
實現(xiàn)本發(fā)明目的的技術方案是結(jié)合參數(shù)初始化規(guī)則和更有效的上下文模型JMCMS， 這種規(guī)則改變了以往HMT模型參數(shù)訓練按中值選取初始參數(shù)值的方法，而使用結(jié)合多尺 度變換系數(shù)層間和層內(nèi)的關系進行初始值計算的方法，使后續(xù)工作能較完美的進行。 JMCMS模型能充分利用上下文之間的關系進行粗尺度的融合，可以得到較好的分割效果。 其具體實現(xiàn)過程如下-
(1) 輸入訓練圖像，對輸入圖像均進行Contourlet變換，得到對應的Contourlet系數(shù)；
(2) 由訓練圖像對應的Contourlet系數(shù)，求得EM訓練算法的初始值
<formula>formula see original document page 6</formula>
式中，/表示Contourlet分解對應的尺度，m,w = S,A表示Contourlet系數(shù)在HMT模型中 分別對應的小狀態(tài)和大狀態(tài)，j^(附)為尺度/上狀態(tài)取值為m的概率，A 為尺度/上狀態(tài) 取值為m的高斯混合模型的均值參數(shù)，《m為尺度Z上狀態(tài)取值為附的高斯混合模型的方 差參數(shù)，為尺度/上狀態(tài)取值為m轉(zhuǎn)移為尺度/ +1上狀態(tài)取值為《的概率；
(3) 利用所述的初始值對EM算法的參數(shù)進行初始化，再采用初始化的EM算法對訓練 圖像對應的Contourlet系數(shù)進行訓練，得到Contourlet域HMT模型的參數(shù)e ;
(4) 輸入測試圖像，對測試圖像進行Contourlet變換，根據(jù)所求的模型參數(shù)6，求出測 試圖像在Contourlet分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值/汰e/幼oW,/ > 0 ， /表 示Contourlet分解對應的尺度；
(5) 對步驟(l)輸入的訓練圖像進行高斯建模，求出測試圖像像素點對應的似然值 /汰e/z7 o0^， 0表示像素級對應的尺度；
(6) 將步驟(4)所述的測試圖像在Contourlet分解的各尺度上對應的數(shù)據(jù)塊J對應的似 然值/汰e朋ooW,/ > 0 ，與步驟(5)所述的測試圖像像素點對應的似然值/汰e/狄00^相組合， 得到后融合所需的似然值p汰e朋00^1 ^: = 0,1,2,...,"，以此類推，直到& =〖表示融合 尺度對應的最粗尺度，
式中，A表示后融合時對應的尺度，& = 0表示融合尺度對應的最細尺度，& = 1表示 融合尺度最細尺度的上一較粗尺度；
(7) 根據(jù)后融合的似然值/汰e朋00^，采用最大化似然值ML算法，得到測試圖像在《+ l個尺度上的初分割結(jié)果；
(8)選擇JMCMS為上下文模型，采用最大化序列的后驗概率SWAP，指導圖像從尺度
《到尺度0的融合分割，取尺度0上的分割結(jié)果為最終的分割結(jié)果。
本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點
1、 由于本發(fā)明使用結(jié)合多尺度變換系數(shù)層間和層內(nèi)的關系進行初始值計算的方法， 大大提高訓練參數(shù)的效率和質(zhì)量；
2、 由于本發(fā)明后融合時采用JMCMS模型，充分利用上下文之間的關系進行粗尺度的 融合，可以得到較好的分割效果；
3、 仿真結(jié)果表明，本發(fā)明方法較CHMTseg能更有效的進行圖像分割。


圖1是本發(fā)明的流程示意圖2是本發(fā)明選取的后融合上下文背景圖3是本發(fā)明在一幅由兩類紋理合成圖像上的仿真結(jié)果圖4是本發(fā)明在一幅由三類紋理合成圖像上的仿真結(jié)果圖5是本發(fā)明在一幅分為兩類SAR圖像上的仿真結(jié)果圖6是本發(fā)明在另一幅分為兩類SAR圖像上的仿真結(jié)果圖。
具體實施例方式
參照圖l，本發(fā)明的具體實現(xiàn)步驟如下
步驟一，求出訓練數(shù)據(jù)，即訓練圖像對應的Contourlet系數(shù)。
Contourlet變換是一種不可分離的多尺度信號表征方法，能有效的"跟蹤"圖像中的 線奇異性特征，"捕捉"自然圖像本身所固有的光滑邊緣等幾何結(jié)構(gòu)。并且不僅具有多分 辨性和時頻局部性，而且有很好的各向異性，從而可以更全面地表征圖像本身的幾何特征。 這種模型與小波域HMT模型的主要區(qū)別在于前者不但可以描述尺度間和子帶內(nèi)系數(shù)之間 的相關性，而且可以同時描述不同方向間系數(shù)的相關性，而后者只具有描述前兩種相關性 的能力。因此采用Contourlet域HMT模型提取訓練圖像對應的Contourlet系數(shù)的具體實現(xiàn) 過程為輸入訓練圖像，對每一幅訓練圖像進行4層Contourlet變換，選擇'9-7'塔形分 解和方向濾波器組，則可得到訓練圖像對應的Contourlet系數(shù)。
步驟二，由步驟一所得的訓練圖像對應的Contourlet系數(shù)，求出EM訓練算法參數(shù)的初
始值{^(附),~ = 0,&,s,: I m = &丄}。
為了得到一個有效的參數(shù)初始設置，F(xiàn)an G. L等人提出了一個對EM算法的初始規(guī)則。
7這個初始化規(guī)則能有效的對參數(shù)模型進行訓練。首先將Contourlet系數(shù)根據(jù)不同尺度劃分 為若干不同的組，每組系數(shù)為同一尺度下的Contourlet系數(shù)，根據(jù)每個組的局部統(tǒng)計特性 決來判斷作為局部起始點的組，兩個相鄰組之間的轉(zhuǎn)移概率由他們對應的統(tǒng)計特性得到。 因此，整個Contourlet系數(shù)組的CHMT訓練由這些局部初始點和他們的初始概率關系開始。 這里只考慮兩狀態(tài)肘=2且均值為零的情況。給定在尺度/上的一組Contourlet系數(shù)c，初 始化由兩部分水平掃描和垂直計算完成。前一部分估計不同尺度上高斯混合模型的初始
設置/r廣t^O),^附0，;^附lm^^,丄〉，后一部分估計初始的轉(zhuǎn)移概率s;j5，具
/ ， ， ， A*
體實現(xiàn)過程如下-(1)水平計算
假設水平計算中，Contourlet系數(shù)在相同層有相同的密度，因此系數(shù)可以依照它們的 尺度被分組到不同的分類中，并且每組用兩狀態(tài)的高斯混合模型刻畫。水平計算的任務是
找到合適的兩狀態(tài)高斯混合模型參數(shù) ={/^0)，//^ = O,Z二 I m = &丄}，這是
Contourlet系數(shù)在尺度/上，且/ = 1，2，3,4。我們用EM算法來實現(xiàn)水平掃描。對于給定的 Contourlet系數(shù)C,，在尺度/上有個Contourlet系數(shù)向量，我們要估計高斯混合模型巧的
最大似然邵n/(C,l;r,)IC,，;r,]，這里，六C, |;r,) = n5。/(C^ |;r,)
其中/c .is .(<^|5^=柳.) ^、;^ ,0^),從一個中立的設置《開始水平掃描，
/，/ /，/， ， ，
設定有相等的概率j^(0) = ;^0)二0.5，由文獻，F(xiàn)an G. L" Xia X. G. Improved hidden Markov models in the wavelet-domain. IEEE Transactions on Signal Processing, 2001, 49(1):115 120,中的EM算法可以訓練得出巧。
(2)垂直計算
估計完初始高斯混合模型后，下一步進行垂直計算。給定巧，/ = 1,2,3,4和(^,,，
/=o,i，...,y—i，確定c,',.基于最大似然標準的初始隱狀態(tài)5;,為
/(CJ",) = ,.曙,附)其中7;= ^")'"12，〈111^),給定初始狀態(tài)，能計算兩相鄰尺度間的狀態(tài)
<formula>formula see original document page 9</formula>
概率和沿著樹結(jié)構(gòu)Contourlet系數(shù)的設置，由歸一化的轉(zhuǎn)移概率設置初始的狀態(tài)轉(zhuǎn)移概率 值S/!Jii。將不同尺度的狀態(tài)轉(zhuǎn)移概率平均，以得到
<formula>formula see original document page 9</formula>
這里#^ = B)表示事件A=B發(fā)生的次數(shù)。
進行完水平計算和垂直計算后，則得到初始化參數(shù)
<formula>formula see original document page 9</formula>
步驟三，利用步驟二所述的初始值對EM算法的參數(shù)進行初始化，再采用初始化的EM 算法對訓練圖像對應的Contourlet系數(shù)進行訓練，得到Contourlet域HMT模型的參數(shù)P 。
步驟四，輸入測試圖像，對測試圖像進行Contourlet變換，根據(jù)所求的模型參數(shù)P，求 出測試圖像在Contourlet分解的各尺度上對應的數(shù)據(jù)塊c/對應的似然值 /汰e/z7wcx^ ， / > 0 ，其中/表示Contourlet分解對應的尺度。
步驟五，對步驟一輸入的訓練圖像進行高斯建模，求出測試圖像像素點對應的似然值 /汰e/AooW， 0表示像素級對應的尺度。
步驟六，將步驟四所述的測試圖像在Contourlet分解的各尺度上對應的數(shù)據(jù)塊d對應的 似然值//&/// 00<^，/ > 0 ，與步驟五所述的測試圖像像素點對應的似然值/汰e///^0^相 組合，得到后融合所需的似然值p汰e/A00^1丸=0，1，2，...，〖}，其中A:表示后融合 時對應的尺度，&=0表示融合尺度對應的最細尺度，&=1表示融合尺度最細尺度的上一 較粗尺度，以此類推，直到^ =《表示融合尺度對應的最粗尺度；
步驟七，根據(jù)所求的似然值/汰e欣00(i、采用最大化似然值ML算法，得到圖像〖+ l 個尺度上的初分割結(jié)果；
步驟八，選擇JMCMS為上下文模型，采用最大化序列的后驗概率SWAP方法，指導圖像 從尺度K到尺度0的融合分割。
實現(xiàn)該步驟的具體過程如下
(8a)提取孩子尺度上每一孩子節(jié)點對應的父節(jié)點的類標值選入最終背景向量F的一 部分背景向量^中，同時選擇以父節(jié)點為中心的3X3鄰域內(nèi)數(shù)目最多的類標值選入最終背景向量F的另一部分背景向量^中，這樣就組成背景向量F: context-2，如附圖2(b)所示；
(8b)根據(jù)背景向量r和初分剖時得到的似然值/汰e欣00^，計算條件后驗概率

K，C K,"',C
湘《，《X，c^ (4)
其中cf表示尺度&上位置/處的特征系數(shù)，《表示尺度A上位置/處的背景向量，c,為 位置/上的像素點所屬的類標，e^表示尺度A上取類標為c的概率，c^，v^表示尺度A上
背景向量為V,.下取類標為C的概率；
(8c)利用下式更新e^和a^^的值
L_ z (6)
A;,c z' with "/=v,
其中巧為背景權值F的確切取值，對于A^類紋理v,有iV 種取值，p(c」df,v，)為式 (4)計算的條件后驗概率；
(8d)重復步驟(8b) 步驟(8c)直到達到迭代停止條件，即達到允許誤差； (8e)重復步驟(8a) 步驟(8d),直到尺度A:-0，得到分割結(jié)果。
(8f)提取孩子尺度上每一孩子節(jié)點對應的父節(jié)點的類標值選入最終背景向量r的一 部分背景向量^中；選擇以父節(jié)點為中心的3X3鄰域內(nèi)數(shù)目最多的類標值選入最終背景 向量r的另一部分背景向量^中，同時選擇以樣本點為中心的3X3鄰域內(nèi)數(shù)目最多的類 標值選入最終背景向量K的最后一部分背景向量K中，這樣就組成背景向量F : context-3，如附圖2(c)所示；
(8g)重復步驟(8b) 步驟(8d),直到尺度A^0，得到分割結(jié)果；
(8h)選擇以樣本點為中心的3X3鄰域內(nèi)數(shù)目最多的類標值選入最終背景向量r的最 后一部分背景向量^中，組成背景向量r: context-5，如附圖2(e)所示； (8i)重復步驟(8b) 步驟(8d)，直到尺度A-0，得到分割結(jié)果；
步驟九，通過上面八個步驟的操作，取后融合尺度O對應的分割結(jié)果作為最終分割結(jié)果。
本發(fā)明的效果可通過以下仿真進一步說明
101仿真內(nèi)容應用本發(fā)明方法和CHMTseg方法，分別對兩幅合成紋理圖像以及三幅 SAR圖像進行分割，并對于存在真正分割的合成紋理圖像統(tǒng)計應用算法得到的分割結(jié)果與 真正分割之間的不吻合的點數(shù)，即計算分割結(jié)果的錯分割率error,用客觀標準評價算法的 性能。
2仿真實驗結(jié)果
(1) 由兩類紋理合成的紋理圖像的實驗結(jié)果
用本方法以及CHMTseg方法對由兩類紋理合成的紋理圖像進行分割，其效果比較如 圖3所示。其中圖3(a)為兩類紋理合成的原始圖像；圖3(b)為應用CHMTseg方法對圖3(a) 進行分割得到的分割結(jié)果；圖3(c)為本發(fā)明方法對圖3(a)進行分割得到的分割結(jié)果。對比 這兩種方法的分割結(jié)果圖3(b) 3(c)可以看出，本發(fā)明方法分割結(jié)果的區(qū)域一致性非常好， 而在邊緣的定位方面本發(fā)明方法也要強于應用CHMTseg方法。
(2) 由三類紋理合成的紋理圖像的實驗結(jié)果
用本方法以及CHMTseg方法對由兩類紋理合成的紋理圖像進行分割，其效果比較如 圖4所示。其中圖4(a)為兩類紋理合成的原始圖像；圖4(b)為應用CHMTseg方法對圖4(a) 進行分割得到的分割結(jié)果；圖4(c)為本發(fā)明方法對圖4(a)進行分割得到的分割結(jié)果。對比 這兩種方法的分割結(jié)果圖4(b) 4(c)可以看出，本發(fā)明方法分割結(jié)果的區(qū)域一致性以及在邊 緣的定位方面均要強于應用CHMTseg方法。
(3) 客觀評價標準數(shù)據(jù)表格
表1 CHMTseg和本發(fā)明方法分割結(jié)果的錯分率比較
MethodsCHMTseg本發(fā)明方法
error3(a)1.7853%1.3828%
4(a)22.754%15.964%
從表1中可以看出，對于采用的仿真圖像3(a)、 4(a)，本發(fā)明的分割錯誤率均小于 CHMTseg方法的分割錯誤率，即本發(fā)明分割的結(jié)果與真正分割的吻合度要高于CHMTseg 方法分割的結(jié)果與真正分割的吻合度。
(4) 分為兩類的SAR圖像的實驗結(jié)果
用本方法以及CHMTseg方法對分為兩類的SAR圖像進行分割，其效果比較如圖5所 示。其中圖5(a)為兩類紋理合成的原始圖像；圖5(b)為應用CHMTseg方法對圖5(a)進行分 割得到的分割結(jié)果；圖5(c)為本發(fā)明方法對圖5(a)進行分割得到的分割結(jié)果。對比這兩種 方法的分割結(jié)果圖5(b) 5(c)可以看出，本發(fā)明方法分割結(jié)果的區(qū)域一致性以及在邊緣的定 位方面均要強于應用CHMTseg方法。
(5) 另一幅分為兩類的SAR圖像的實驗結(jié)果用本方法以及CHMTseg方法對分為兩類的SAR圖像進行分割，其效果比較如圖6所 示。其中圖6(a)為兩類紋理合成的原始圖像；圖6(b)為應用CHMTseg方法對圖6(a)進行分 割得到的分割結(jié)果；圖6(c)為本發(fā)明方法對圖6(a)進行分割得到的分割結(jié)果。對比這兩種 方法的分割結(jié)果圖6(b) 6(c)可以看出，本發(fā)明方法分割結(jié)果的區(qū)域一致性以及在邊緣的定 位方面均要強于應用CHMTseg方法。
權利要求
1.一種基于參數(shù)初始化Contourlet域HMT模型的圖像分割方法，包括如下步驟(1)輸入訓練圖像，對輸入圖像均進行Contourlet變換，得到對應的Contourlet系數(shù)；(2)由訓練圖像對應的Contourlet系數(shù)，求得EM訓練算法的初始值<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mo>{</mo><msub> <mi>p</mi> <msub><mi>s</mi><mi>l</mi> </msub></msub><mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo></mrow><mo>,</mo><msub> <mi>&mu;</mi> <mrow><mi>l</mi><mo>,</mo><mi>m</mi> </mrow></msub><mo>=</mo><mn>0</mn><mo>,</mo><msubsup> <mi>&gamma;</mi> <mrow><mi>l</mi><mo>,</mo><mi>m</mi> </mrow> <mn>2</mn></msubsup><mo>,</mo><msubsup> <mi>&epsiv;</mi> <mrow><mi>l</mi><mo>,</mo><mi>l</mi><mo>+</mo><mn>1</mn> </mrow> <mrow><mi>m</mi><mo>,</mo><mi>n</mi> </mrow></msubsup><mo>|</mo><mi>m</mi><mo>=</mo><mi>S</mi><mo>,</mo><mi>L</mi><mo>}</mo><mo>,</mo> </mrow>]]></math></maths>式中，l表示Contourlet分解對應的尺度，m，n＝S，L表示Contourlet系數(shù)在HMT模型中分別對應的小狀態(tài)和大狀態(tài)， id="icf0002" file="A2008101509250002C2.tif" wi="12" he="5" top= "73" left = "76" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>為尺度l上狀態(tài)取值為m的概率，μl，m為尺度l上狀態(tài)取值為m的高斯混合模型的均值參數(shù)，γl，m2為尺度l上狀態(tài)取值為m的高斯混合模型的方差參數(shù)，εl，l+1m，n為尺度l上狀態(tài)取值為m轉(zhuǎn)移為尺度l+1上狀態(tài)取值為n的概率；(3)利用所述的初始值對EM算法的參數(shù)進行初始化，再采用初始化的EM算法對訓練圖像對應的Contourlet系數(shù)進行訓練，得到Contourlet域HMT模型的參數(shù)θ；(4)輸入測試圖像，對測試圖像進行Contourlet變換，根據(jù)所求的模型參數(shù)θ，求出測試圖像在Contourlet分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodl，l＞0，l表示Contourlet分解對應的尺度；(5)對步驟(1)輸入的訓練圖像進行高斯建模，求出測試圖像像素點對應的似然值likelihood0，0表示像素級對應的尺度；(6)將步驟(4)所述的測試圖像在Contourlet分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodl，l＞0，與步驟(5)所述的測試圖像像素點對應的似然值likelihood0相組合，得到后融合所需的似然值{likelihoodk|k＝0，1，2，...，K}，以此類推，直到k＝K表示融合尺度對應的最粗尺度，式中，k表示后融合時對應的尺度，k＝0表示融合尺度對應的最細尺度，k＝1表示融合尺度最細尺度的上一較粗尺度；(7)根據(jù)后融合的似然值likelihoodk，采用最大化似然值ML算法，得到測試圖像在K+1個尺度上的初分割結(jié)果；(8)選擇JMCMS為上下文模型，采用最大化序列的后驗概率SWAP，指導圖像從尺度K到尺度0的融合分割，取尺度0上的分割結(jié)果為最終的分割結(jié)果。
2. 根據(jù)權利要求l所述的圖像分割方法，其中步驟(2)按如下過程進行(2a)將訓練圖像對應的Contourlet系數(shù)根據(jù)不同尺度劃分為不同的組，每組系數(shù)為同一尺度下的Contourlet系數(shù)；(2b)對每一尺度下的Contourlet系數(shù)，采用EM算法進行水平計算，得到兩狀態(tài)高斯混合模型參數(shù)巧={/^0)，A,W = 0，力^ I附=&丄};(2c)對相鄰兩尺度間的Contourlet系數(shù)，根據(jù)式l)進行相鄰尺度間的垂直計算，得到 狀態(tài)轉(zhuǎn)移概率值Sj^<formula>formula see original document page 3</formula>式中，^,為尺度/上第/個Contourlet系數(shù)向量的初始隱狀態(tài)，為尺度/上Contourlet系數(shù)向量個數(shù)，的^A-B)表示事件A二B發(fā)生的次數(shù)。
3.根據(jù)權利要求2所述的圖像分割方法，其中步驟(2b)按如下過程進行(2bl)給定Contourlet系數(shù)c,，對在尺度/上的iV,個Contouriet系數(shù)向量，估計其高斯混合模型 的最大似然五[111/((^巧)|(^,巧]，這里，/(qiA^n^/xc,,^)/(c, k,)=盒& (附)/c,凡(c" I &=m) (2)(2b2)從一個中立的設置《開始水平掃描，設定相等概率；^(;0;) = ;^(1) = 0.5; (2b3)采用EM算法，對Contourlet系數(shù)向量進行訓練，得出局部最優(yōu)參數(shù)^ = {/^,(W)， A，附=o，g附I附=&丄} °
全文摘要
本發(fā)明公開了一種基于參數(shù)初始化Contourlet域HMT模型的圖像分割方法。主要解決HMT模型參數(shù)訓練按中值選取初始參數(shù)值的方法，而使用結(jié)合多尺度變換系數(shù)層間和層內(nèi)的關系進行初始值計算的方法的缺點。其過程為輸入訓練圖像，對其進行Contourlet變換；求出EM訓練算法參數(shù)的初始值；采用EM算法求得Contourlet域HMT模型的參數(shù)θ；分別求出待分割圖像在Contourlet分解對應的各尺度上數(shù)據(jù)塊對應的似然值和待分割圖像像素點對應的似然值，并將該兩者組合，得到最終融合所需的似然值likelihood^k；求出各尺度上的初分割結(jié)果；采用JMCMS進行圖像多尺度后融合分割；取尺度0上的結(jié)果作為最終分割結(jié)果；本發(fā)明具有好的區(qū)域一致性和較準確的邊緣的優(yōu)點，可用于合成孔徑雷達SAR圖像、紋理圖像的分割。
文檔編號G06T5/00GK101620726SQ20081015092
公開日2010年1月6日 申請日期2008年9月12日 優(yōu)先權日2008年9月12日
發(fā)明者彪 侯, 鳳 劉, 張向榮, 婧 徐, 焦李成, 爽 王, 馬文萍 申請人:西安電子科技大學