專利名稱：基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理和機(jī)器學(xué)習(xí)領(lǐng)域，主要涉及一種基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法。
背景技術(shù)：
圖像分割是數(shù)字圖像處理過程中的關(guān)鍵技術(shù)之一。圖像分割的任務(wù)是將輸入圖像分割為一些獨(dú)立的區(qū)域，使得同一區(qū)域具有相同的屬性，而使不同區(qū)域具有不同的屬性。圖像分割是進(jìn)一步進(jìn)行圖像識別，分析和理解的基礎(chǔ)，在理論研究和實際應(yīng)用中都得到人們廣泛的重視。對于圖像分割問題，人們已經(jīng)提出了很多方法，但是鑒于圖像具有種類多、數(shù)據(jù)量大、變化多等特點(diǎn)，迄今為止還沒有一種圖像分割的方法適用于所有的情況，此外分割結(jié)果的好壞也需要根據(jù)具體的場合和要求去評價。因此，圖像分割仍然是目前的研究熱點(diǎn)之一。在現(xiàn)有的圖像分割方法中，基于統(tǒng)計模型的圖像分割方法應(yīng)用的相當(dāng)廣泛。這類方法常常選用某個統(tǒng)計模型來描述待分割圖像像素值的分布，通過一定的訓(xùn)練和學(xué)習(xí)過程估計出統(tǒng)計模型的結(jié)構(gòu)和相應(yīng)的參數(shù)，并且獲得每個像素點(diǎn)關(guān)于各個欲劃分出的類的概率的大小，最后將最大概率所對應(yīng)的類作為當(dāng)前像素點(diǎn)分割到的類。與這樣的流程相對應(yīng)的是機(jī)器學(xué)習(xí)領(lǐng)域中的無監(jiān)督學(xué)習(xí)過程。在已知的基于統(tǒng)計模型的圖像分割方法中，最常見也是應(yīng)用最為廣泛的模型就是高斯混合模型(GMM)。但是在實際中由于采集或是圖像本身的原因，會存在少數(shù)零星的像素點(diǎn)與大多數(shù)像素點(diǎn)的值差別較大，這樣的像素點(diǎn)常常被稱為野值點(diǎn)。由于GMM中各個混合成分服從高斯分布，其概率密度函數(shù)的尾部不夠長，所以對野值點(diǎn)的魯棒性能較差。此外，在GMM中，需要預(yù)先指定混合成分的數(shù)目，一旦該數(shù)目指定之后，該GMM的模型的結(jié)構(gòu)基本確定了，而實際的圖像像素的特征值的分布所對應(yīng)的混合成分?jǐn)?shù)目無法獲得，因此，采用GMM在描述特征值的分布時，會由于混合成分?jǐn)?shù)目設(shè)定不當(dāng)而產(chǎn)生GMM過擬合(該數(shù)目設(shè)定過大)或欠擬合(該數(shù)目設(shè)定過小)的現(xiàn)象，從而降低了圖像分割的效果。正是由于現(xiàn)有的基于GMM的圖像分割方法存在著上述兩個問題，所以需要改進(jìn)現(xiàn)有的方法，進(jìn)一步提高圖像分割系統(tǒng)的效果和性能。

發(fā)明內(nèi)容
本發(fā)明的目的就在于解決現(xiàn)有技術(shù)的缺陷，設(shè)計、研究基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法。本發(fā)明的技術(shù)方案是基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法，其特征在于包括以下步驟(1)提取待分割圖像的特征信息將待分割的圖像中的每個像素點(diǎn)的像素值從 RGB坐標(biāo)轉(zhuǎn)換到LUV坐標(biāo)，從而得到了一個三維數(shù)據(jù)集X，XHxJL ,其中N為像素點(diǎn)的數(shù)目，Xn為每一個像素點(diǎn)的特征信息數(shù)據(jù)矢量；(2)對具有無限成分?jǐn)?shù)的t混合模型進(jìn)行參數(shù)估計；在完成這一估計過程以后，對
5于每一個像素點(diǎn)的特征信息數(shù)據(jù)矢量^，可以得到與其相關(guān)的隱變量\的分布，在該分布中，q(znJ = 1)，j = 1，. . .，L表示當(dāng)前像素點(diǎn)η是由具有無限成分?jǐn)?shù)的t混合模型中的第 j個成分產(chǎn)生的概率，j = l，...，L; (3)判決將與每個像素點(diǎn)η相關(guān)的q(znj = 1)，j = 1，. . .，L中的最大值所對應(yīng)的序號作為該像素點(diǎn)^cn所最終分配到的類Cn，即從而將圖像分割成具有相似屬性的類，得到分割完成的圖像。在所述的基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法中，所述的L為實際操作過程中近似代表⑴的一個較大的數(shù)，其取值范圍為10 30之間的正整數(shù)。在所述的基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法中，對所述的具有無限成分?jǐn)?shù)的t混合模型進(jìn)行參數(shù)估計的步驟如下(1)產(chǎn)生N個服從[1，L]區(qū)間上均勻分布的隨機(jī)整數(shù)，統(tǒng)計該區(qū)間上各整數(shù)出現(xiàn)的概率；即，如果產(chǎn)生了 個整數(shù)j，那么δ j = Nj/N ；對于每個I，對應(yīng)的隱變量κ的初始分布為(2)設(shè)定超參數(shù)泗廣兮^^必弋丨^一的初始值；對于所有的乂]· = 1,... ,L),mj =0，λ」=1，P」可以取3 20之間的任意數(shù)，Wj = 10 · I, I為單位矩陣，Vj可以取1 100之間的任意數(shù)，α可以取1 10之間的任意數(shù)；此外，迭代次數(shù)計數(shù)變量k = 1 ；(3)更新隱變量{u x:\ % 的分布，即，q(unj) = Gamiunj | vnjVvnj2)，其超參數(shù)
丄的更新公式為vnjl=^[q(znj =1)-3+ Vj],
_ 9] Kj2 = 二 1).〈“ -Mj)T Ay (xn -//,)〉+。_，
其中 {(xn — Mj )T A7 (χ -μ])) = γ + ρ] (χη-Oij)1 W^xn-Aj)-,在首次迭代時計算< (χη- μ」)τ Λ」(χη- μ」) > 時， , Jj = ；Ij ’~Ρ] = Ρ) = Wy ；(4)更新隨機(jī)變量從’八乂一的分布，即，^^，八》=" !!^,!^；^…」^,々》,
相應(yīng)的超參數(shù){m}丨=1的更新公式如下
~ NXj =^+Σ q(znj = 1) · (unj), q{zn) = Y\q{znj=\) = Y[dJ
1 Γ N m, =^ A,m,+y(q(znj = 1).(unj〉.^ Pj = Pj +yZq^nj = 1),
631
l〉_5〈log 〉-孓〈 〉·〈(&-"/八/n,)〉，
Ynj =exp||;(log(l-^)>+(log^) +在上式中，各項期望< · >的計算公式如下〈嗽〉Ι—ΜΑ', (log(l-J^)) = (log Unj) = ) - log Vwj2,
Γ(‘) (logk D = Xr
d=\
Pj+l-d)
| + log|Wy| + 31og2,其中Γ ( ·)為標(biāo)準(zhǔn)的gamma函數(shù)，Γ ( ·)‘為標(biāo)準(zhǔn)gamma函數(shù)的導(dǎo)數(shù)；此外， <(xn-yJ)TAJ(xn-yJ)>iP <unJ>的計算方法已分別在步驟(3)和步驟⑷給出；(7)更新自由度參數(shù){V,。，S卩，解如下含有Vj的方程 1 +
Σ =1 機(jī)=1) “=1
t 他=l)[〈log 〉-〈 〉]+ 1叩[令
I^L0 r^/2)可以選用常用的數(shù)值計算方法，如牛頓法，快速地獲得此方程的解Vj(8)計算當(dāng)前迭代后的似然值LIKk，k為當(dāng)前的迭代次數(shù)W；'= W；1+A7HiX=1).〈 〉.x,x T-々
n=l其中，〈 〉=W^y2;(5)更新隨機(jī)變量{VX=]的分布，即，Q(Vj) = BetaiVj | ~βΛ,β]2)，相應(yīng)的超參數(shù)
總的更新公式為
~NΛι=1 + Σ"(、=1),
M=I
~NL A2 =僅 + Σ Σ ^Ζη> = O；
w=l ι=7+1 (6)更新隱變量的分布
f\2nj
K q(zn) = Y\
戶ι
V1 γ 、Z1J/=1 ζ nj'
其中
去〈log丨Λ,
權(quán)利要求
1.基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法，其特征在于包括以下步驟(1)提取待分割圖像的特征信息將待分割的圖像中的每個像素點(diǎn)的像素值從RGB坐標(biāo)轉(zhuǎn)換到LUV坐標(biāo)，從而得到了一個三維數(shù)據(jù)集X，X = ,其中N為像素點(diǎn)的數(shù)目，ι為每一個像素點(diǎn)的特征信息數(shù)據(jù)矢量；(2)對具有無限成分?jǐn)?shù)的t混合模型進(jìn)行參數(shù)估計；在完成這一估計過程以后，對于每一個像素點(diǎn)的特征信息數(shù)據(jù)矢量^，可以得到與其相關(guān)的隱變量\的分布，在該分布中， q(znJ = 1)，j = 1，. .，L表示當(dāng)前像素點(diǎn)η是由具有無限成分?jǐn)?shù)的t混合模型中的第j個成分產(chǎn)生的概率，j = 1，...，L;(3)判決將與每個像素點(diǎn)η相關(guān)的q(Ziy_= 1)，j = 1，. . .，L中的最大值所對應(yīng)的序號作為該像素點(diǎn)^所最終分配到的類Cn，即
2.根據(jù)權(quán)利要求1所述的基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法，其特征在于， L為實際操作過程中近似代表⑴的一個較大的數(shù)，其可以取10 30之間的某個任意正整數(shù)。
3.根據(jù)權(quán)利要求1所述的基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法，其特征在于， 對具有無限成分?jǐn)?shù)的t混合模型進(jìn)行參數(shù)估計的步驟如下(1)產(chǎn)生N個服從[1，L]區(qū)間上均勻分布的隨機(jī)整數(shù)，統(tǒng)計該區(qū)間上各整數(shù)j(j= 1，...，L)出現(xiàn)的概率3」；8卩，如果產(chǎn)生了 個整數(shù)」，那么δ」= Ν/Ν;對于每個^，對應(yīng)的隱變量K的初始分布為
全文摘要
本發(fā)明公開了一種基于無限成分?jǐn)?shù)的t混合模型的圖像分割方法，本方法充分利用了無線混合成分結(jié)構(gòu)和t分布所帶來兩方面的優(yōu)點(diǎn)，可以獲得更好的圖像分割效果。本發(fā)明首先對待分割的圖像進(jìn)行特征信息的提取，接著利用提取出的各像素點(diǎn)的特征信息矢量對具有無限成分?jǐn)?shù)的t混合模型進(jìn)行參數(shù)估計，估計完成后可以獲得各個像素點(diǎn)由各個欲劃分出的類所產(chǎn)生的概率，最后進(jìn)行判決，將每個像素點(diǎn)關(guān)于各個類的概率值中的最大值所對應(yīng)的序號作為該像素點(diǎn)最終所分配到的類，從而完成圖像分割過程。本發(fā)明的方法可以有效地提高圖像分割的效果，對圖像中的野值點(diǎn)具有較高的魯棒性，從而使分割出的圖像具有較好的平滑性，此外，本方法可以根據(jù)待分割的圖像自適應(yīng)的調(diào)節(jié)模型的混合成分?jǐn)?shù)目，避免了傳統(tǒng)的基于高斯混合模型的圖像分割方法中由于混合成分?jǐn)?shù)目設(shè)置不當(dāng)而容易出現(xiàn)的過擬合和欠擬合現(xiàn)象。
文檔編號G06T7/00GK102236898SQ20111023016
公開日2011年11月9日 申請日期2011年8月11日 優(yōu)先權(quán)日2011年8月11日
發(fā)明者魏昕 申請人:魏昕