專利名稱：基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種實(shí)用、高效無(wú)監(jiān)督圖像優(yōu)化分割方法，尤其涉及一種適合于醫(yī)學(xué)圖像、氣象衛(wèi)星圖像、航空航片等感興趣區(qū)目標(biāo)精確提取的一種基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法。
背景技術(shù)：
分割技術(shù)是圖像分析與理解的基礎(chǔ)，因此，其在科學(xué)研究、生產(chǎn)活動(dòng)等領(lǐng)域均有廣泛運(yùn)用。如臨床神經(jīng)外科手術(shù)前的病灶評(píng)估，氣象云圖中不同云彩類型的區(qū)域分類，航片中不同農(nóng)作物的精確統(tǒng)計(jì)等都急需有一種快速、穩(wěn)健的分割技術(shù)。然而，在目前眾多的分割技術(shù)中，由于在獲取中由于種種不同原因，或多或少均帶有噪聲，獲得的圖像是退化的，這給分割帶來(lái)諸多不便，使分割效果不甚理想，從而對(duì)分割方法的要求也更為苛刻，致使有些分割方法的適用性將產(chǎn)生一定變數(shù)，甚至失效。
當(dāng)前，針對(duì)圖像的退化問(wèn)題，從模型上講，大體包括如下兩個(gè)方面的研究先驗(yàn)?zāi)Ｐ偷难芯颗c似然模型的研究。通常，似然模型的研究往往較前者困難，原因是要提供一種適合描述退化圖像模型是相當(dāng)困難的，而且對(duì)這種模型所提供的多項(xiàng)式求解往往是費(fèi)時(shí)的，甚至要去求解病態(tài)方程。相反，從計(jì)算量和復(fù)雜程度上講，設(shè)計(jì)一種合理的先驗(yàn)?zāi)Ｐ蛥s經(jīng)濟(jì)的多。它主要通過(guò)引入一些合理的自然規(guī)律或先驗(yàn)知識(shí)理論，使得在求解過(guò)程中只要對(duì)圖像數(shù)據(jù)加于適當(dāng)約束，就能如解決沒(méi)有退化圖像問(wèn)題一樣簡(jiǎn)單易行，且可根據(jù)具體問(wèn)題具體分析、處理，表現(xiàn)出較強(qiáng)的適用性和靈活性等優(yōu)點(diǎn)。對(duì)于分割問(wèn)題，人們往往將待分割物體表面假設(shè)成光滑的情況作為模型的先驗(yàn)知識(shí)。
對(duì)于先驗(yàn)?zāi)Ｐ偷慕ⅲ瑖?guó)際上在這方面的研究極為活躍，而在圖像分割領(lǐng)域，以馬爾科夫隨機(jī)場(chǎng)(Markov Random Fields，MRF)和吉伯斯(Gibbs)隨機(jī)場(chǎng)為主要代表的隨機(jī)場(chǎng)先驗(yàn)?zāi)Ｐ妥顬橐俗⒛?，這類隨機(jī)場(chǎng)模型解決的正是為了使分割結(jié)果表面更為光滑、連續(xù)。以時(shí)下最流行且行之有效的吉伯斯隨機(jī)場(chǎng)為例，該模型在解決一般噪聲性退化圖像問(wèn)題時(shí)，有較好分割表現(xiàn)，然而，由于傳統(tǒng)吉伯斯隨機(jī)場(chǎng)模型僅在確定類上有定義，而在模糊類上未曾涉及，屬“硬分類”，這使得對(duì)那些在不同類型附近(或交界區(qū)域)象素點(diǎn)的定義上，表現(xiàn)出刻畫(huà)不夠精細(xì)等不足。因?yàn)檫@些區(qū)域中象素點(diǎn)的歸屬問(wèn)題較難確定，屬于模糊區(qū)域，從而導(dǎo)致對(duì)它們的標(biāo)記問(wèn)題得不到更合理解決，這在衛(wèi)星云圖和航空航片上非常普遍，針對(duì)這種“硬分類”的先天不足，國(guó)際上許多著名的研究單位與實(shí)驗(yàn)室，包括美國(guó)航天局(NASA)，偏向于采用模糊隨機(jī)場(chǎng)模型方法，即所謂的“軟分類”方法，這在二值分割問(wèn)題上，雖已取得階段性進(jìn)展，然而，由于這種“軟分類”方法需用迭代條件估算(Iterative Conditional Estimation，ICE)算法來(lái)估計(jì)模型的參數(shù)，計(jì)算量較大且不易擴(kuò)展到多值問(wèn)題，目前在多值模糊分割問(wèn)題上仍處于研究和探討階段，對(duì)多值圖像的模糊分割，國(guó)際尚無(wú)相關(guān)報(bào)道。

發(fā)明內(nèi)容
本發(fā)明的旨在提供一種基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法，該方法可方便克服分割過(guò)程中因圖像退化所帶來(lái)的一系列分割困難。
本發(fā)明所提供的優(yōu)化分割方法是依據(jù)統(tǒng)計(jì)意義上的貝葉斯(Bayesian)規(guī)則。假設(shè)X為待分割的原始圖像，Y為分割后的標(biāo)記圖像，則圖像的分割問(wèn)題就轉(zhuǎn)為求解概率意義上的條件概率問(wèn)題，即求解后驗(yàn)概率P(Y/X)，根據(jù)貝葉斯規(guī)則，后驗(yàn)概率等價(jià)于先驗(yàn)概率與似然概率的乘積。其中先驗(yàn)概率描述的是分割結(jié)果中包含不同類型的成份，顯然這在分割結(jié)束前是無(wú)法得知的，只能期望其在分割結(jié)果中的某些屬性符合一定的客觀實(shí)際，因而在先驗(yàn)?zāi)Ｐ偷脑O(shè)計(jì)上就應(yīng)體現(xiàn)這種約束，如在分割過(guò)程中經(jīng)常將同一類型物體表面假設(shè)為平滑或連續(xù)等符合客觀實(shí)際的性質(zhì)；而似然概率描述的是圖像數(shù)據(jù)間的某種相關(guān)關(guān)系，因此，其似然模型常以高斯分布，泊松分布等模型加于刻畫(huà)。概而言之，要得到一種合理的分割，實(shí)際是求解概率意義上的先驗(yàn)概率與似然概率乘積的一個(gè)最大化過(guò)程，即通過(guò)設(shè)計(jì)先驗(yàn)?zāi)Ｐ秃退迫荒Ｐ停⑼ㄟ^(guò)尋優(yōu)方式得到后驗(yàn)概率最大化(Maximum aposteriori，MAP)過(guò)程，因此，相應(yīng)的分割也稱最大后驗(yàn)分割。
基于上述分析討論，將本發(fā)明的優(yōu)化分割方法包括如下步驟1、讀入退化的、待分割的灰度圖像，將圖像的灰度信息讀出并存儲(chǔ)于某一數(shù)組A中，并將所有象素點(diǎn)的灰度值變換到0～255的范圍內(nèi)2、將讀出的灰度信息按正弦變換或線性變換，變換到廣義模糊隸屬度[-1，1]間，得到關(guān)于圖像的廣義模糊集，用另一數(shù)組B表示；3、通過(guò)在傳統(tǒng)吉伯斯隨機(jī)場(chǎng)模型基礎(chǔ)上，加上一個(gè)表示廣義模糊特性的廣義模糊勢(shì)能項(xiàng)，建立圖像的廣義模糊隨機(jī)場(chǎng)模型，具體過(guò)程為在步驟2所得的廣義模糊集中，通過(guò)對(duì)集團(tuán)中的不同閥勢(shì)能進(jìn)行累加得到廣義模糊勢(shì)能項(xiàng)，將傳統(tǒng)隨機(jī)場(chǎng)模型中的勢(shì)能項(xiàng)更改為確定類的勢(shì)能項(xiàng)與廣義模糊勢(shì)能項(xiàng)的總和。該模糊勢(shì)能項(xiàng)通過(guò)在廣義模糊集團(tuán)的閥勢(shì)能上給予模糊定義，使得所建立的廣義模糊隨機(jī)場(chǎng)模型在描述象素間相關(guān)約束方面，更為細(xì)膩、精確有效；4、建立圖像的似然模型并取得相應(yīng)的模型參數(shù)，即得到關(guān)于步驟2所述的廣義模糊集中象素點(diǎn)的密度函數(shù)；該密度函數(shù)用于描述圖像數(shù)據(jù)間的相關(guān)關(guān)系；獲得描述這種密度函數(shù)的相關(guān)參數(shù)，如高斯分布中的均值和方差等，通過(guò)對(duì)圖像求直方圖或執(zhí)行K均值或模糊C均值聚類方法得到；5、根據(jù)貝葉斯規(guī)則、步驟3和步驟4所獲得的圖像廣義模糊隨機(jī)場(chǎng)模型與圖像似然模型，完成對(duì)圖像的最大后驗(yàn)標(biāo)記；這可以通過(guò)條件迭代模式(IterativeConditional Mode，ICM)的尋優(yōu)過(guò)程得以實(shí)現(xiàn)；6、將標(biāo)記后的圖像廣義模糊集，按步驟2的逆變換變換回灰度區(qū)間，得到標(biāo)記的灰度圖像，從而實(shí)現(xiàn)對(duì)圖像的分割。
由于本發(fā)明通過(guò)對(duì)灰度圖像進(jìn)行適當(dāng)?shù)淖儞Q，取得關(guān)于圖像的廣義模糊隸屬度，然后利用該廣義模糊隸屬度來(lái)擴(kuò)展傳統(tǒng)模糊分割模型中的隸屬度，不僅可以充分利用傳統(tǒng)模糊分割的優(yōu)點(diǎn)，而且這樣的擴(kuò)展能夠直接運(yùn)用于多值的模糊分割。本發(fā)明方法首次將廣義模糊集(Generalized Fuzzy Sets，GFS)概念與模糊隨機(jī)場(chǎng)(Fuzzy Random Field，F(xiàn)RF)完美融合在一起，創(chuàng)造一種適合描述多值模糊分割的廣義模糊隨機(jī)場(chǎng)(Generalized Fuzzy Random Fields，GFRF)新框架，通過(guò)在廣義模糊框架下，實(shí)現(xiàn)與圖像數(shù)據(jù)更貼切的上下文約束先驗(yàn)?zāi)Ｐ偷臉?gòu)造、圖像特征參數(shù)的設(shè)計(jì)，并最終完成對(duì)圖像的優(yōu)化分割，從而首次突破實(shí)驗(yàn)階段的二值分割限制，實(shí)現(xiàn)了真正具有實(shí)際應(yīng)用價(jià)值的多值模糊分割。本發(fā)明方法在無(wú)需人工干預(yù)和預(yù)處理?xiàng)l件下能自動(dòng)實(shí)現(xiàn)對(duì)模糊圖像的自動(dòng)、精確分割，且表現(xiàn)出良好的魯棒性。
利用不同分割方法，針對(duì)一幅大小為256*256，8比特的MR退化圖像的分割結(jié)果，見(jiàn)圖2、圖3、圖4。
下表1為本發(fā)明分割算法與傳統(tǒng)確定類分割算法分割MR退化圖像中灰質(zhì)、腦脊液、白質(zhì)三種不同區(qū)域的重疊率(重疊率為國(guó)際標(biāo)準(zhǔn)之一，其中重疊率越高，反映其分割的精確性越高)。

表1 兩類不同分割算法得到三種不同區(qū)域的重疊率通過(guò)附圖2、圖3、圖4和表1的實(shí)驗(yàn)數(shù)據(jù)，可以清晰地得到本發(fā)明方法在退化圖象的分割問(wèn)題上有其獨(dú)到之處。


圖1為本發(fā)明的流程框圖；圖2為一幅待分割的大小為256*256，8比特的MR退化圖像(該圖像目標(biāo)中包含背景、灰質(zhì)、腦脊液、白質(zhì)4種不同的區(qū)域)；圖3為利用傳統(tǒng)確定類吉伯斯隨機(jī)場(chǎng)的分割結(jié)果圖；圖4為利用本發(fā)明模糊優(yōu)化分割方法得到的分割結(jié)果圖。
步驟1，讀入退化灰度圖像Brain4.bmp，然后將圖像的灰度信息存儲(chǔ)于數(shù)組A中，可以根據(jù)圖像的不同比特?cái)?shù)，通過(guò)線性變換將其限制到規(guī)定的灰度值0～255范圍內(nèi)；由于所讀入的灰度圖像為8比特，因此，這里不需要變換圖像的灰度值；步驟2，按正弦變換將灰度圖像變換成廣義模糊圖像，得到圖像的廣義模糊集。通過(guò)對(duì)圖像中的所有象素按表達(dá)式為T(mén)(xij)=sin[π2(1-xmax-xminD)]]]>的正弦變換規(guī)則，將灰度圖像映射到廣義模糊隸屬度[-1，1]間，其中正弦變換規(guī)則表達(dá)式中的xmax和xmin為圖像中灰度的極大值(xmax＝255)和極小值(xmin＝0)，且滿足D>xmax-xmin2;]]>另外也可以用線性變換T(xij)=1-xmax-xijD,]]>完成將圖像灰度信息轉(zhuǎn)化成廣義模糊集，用另一數(shù)組B表示；
步驟3，通過(guò)在傳統(tǒng)吉伯斯隨機(jī)場(chǎng)模型基礎(chǔ)上，加上一個(gè)表示廣義模糊特性的廣義模糊勢(shì)能項(xiàng)，建立圖像的廣義模糊隨機(jī)場(chǎng)模型。具體過(guò)程為在步驟2所得的廣義模糊集中，通過(guò)對(duì)集團(tuán)中的不同閥勢(shì)能φ(Ys，Yt)進(jìn)行累加得到廣義模糊勢(shì)能項(xiàng)Uf(x)，將傳統(tǒng)隨機(jī)場(chǎng)模型中的勢(shì)能項(xiàng)更改為確定類的勢(shì)能項(xiàng)Uh(x)與廣義模糊勢(shì)能項(xiàng)Uf(x)的總和。與傳統(tǒng)確定類勢(shì)能項(xiàng)類似的是，廣義模糊勢(shì)能項(xiàng)Uf(x)也通過(guò)對(duì)集團(tuán)中的不同閥勢(shì)能φ(Ys，Yt)進(jìn)行累加得到，閥勢(shì)能表達(dá)式為φ(Ys，Yt)＝-β.(1-2×|Ys，Yt|)；不同的是，傳統(tǒng)確定類中Ys和Yt僅在0或1兩者之間選擇，而在本步驟中，其選擇范圍擴(kuò)展到[-1，1]之間，從而通過(guò)不同的隸屬度，得到不同的集團(tuán)勢(shì)能，很顯然其鄰域間不同象素點(diǎn)的刻畫(huà)程度將更為細(xì)膩、可靠；步驟4，建立圖像的似然模型并取得相應(yīng)的模型參數(shù)，即得到關(guān)于步驟2所述的廣義模糊集中象素點(diǎn)的密度函數(shù)。對(duì)于一般的分割問(wèn)題，通常可以設(shè)定圖像的密度函數(shù)滿足高斯分布，根據(jù)對(duì)圖像求直方圖或執(zhí)行K均值或模糊C均值的聚類方式求出四種不同類型的均值和標(biāo)準(zhǔn)差，它們分別為(-0.9779，0.032)、(-0.396，0.261)、(0.008，0.173)、(0.336，0.083)；然后根據(jù)高斯分布函數(shù)公式得出相應(yīng)的密度函數(shù)。另外也可根據(jù)圖像具體的情況而定，設(shè)定圖像的密度函數(shù)滿足泊松分布，此時(shí)可按泊松分布來(lái)獲得參數(shù)，并求得象素點(diǎn)的密度函數(shù)；步驟5，根據(jù)貝葉斯(Bayesian)規(guī)則、步驟3中獲得的圖像廣義模糊隨機(jī)場(chǎng)模型、步驟4中獲得的圖像似然模型，并通過(guò)條件迭代模式的尋優(yōu)過(guò)程，實(shí)現(xiàn)對(duì)圖像的最大后驗(yàn)標(biāo)記；步驟6，將標(biāo)記后的圖像廣義模糊集，按步驟二的逆變換變換回灰度區(qū)間，得到標(biāo)記的灰度圖像，從而實(shí)現(xiàn)對(duì)圖像的分割。
權(quán)利要求
1.一種基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法，其特征在于包括如下步驟(1)讀入退化的、待分割的灰度圖像，將圖像的灰度信息讀出并存儲(chǔ)于某一數(shù)組A中，并將所有象素點(diǎn)的灰度值變換到0～255的范圍內(nèi)；(2)將讀出的灰度信息按變換規(guī)則變換到廣義模糊隸屬度[-1，1]間，得到關(guān)于圖像的廣義模糊集，用另一數(shù)組B表示；(3)通過(guò)在傳統(tǒng)吉伯斯隨機(jī)場(chǎng)模型基礎(chǔ)上，加上一個(gè)表示廣義模糊特性的廣義模糊勢(shì)能項(xiàng)，建立圖像的廣義模糊隨機(jī)場(chǎng)模型，具體過(guò)程為在步驟2所得的廣義模糊集中，通過(guò)對(duì)集團(tuán)中的不同閥勢(shì)能進(jìn)行累加得到廣義模糊勢(shì)能項(xiàng)，將傳統(tǒng)隨機(jī)場(chǎng)模型中的勢(shì)能項(xiàng)更改為確定類的勢(shì)能項(xiàng)與廣義模糊勢(shì)能項(xiàng)的總和；(4)建立圖像的似然模型并取得相應(yīng)的模型參數(shù)，即得到關(guān)于步驟2所述的廣義模糊集中象素點(diǎn)的密度函數(shù)；該密度函數(shù)用于描述圖像數(shù)據(jù)間的相關(guān)關(guān)系；(5)根據(jù)貝葉斯規(guī)則、步驟3所獲得的圖像廣義模糊隨機(jī)場(chǎng)模型和步驟4圖像似然模型，通過(guò)條件迭代模式的尋優(yōu)過(guò)程完成對(duì)圖像的最大后驗(yàn)標(biāo)記；(6)將標(biāo)記后的圖像廣義模糊集，按步驟二的逆變換變換回灰度區(qū)間，得到標(biāo)記的灰度圖像，從而實(shí)現(xiàn)對(duì)圖像的分割。
2.根據(jù)權(quán)利要求1所述的基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法，其特征在于步驟2中所述的變換規(guī)則為正弦變換或線性變換。
3.根據(jù)權(quán)利要求1所述的基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法，其特征在于步驟4中所述密度函數(shù)的相關(guān)參數(shù)通過(guò)對(duì)圖像求直方圖或執(zhí)行K均值或模糊C均值聚類方法得到。
全文摘要
本發(fā)明公開(kāi)了一種基于廣義模糊隨機(jī)場(chǎng)的圖像優(yōu)化分割方法，包括以下步驟1、讀入退化的、待分割的灰度圖像；2、將讀出的灰度信息變換到廣義模糊隸屬度[－1，1]間，得到關(guān)于圖像的廣義模糊集；3、建立圖像的廣義模糊隨機(jī)場(chǎng)模型；4、建立圖像的似然模型并取得相應(yīng)的模型參數(shù)；5、根據(jù)貝葉斯規(guī)則、步驟3和步驟4所獲得的模型，完成對(duì)圖像的最大后驗(yàn)標(biāo)記；6、將標(biāo)記后圖像的廣義模糊集，按步驟二的逆變換變換回灰度區(qū)間，得到標(biāo)記的灰度圖像，從而實(shí)現(xiàn)對(duì)圖像的分割。本發(fā)明通過(guò)在廣義模糊框架下，完成對(duì)圖像的優(yōu)化分割，從而突破實(shí)驗(yàn)階段的二值分割限制，實(shí)現(xiàn)了真正具有實(shí)際應(yīng)用價(jià)值的多值模糊分割；而且分割精確，魯棒性好。
文檔編號(hào)G06T17/05GK1489115SQ03140159
公開(kāi)日2004年4月14日 申請(qǐng)日期2003年8月14日 優(yōu)先權(quán)日2003年8月14日
發(fā)明者林亞忠, 陳武凡 申請(qǐng)人:中國(guó)人民解放軍第一軍醫(yī)大學(xué)