專利名稱：基于自適應窗口固定及傳播的多尺度紋理圖像分割方法
技術(shù)領域：
本發(fā)明屬于圖像處理技術(shù)領域，特別是涉及多尺度紋理圖像分割方法。該方法可用于紋理圖像以及包含紋理信息的圖像，如合成孔徑雷達SAR、遙感圖像或醫(yī)學圖像的分割中。

背景技術(shù)：
自然界中存在大量具有一定紋理特性的事物，如大片玉米地、森林、房屋建筑區(qū)等等。在實際中，將這些區(qū)域進行劃分標記，對于城市的布局和規(guī)劃是非常重要的，而紋理圖像分割就是將一幅圖像中的同一紋理區(qū)域進行劃分的過程。所有的分割方法均致力于在這一過程中很好的處理同一性和不連續(xù)性，即區(qū)域均勻性和不同紋理區(qū)域之間邊界的確定這一對矛盾。而基于多尺度思想的方法由于其類似于人類視覺系統(tǒng)，能夠在不同尺度上對圖像進行表征和分析，為圖像分割過程中解決這一對矛盾開辟了一條新的思路。多尺度隱馬爾科夫模型作為一種新穎的方法，因其能夠有效地描述變換域系數(shù)在尺度間、尺度內(nèi)和方向間的統(tǒng)計相關(guān)性，從而受到圖像分析領域?qū)W者的廣泛關(guān)注。
1996年美國Rice大學的Crouse等人將小波變換與隱馬爾可夫模型聯(lián)系起來，提出了小波域隱馬爾可夫模型。1994年出生于美國的C.A.Bouman等人由圖像的貝葉斯重構(gòu)提出了基于多尺度隨機場貝葉斯的分割方法，從此致力于多尺度隱馬爾可夫模型用于圖像分割的學者均采用貝葉斯方法來作為初始分割圖像的尺度間融合方法。2001年出生于韓國的Choiet al提出的小波域隱馬爾可夫樹分割HMTseg框架，參見H.Choi，R.G.Baraniuk.MultiscaleImage Segmentation Using Wavelet-Domain Hidden Markov Models.IEEE Transactions onImage Processing，2001，10(9)1309-1321。該框架根據(jù)上尺度上類標對下尺度類標的影響構(gòu)成一種背景，采用最大化序列的后驗概率SMAP方法完成圖像的融合分割策略；該框架采用的背景及融合策略在保持了粗尺度分割結(jié)果區(qū)域一致性的時候沒有顧及到邊緣準確性。出生于中國的樊國良等人綜述了基于貝葉斯融合方法中的各種背景采用SMAP方法進行圖像的貝葉斯融合分割，參見Fan G.L.，Xia X.G.A joint multi-context and multi-scale approachto Bayesian image segmentation.IEEE Transactions on Geoscience and Remote Sensing，2001，39(12)2680-2688。文中采用的融合背景雖然考慮到多尺度融合分割時，粗尺度上分割結(jié)果的區(qū)域一致性好而細尺度上邊緣準確性好這一特點，但由于其采用SMAP方法求出背景對下一尺度上分割結(jié)果的影響，從而沒能得到很好的區(qū)域一致且邊緣準確的分割結(jié)果。此后該領域的學者一般都采用改進背景加權(quán)策略用于圖像的貝葉斯融合分割。
紋理圖像是具有聚集性的特性，即屬于同一類的紋理是連通的一片區(qū)域，并且存在幾何中心，本發(fā)明稱之為物理聚類中心。出生韓國的Katkovnik V.et al提出了一種基于多項式展開和置信區(qū)間交叉LPA_ICI算法，參見Katkovnik V.，Egiazarian K.，Astola J..Adaptivewindow size image de-noising based on intersection of confidence intervals(ICI)rule.Journal ofMathematical Imaging and Vision，2002，16(3)223-235。該算法經(jīng)常應用于圖像去噪中，它通過對圖像每一個含噪像素點找到多個自適應窗，在每個窗內(nèi)對像素進行逼近處理來達到圖像去噪的目的。
這些傳統(tǒng)的基于多尺度貝葉斯融合分割方法均利用尺度內(nèi)類標之間以及上下尺度間類標之間的聯(lián)系，構(gòu)造得到上下文融合背景，對所有類標之間的聯(lián)系進行同樣處理，即采用SWAP方法得到上尺度對下尺度進行影響的權(quán)值，不能充分利用多尺度分割粗尺度分割結(jié)果區(qū)域一致性好，細尺度分割結(jié)果邊緣準確性好這一特點，沒能很好的解決區(qū)域一致性與邊緣準確性這一對矛盾。同時這一類方法在構(gòu)造上下文背景時，均只關(guān)注類標的鄰域信息對分割結(jié)果的影響，沒有注意紋理圖像具有聚集性的特性，即屬于同一類的紋理是連通的一片區(qū)域，并且存在物理聚類中心。
發(fā)明的內(nèi)容 本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于自適應窗口固定及傳播的多尺度紋理圖像分割方法，以充分利用多尺度分割時，粗尺度上區(qū)域一致性好，細尺度上邊緣定位性好的特點，達到區(qū)域一致性和邊緣準確性相統(tǒng)一的效果。
實現(xiàn)本發(fā)明目的的技術(shù)方案是根據(jù)基于自適應多尺度窗口固定及傳播的方法結(jié)合紋理圖像區(qū)域聚集性的特性，利用多尺度小波域隱馬爾可夫樹HMT方法得到紋理圖像的初始分割結(jié)果，再取初分割的最粗尺度，即對應初分割最小圖，作為傳播基準，利用其對應的標記場及各類的物理聚類中心，采用自適應窗口固定及傳播的方法將信息進行傳遞，將上一尺度信息傳遞到下一尺度，從而影響下一尺度的分割結(jié)果。其具體實現(xiàn)過程如下 (1)輸入待分割圖像，從待分割圖像中提取每一種紋理對應的訓練圖像塊n，進行小波變換，得到小波系數(shù)，采用期望最大化EM算法，求出該小波系數(shù)所對應的HMT模型參數(shù)θn，其中n∈Nn，Nn表示待分割圖像中對應的紋理類數(shù)； (2)根據(jù)所求的模型參數(shù)θn，對待分割圖像進行小波變換，求出待分割圖像在小波分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodnj，其中j＝{1，2，3，4}表示小波分解從細到粗對應的尺度；對步驟(1)提取的訓練圖像塊n進行高斯建模，求出待分割圖像像素點對應的似然值likelihoodn0，0表示像素級對應的尺度； (3)將所述的待分割圖像在小波分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodnj，與所述的待分割圖像像素點對應的似然值likelihoodn0相組合，得到最終融合所需的似然值likelihoodnk，k＝{0，1，2，3，4}，其中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，以此類推，直到k＝4表示融合尺度對應的最粗尺度； (4)取出融合尺度對應的最粗尺度即k＝4上的似然值likelihoodn4，使用最大化似然值公式

可得到融合最粗尺度上對應的分割結(jié)果類標圖{cs|cs∈{1，2，…C}}，其中s表示圖像對應的物理坐標，C＝Nn； (5)根據(jù)分割結(jié)果類標圖，確定融合尺度k上衡量其類標可靠性的標記場{as}，as∈A，A＝{0，1}，并采用LPA_ICI算法確定出融合尺度k上各類紋理的物理聚類中心{(i1，j1)，(i2，j2)，…，(iC，jC)}； (6)根據(jù)標記場以及各類紋理的物理聚類中心，采用自適應窗口固定及傳播的多尺度分割方法，得到下一融合尺度k-1上對應的分割結(jié)果類標圖{cs|cs∈{1，2，…C}}； (7)判斷所得的分割結(jié)果類標圖是否為融合尺度k＝0上的結(jié)果，如果是融合尺度k＝0上的結(jié)果，則紋理圖像分割結(jié)束；否則，重復步驟(6)～步驟(7)直到得到k＝0上的分割結(jié)果為止。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點 1、由于本發(fā)明加入了表征紋理聚集性這一特性的物理聚類中心，提高了上下文權(quán)值背景矢量的可靠性和分割結(jié)果的精度； 2、由于本發(fā)明通過衡量類標可靠性的標記場來標記出圖像的統(tǒng)一區(qū)域和邊緣區(qū)域，從而可以在由粗到細的多尺度融合分割過程中，既確保了粗尺度上統(tǒng)一區(qū)域的均勻性傳播到細尺度上，又可使邊緣區(qū)域通過上下文權(quán)值背景矢量調(diào)整及保留細尺度上邊緣的準確性； 3、仿真結(jié)果表明，本發(fā)明方法通過對統(tǒng)一區(qū)域和邊緣區(qū)域進行不同的處理，解決了圖像分割中區(qū)域一致性與邊緣準確性這一對矛盾，使得分割結(jié)果不僅具有好的區(qū)域而且邊緣也較準確。



圖1是本發(fā)明的流程示意圖； 圖2是本發(fā)明所采用的小波域一個子帶的隱馬爾可夫樹模型示意圖； 圖3是用本發(fā)明方法對融合各尺度上的分割結(jié)果以對應的標記場圖； 圖4是本發(fā)明在一幅由兩類紋理合成的圖像上進行仿真得到的結(jié)果圖； 圖5是本發(fā)明在一幅由三類紋理合成的圖像上進行仿真得到的結(jié)果圖； 圖6是本發(fā)明在一幅由四類紋理合成的圖像上進行仿真得到的結(jié)果圖； 圖7是本發(fā)明在一幅由五類紋理合成的圖像上進行仿真得到的結(jié)果圖。

具體實施例方式 參照圖1，本發(fā)明的具體實現(xiàn)過程如下 一、求出Nn類紋理各自對應的小波域HMT模型參數(shù)θn，n∈Nn。
圖2為小波域一個子帶的隱馬爾可夫樹模型示意圖，其中實心點表示小波系數(shù)，空心點表示小波系數(shù)所處的狀態(tài)。HMT模型將分布未知的小波系數(shù)問題歸結(jié)為隱狀態(tài)確定問題，隱狀態(tài)一旦確定，每個小波系數(shù)的分布也隨之確定。假設每一層小波系數(shù)w符合一個高斯混和模型GMM，如果給每一個小波系數(shù)賦予一個隱狀態(tài)ss，則通過求得該隱狀態(tài)的概率矩陣PMF pss(m)，和高斯概率分布函數(shù)g(w；μm，σm2)以及小波系數(shù)尺度間相關(guān)性的狀態(tài)轉(zhuǎn)移矩陣

則能確定隱狀態(tài)ss的分布，從而得到小波系數(shù)的分布；小波域子帶B上對應的參數(shù)HMT模型參數(shù)表示為 式(1)中，N為小波系數(shù)的個數(shù)，m，l＝0，1為隱狀態(tài)ss的取值，B＝LH，HL，HH表示小波變換三個子帶。
所述小波域HMT模型參數(shù)θn的求過程如下 (1)從待分割圖像中提取每一種紋理對應的訓練圖像塊，大小為64×64像素； (2)采用haar小波基對每一訓練圖像塊進行4層二維正交小波變換，得到B＝LH，HL，HH這三個子帶以及四個尺度上的小波系數(shù)w； (3)對于每一個子帶上的小波系數(shù)，采用期望最大化EM算法求出該小波系數(shù)所對應的HMT模型參數(shù){θjB，j＝{1，2，3，4}}，式中j＝{1，2，3，4}表示小波分解尺度； (4)為簡單表示每一類紋理n在每一個子帶上的小波系數(shù)對應的HMT模型參數(shù){θjB，j＝{1，2，3，4}}，這里用θn表示每一種紋理所有子帶以及所有尺度上對應的小波域HMT模型參數(shù)。
二、求出第n類紋理在小波分解尺度j上的每一數(shù)據(jù)塊d對應的似然值likelihoodnj以及像素點對應的似然值likelihoodn0。
由于二維正交小波變換的系數(shù)有三個子帶，則對于每一個子帶B都對應一個HMT模型{θjB，j＝{1，2，3，4}}，為了簡化模型，將三個子帶認為是相互獨立的，則先在子帶B的模型參數(shù)下求出子帶B中每一個小波系數(shù)w對應的似然值(likelihoodnj)B；再將每一個小波系數(shù)w對應的似然值相乘，得出每一數(shù)據(jù)塊d在模型參數(shù)θn刻畫下的最終似然值，即 式中j＝{1，2，3，4}，表示小波分解從細到粗對應的尺度；最后對每一類紋理n對應的訓練圖像塊進行高斯建模，求出待分割圖像像素點對應的似然值likelihoodn0，0代表像素級對應的尺度。
三、求得最終融合所需的似然值likelihoodnk，k＝{0，1，2，3，4}。
將步驟二求得的待分割圖像在小波分解各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodnj，與求得的待分割圖像像素點對應的似然值likelihoon0相組合，得到最終融合所需的似然值likelihoodnk，k＝{0，1，2，3，4}，其中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，以此類推，直到k＝4表示融合尺度對應的最粗尺度。
四、求出融合尺度對應的最粗尺度上的分割結(jié)果類標圖{cs}，cs∈C。
取出融合尺度對應的最粗尺度k＝4上的似然值likelihoodn4，使用最大化似然值公式

則可得到融合尺度對應的最粗尺度上的分割結(jié)果類標圖{cs}，cs∈C，其中s表示圖像對應的物理坐標，C表示類標集合。
五、確定融合尺度k上分割結(jié)果類標圖對應的標記場{as}，as∈A，A＝{0，1}。
多尺度紋理圖像融合分割過程是一個從粗融合尺度到細融合尺度，從上到下逐層傳播融合過程。自適應窗口固定及傳播的方法充分利用多尺度分割粗尺度區(qū)域一致性強，細尺度邊緣準確的特點，在一層層傳遞過程中按一定原則固定一致性區(qū)域，將其節(jié)點對應類標直接傳遞給下一融合尺度上的四個孩子節(jié)點，保證一致區(qū)域的均勻性；而對于邊緣區(qū)域則也按該原則標記出來，記錄出其對下一融合尺度的影響，組成上下文背景，傳遞給下一融合尺度，從而提高邊緣區(qū)域的準確性。本發(fā)明所采用的原則即為確定一個衡量分割結(jié)果可靠性的標記場{as}，as∈A，A＝{0，1}，根據(jù)標記場的取值來確定尺度上節(jié)點的類標是否可靠；對于可靠的節(jié)點類標，將其類標下傳給下一融合尺度上的四個孩子節(jié)點；對于不可靠的節(jié)點類標，則只記錄該節(jié)點類標對下一融合尺度上四個孩子節(jié)點的影響。確定該標記場的具體過程如下 (1)以分割結(jié)果類標圖中的一個分割像素點為中心，確定一個窗口，并統(tǒng)計該窗口中屬于各類紋理的類標數(shù)目，找出各類紋理對應的類標數(shù)目的最大值，當該確定窗口的大小Vs×Vs減去閾值Vs小于或等于該最大值時，將該最大值對應的類標賦予當前中心點，且設as＝1，否則，設as＝0，該點的標記用公式表達為 式中，Vs為窗口的長度或?qū)挾龋琹abelnmax為窗口內(nèi)類標統(tǒng)計數(shù)labeln的最大值，從融合最粗尺度到融合最細尺度，即k＝{4，3，2，1，0}，對應的Vs＝{3，3，5，5，7}； (2)確定分割結(jié)果類標圖中每一個分割像素點的窗口，并統(tǒng)計這些窗口中屬于各類紋理的類標數(shù)目，找出各類紋理對應的類標數(shù)目的最大值，得到融合尺度k上分割結(jié)果類標圖所有像素點對應的標記場{as}，as∈A，A＝{0，1}。
六、采用LPA ICI算法確定出融合尺度k上各類紋理的物理聚類中心。
為了能充分應用到紋理圖像具有聚集性的特點，提高分割結(jié)果的精度，本發(fā)明在分割結(jié)果類標圖上找出各類紋理的物理聚類中心，通過判斷節(jié)點的物理位置與各類紋理的物理聚類中心的距離來記錄該節(jié)點對下一融合尺度上四個孩子節(jié)點的影響，其過程如下 (1)定義像素點的方向集合為{θr|θr＝2rπ/D，r＝0，...，D-1}，其中r＝0，...，D-1表示每一個搜索方向，D表示總搜索方向數(shù)目； (2)對于分割類標圖，假設cs是當前分割類標像素點，對每個cs，使用LPA-ICI算法先沿著方向θr找到與當前類標相同的像素點個數(shù)，即該方向上的最優(yōu)長度hr*，再求得所有方向上的最優(yōu)長度，即可得到最優(yōu)長度集合{hr*，r＝0，...，D-1}，這里總搜索方向數(shù)目D＝8； LPA_ICI算法是經(jīng)常應用于圖像去噪中的一種算法，它通過對圖像每一個含噪象素點找到多個自適應窗，在每個窗內(nèi)對像素進行逼近處理來達到圖像去噪的目的。本發(fā)明利用其能夠沿某一方向上找到與中心像素最接近的像素個數(shù)，即尋找該方向上平滑區(qū)域的長度h*這一特點而求出各類紋理聚類的物理位置中心。
(3)將當前點cs在D個方向上的最優(yōu)長度hr*相加，得到cs的面積為 (4)確定所有分割類標像素點的面積，并在屬于同一類標的點對應的面積中，取面積最大點的坐標作為對應紋理的物理聚類中心，得到各類紋理的物理聚類中心為{(i1，j1)，(i2，j２)，…，(iC，jC)}。
七、采用自適應窗口固定及傳播的多尺度分割方法，得到下一融合尺度上的分割結(jié)果。
本發(fā)明的自適應窗口固定及傳播的多尺度分割方法，根據(jù)融合尺度上標記場的取值來衡量初始分割類標可靠性，對可靠類標以及不可靠類標進行不同的處理，過程如下 (1)對融合尺度k上的標記場{as}，as∈A，A＝{0，1}進行掃描，當某點的標記值as＝1時，表明該點的類標是可靠的，屬于圖像均勻區(qū)域中的一點，因此直接將該點的類標傳遞給其在下一融合尺度上的四個孩子節(jié)點，保證了下一融合尺度統(tǒng)一區(qū)域的均勻性，得到這四個孩子節(jié)點的類標其中ρs為融合尺度k上標記值as＝1的點對應的物理位置； (2)當某點的標記值as＝0時，表明該點的類標是不可靠類標，對以該點為中心的窗口區(qū)域，根據(jù)窗口區(qū)域內(nèi)標記值的具體情況確定出該點的上下文權(quán)值背景矢量Ws；這里窗口區(qū)域大小的選取，在融合尺度k＝{4，3，2，1，0}上，分別對應為[7×7，11×11，11×11，15×15，15×15]；該點對應的上下文權(quán)值背景矢量Ws按如下步驟獲得 (a)當窗口區(qū)域內(nèi)標記值as全等于0時，求出窗口區(qū)域中心點對應的物理位置s與Nn類紋理的物理聚類中心的歐式距離得到該點對應的上下文權(quán)值背景矢量Ws＝[Wsp]，p＝1，2，…C，式中 (b)當區(qū)域內(nèi)標記值as不全等于0時，將窗口區(qū)域的中心點分為區(qū)域內(nèi)不確定點和邊緣不確定點兩種情況來確定該點的上下文權(quán)值背景矢量Ws 第一種情況將滿足窗口區(qū)域內(nèi)所有標記值as＝1的點對應的類標均為c′s，且的點作為區(qū)域內(nèi)不確定點，這里

表示該窗口區(qū)域中心點的物理位置s與該中心點所屬類的物理聚類中心的歐式距離。在這種情況下，先用c′s替換中心點即該區(qū)域內(nèi)不確定點所屬類的類標cs，再求該窗口區(qū)域中心點對應的上下文權(quán)值背景矢量，由于該點為區(qū)域內(nèi)不確定點，則其在下一融合尺度上對應的四個孩子節(jié)點也應該為均勻區(qū)域內(nèi)的點，因此為確保下一融合尺度四個孩子節(jié)點的類標均為c′s，則將c′s在上下文權(quán)值背景矢量中對應的位置處的值設為1，其他為0，即該窗口區(qū)域中心點對下一融合尺度上四個孩子節(jié)點產(chǎn)生影響的下文權(quán)值背景矢量Ws＝[δ(c′s，p)]，p＝1，2，…C，式中 第二種情況將區(qū)域內(nèi)不確定點之外的不確定像素點作為邊緣不確定點。在這種情況下，則根據(jù)窗口區(qū)域內(nèi)標記值as＝1的點對應的類標值以及該窗口區(qū)域中心點的物理位置s與Nn類物理聚類中心的歐式距離來確定該邊緣不確定點對下一融合尺度上四個孩子節(jié)點產(chǎn)生影響的上下文權(quán)值背景矢量。具體過程是 首先，求出由窗口區(qū)域內(nèi)標記值as＝1的點對應的類標值信息確定的一部分上下文權(quán)值背景矢量W1，即先將窗口區(qū)域內(nèi)標記值as＝1的點對應的類標值設為csq，q＝1，2，…Q，其中Q為標記值as＝1的點對應的類標值的數(shù)目；再將csq在上下文權(quán)值背景矢量中對應的位置處的值設為1，其他為0，則得到這一部分上下文權(quán)值背景矢量q＝1，2，…Q，p＝1，2，…C； 接著，求出窗口區(qū)域中心點的物理位置s與Nn類物理聚類中心的歐式距離信息確定的另一部分上下文權(quán)值背景矢量W2，即先求出該窗口區(qū)域中心點的物理位置s與Nn類物理聚類中心的歐式距離；再將距離小于或等于距離域值dist_th在上下文權(quán)值背景矢量中對應的位置處的值設為1，其他為0求，則得到另一部分上下文權(quán)值背景矢量W2＝[Wsp]，p＝1，2，…C，式中 然后，將所述兩部分上下文權(quán)值背景矢量相乘，得到上下文權(quán)值背景矢量Ws＝W1·W2； (c)根據(jù)所述的上下文權(quán)值背景矢量Ws，結(jié)合下一融合尺度上對應的最終融合所需的似然值likelihoodnk，并通過最大化似然值得到下一融合尺度上四個孩子節(jié)點對應類標為 (3)根據(jù)掃描過程中所有as＝1確定的下一融合尺度上對應的孩子節(jié)點的類標以及所有as＝0確定的下一融合尺度上對應的孩子節(jié)點的類標，得到下一融合尺度上所有點類標cs，即下一融合尺度的分割結(jié)果類標圖{cs|cs∈{1，2，…C}}。
八、判斷所得的分割結(jié)果類標圖是否為融合尺度k＝0上的結(jié)果，如果是融合尺度k＝0上的結(jié)果，則紋理圖像分割結(jié)束；否則，重復步驟六～步驟七直到得到k＝0上的分割結(jié)果為止。
本發(fā)明的效果可通過以下仿真結(jié)果進一步說明 仿真結(jié)果1，用本發(fā)明上述過程對一幅由兩類紋理合成的紋理圖像進行分割，得到各融合尺度上對應的標記場和分割結(jié)果圖，如圖3所示。其中圖3(a)為示例所采用的由兩類紋理合成一幅紋理的原始圖像；圖3(b)為融合最粗尺度即k＝4上的初分割結(jié)果，其對應的標記場為圖3(g)；圖3(c)為融合尺度k＝3上的融合分割結(jié)果，其對應的標記場為圖3(h)；圖3(d)為融合尺度k＝2上的融合分割結(jié)果，其對應的標記場為圖3(i)；圖3(e)為融合尺度k＝1上的融合分割結(jié)果，其對應的標記場為圖3(j)；圖3(f)為融合尺度k＝0上的融合分割結(jié)果，即最終融合分割結(jié)果。從融合尺度k取值為4～1上對應的標記場3(g)～3(j)中可以看出，不確定點的區(qū)域隨融合尺度由粗到細而越來越集中在邊緣點區(qū)域。從融合尺度k取值為4～0上對應的融合分割結(jié)果圖3(b)～3(f)中可以看出，分割結(jié)果隨融合尺度在由粗到細傳遞的過程中，其均勻區(qū)域一致性能夠保持，且其邊緣越來越接近真實邊緣，證明本發(fā)明方法能夠很好的折中解決分割區(qū)域一致性和邊緣準確性這一對矛盾。
仿真結(jié)果2，用不同的分割方法對由2類紋理組成的合成紋理圖像進行分割，其效果比較如圖4所示。其中圖4(a)為2類紋理組成的合成紋理原始圖像；圖4(b)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中韓國作者Choi et al提出的WHMTseg方法對圖4(a)進行分割得到的分割結(jié)果；圖4(c)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中中國作者樊國良等人提出的WHMT+JMCMS方法對圖4(a)進行分割得到的分割結(jié)果；圖4(d)為應用本發(fā)明方法對圖4(a)進行分割得到的分割結(jié)果。圖4(e)為圖4(a)對應的真正分割圖像；圖4(f)為將圖4(b)對應的分割結(jié)果圖像與圖4(e)對應的真正分割圖像相減得到的差值圖，差值圖中的白點表示圖像分割結(jié)果與真正分割不相吻合的點，黑點表示圖像分割結(jié)果與真正分割相吻合的點。圖4(g)為將圖4(c)對應的分割結(jié)果圖像與圖4(e)對應的真正分割圖像相減得到的差值圖；圖4(h)為將圖4(d)對應的分割結(jié)果圖像與圖4(e)對應的真正分割圖像相減得到的差值圖。對比三種方法的分割結(jié)果圖4(b)～4(d)以及其對應的差值圖4(f)～4(h)可以看出，這三種方法從整體上看其與真分割不相吻合的點均在邊緣處，但是本發(fā)明方法在邊緣處更接近于真實邊緣。
仿真結(jié)果3，用不同的分割方法對由3類紋理組成的合成紋理圖像進行分割，其效果比較如圖5所示。其中圖5(a)為3類紋理組成的合成紋理原始圖像；圖5(b)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中韓國作者Choi et al提出的WHMTseg方法對圖5(a)進行分割得到的分割結(jié)果；圖5(c)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中中國作者樊國良等人提出的WHMT+JMCMS方法對圖5(a)進行分割得到的分割結(jié)果；圖5(d)為應用本發(fā)明方法對圖5(a)進行分割得到的分割結(jié)果。圖5(e)為圖5(a)對應的真正分割圖像；圖5(f)為將圖5(b)對應的分割結(jié)果圖像與圖5(e)對應的真正分割圖像相減得到的差值圖，差值圖中的白點表示圖像分割結(jié)果與真正分割不相吻合的點，黑點表示圖像分割結(jié)果與真正分割相吻合的點。圖5(g)為將圖5(c)對應的分割結(jié)果圖像與圖5(e)對應的真正分割圖像相減得到的差值圖；圖5(h)為將圖5(d)對應的分割結(jié)果圖像與圖5(e)對應的真正分割圖像相減得到的差值圖。對比三種方法的分割結(jié)果圖5(b)～5(d)以及其對應的差值圖5(f)～5(h)可以看出，前兩種傳統(tǒng)的分割方法從整體上看其與真分割不相吻合的點分布于均勻區(qū)域內(nèi)和邊緣連接處，但是本發(fā)明方法得到的結(jié)果與真分割不相吻合的點僅在于邊緣連接處，其對應的區(qū)域一致性均強于傳統(tǒng)的分割方法，且分割得到的邊緣更接近于真實邊緣。
仿真結(jié)果4，用不同的分割方法對由4類紋理組成的合成紋理圖像進行分割，其效果比較如圖6所示。其中圖6(a)為4類紋理組成的合成紋理原始圖像；圖6(b)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中韓國作者Choi et al提出的WHMTseg方法對圖6(a)進行分割得到的分割結(jié)果；圖6(c)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中中國作者樊國良等人提出的WHMT+JMCMS方法對圖6(a)進行分割得到的分割結(jié)果；圖6(d)為應用本發(fā)明方法對圖6(a)進行分割得到的分割結(jié)果。圖6(e)為圖6(a)對應的真正分割圖像；圖6(f)為將圖6(b)對應的分割結(jié)果圖像與圖6(e)對應的真正分割圖像相減得到的差值圖，差值圖中的白點表示圖像分割結(jié)果與真正分割不相吻合的點，黑點表示圖像分割結(jié)果與真正分割相吻合的點。圖6(g)為將圖6(c)對應的分割結(jié)果圖像與圖6(e)對應的真正分割圖像相減得到的差值圖；圖6(h)為將圖6(d)對應的分割結(jié)果圖像與圖6(e)對應的真正分割圖像相減得到的差值圖。對比三種方法的分割結(jié)果圖6(b)～6(d)以及其對應的差值圖6(f)～6(h)可以看出，前兩種傳統(tǒng)的分割方法從整體上看其與真分割不相吻合的點分布于均勻區(qū)域內(nèi)和邊緣連接處，但是本發(fā)明方法得到的結(jié)果與真分割不相吻合的點僅在于邊緣連接處，其對應的區(qū)域一致性均強于傳統(tǒng)的分割方法，且分割得到的邊緣更接近于真實邊緣。
仿真結(jié)果5，用不同的分割方法對由5類紋理組成的合成紋理圖像進行分割，其效果比較如圖7所示。其中圖7(a)為5類紋理組成的合成紋理原始圖像；圖7(b)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中韓國作者Choi et al提出的WHMTseg方法對圖7(a)進行分割得到的分割結(jié)果；圖7(c)為應用傳統(tǒng)的基于WHMT+貝葉斯后融合分割方法中中國作者樊國良等人提出的WHMT+JMCMS方法對圖7(a)進行分割得到的分割結(jié)果；圖7(d)為應用本發(fā)明方法對圖7(a)進行分割得到的分割結(jié)果；圖7(e)為圖7(a)對應的真正分割圖像；圖7(f)為將圖7(b)對應的分割結(jié)果圖像與圖7(e)對應的真正分割圖像相減得到的差值圖，差值圖中的白點表示圖像分割結(jié)果與真正分割不相吻合的點，黑點表示圖像分割結(jié)果與真正分割相吻合的點。圖7(g)為將圖7(c)對應的分割結(jié)果圖像與圖7(e)對應的真正分割圖像相減得到的差值圖；圖7(h)為將圖7(d)對應的分割結(jié)果圖像與圖7(e)對應的真正分割圖像相減得到的差值圖。對比三種方法的分割結(jié)果圖7(b)～7(d)以及其對應的差值圖7(f)～7(h)可以看出，前兩種傳統(tǒng)的分割方法從整體上看其與真分割不相吻合的點分布于均勻區(qū)域內(nèi)和邊緣連接處，但是本發(fā)明方法得到的結(jié)果與真分割不相吻合的點僅在于邊緣連接處，其對應的區(qū)域一致性均強于傳統(tǒng)的分割方法，且分割得到的邊緣更接近于真實邊緣。
權(quán)利要求
1.一種基于自適應窗口固定及傳播的多尺度紋理圖像分割方法，包括如下過程
(1)輸入待分割圖像，從待分割圖像中提取每一種紋理對應的訓練圖像塊n，進行小波變換，得到小波系數(shù)，采用期望最大化EM算法，求出該小波系數(shù)所對應的HMT模型參數(shù)θn，其中n∈Nn，Nn表示待分割圖像中對應的紋理類數(shù)；
(2)根據(jù)所求的模型參數(shù)θn，對待分割圖像進行小波變換，求出待分割圖像在小波分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodnj，其中j＝{1，2，3，4}表示小波分解從細到粗對應的尺度；對步驟(1)提取的訓練圖像塊n進行高斯建模，求出待分割圖像像素點對應的似然值likelihoodn0，0表示像素級對應的尺度；
(3)將所述的待分割圖像在小波分解的各尺度上對應的數(shù)據(jù)塊d對應的似然值likelihoodnj，與所述的待分割圖像像素點對應的似然值likelihoodn0相組合，得到最終融合所需的似然值likelihoodnk，k＝{0，1，2，3，4}，其中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，以此類推，直到k＝4表示融合尺度對應的最粗尺度；
(4)取出融合尺度對應的最粗尺度即k＝4上的似然值likelihoodn4，使用最大化似然值公式
可得到融合最粗尺度上對應的分割結(jié)果類標圖{cs|cs∈{1，2，…C}}，其中s表示圖像對應的物理坐標，C＝Nn；
(5)根據(jù)分割結(jié)果類標圖，確定融合尺度k上衡量其類標可靠性的標記場{as}，as∈A，A＝{0，1}，并采用LPA_ICI算法確定出融合尺度k上各類紋理的物理聚類中心{(i1，j1)，(i2，j2)，…，(iC，jC)}；
(6)根據(jù)標記場以及各類紋理的物理聚類中心，采用自適應窗口固定及傳播的多尺度分割方法，得到下一融合尺度k-1上對應的分割結(jié)果類標圖{cs|cs∈{1，2，…C}}；
(7)判斷所得的分割結(jié)果類標圖是否為融合尺度k＝0上的結(jié)果，如果是融合尺度k＝0上的結(jié)果，則紋理圖像分割結(jié)束；否則，重復步驟(6)～步驟(7)直到得到k＝0上的分割結(jié)果為止。
2.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(5)所述的標記場的確定，按如下過程進行
(5a)以分割結(jié)果類標圖中的一個分割像素點為中心，確定一個窗口，并統(tǒng)計該窗口中屬于各類紋理的類標數(shù)目，找出各類紋理對應的類標數(shù)目的最大值，當該確定窗口的大小Vs×Vs減去閾值Vs小于或等于該最大值時，將該最大值對應的類標賦予當前中心點，且設as＝1，否則，設as＝0，該點的標記用公式表達為
式中，Vs為窗口的長度或?qū)挾?，labelnmax為窗口內(nèi)類標統(tǒng)計數(shù)labeln的最大值，從融合最粗尺度到融合最細尺度，即k＝{4，3，2，1，0}，對應的Vs＝{3，3，5，5，7}；
(5b)確定分割結(jié)果類標圖中每一個分割像素點的窗口，并統(tǒng)計這些窗口中屬于各類紋理的類標數(shù)目，找出各類紋理對應的類標數(shù)目的最大值，得到分割結(jié)果類標圖所有像素點對應的標記場{as}，as∈A，A＝{0，1}。
3.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(5)所述的采用LPA_ICI算法，確定出融合尺度k上各類紋理的物理聚類中心，按如下過程進行
(5d)定義像素點的方向集合為{θr|θr＝2rπ/D，r＝0，...，D-1}，其中r＝0，...，D-1表示每一個搜索方向，D表示總搜索方向數(shù)目；
(5e)對于分割類標圖，假設cs是當前分割類標像素點，對每個cs，使用LPA-ICI算法先沿著方向θr找到與當前類標相同的像素點個數(shù)，即該方向上的最優(yōu)長度hr*，再求得所有方向上的最優(yōu)長度，即可得到最優(yōu)長度集合{hr*，r＝0，...，D-1}，這里總搜索方向數(shù)目D＝8；
(5f)將當前點cs在D個方向上的最優(yōu)長度hr*相加，得到cs的面積為
(5g)確定所有分割類標像素點的面積，并在屬于同一類標的點對應的面積中，取面積最大點的坐標作為對應紋理的物理聚類中心，得到各類紋理的物理聚類中心為{(i1，j1)，(i2，j2)，…，(iC，jC)}。
4.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(6)按如下過程進行
(6a)對融合尺度k上的標記場{as}，as∈A，A＝{0，1}進行掃描，當某點的標記值as＝1時，將該點的類標傳遞給其在下一融合尺度上的四個孩子節(jié)點，得到這四個孩子節(jié)點的類標；其中ρs為融合尺度k上標記值as＝1的點對應的物理位置；當某點的標記值as＝0時，根據(jù)該點窗口區(qū)域內(nèi)標記值的具體情況確定出該點的上下文權(quán)值背景矢量Ws，這里窗口區(qū)域大小的選取，在融合尺度k＝{4，3，2，1，0}上，分別對應為[7×7，11×11，11×11，15×15，15×15]，根據(jù)所述的背景矢量，結(jié)合下一融合尺度上對應的似然值，通過最大化似然值得到下一融合尺度上四個孩子節(jié)點對應類標為
(6b)根據(jù)掃描過程中所有as＝1確定的下一融合尺度上對應的孩子節(jié)點的類標以及所有as＝0確定的下一融合尺度上對應的孩子節(jié)點的類標，得到下一融合尺度上所有點類標cs，即下一融合尺度上的分割結(jié)果類標圖{cs|cs∈{1，2，…C}}；
5.根據(jù)權(quán)利要求4所述的圖像分割方法，其中步驟(6a)所述的根據(jù)該點窗口區(qū)域內(nèi)標記值的具體情況確定出該點的上下文權(quán)值背景矢量Ws，按如下過程進行
(6a1)當窗口區(qū)域內(nèi)標記值as全等于0時，求出窗口區(qū)域中心點對應的物理位置s與Nn類紋理的物理聚類中心的歐式距離得到該點對應的上下文權(quán)值背景矢量Ws＝[Wsp]，p＝1，2，…C，式中
(6a2)當區(qū)域內(nèi)標記值as不全等于0時，將窗口區(qū)域的中心點分為區(qū)域內(nèi)不確定點和邊緣不確定點兩種情況來確定該點的上下文權(quán)值背景矢量Ws。
6.根據(jù)權(quán)利要求5所述的圖像分割方法，其中步驟(6a2)按如下過程進行
1)區(qū)域內(nèi)不確定點的情況為當窗口區(qū)域內(nèi)所有標記值as＝1的點對應的類標均為c′s，且時，這里
表示該窗口區(qū)域中心點的物理位置s與該中心點所屬類的物理聚類中心的歐式距離；在這種情況下，用c′s替換中心點所屬類的類標cs，得到窗口區(qū)域中心點對應的上下文權(quán)值背景矢量Ws＝[δ(c′s，p)]，p＝1，2，…C，式中
2)邊緣不確定點為區(qū)域內(nèi)不確定點之外的不確定像素點，在這種情況下，將窗口區(qū)域內(nèi)標記值as＝1的點對應的類標值設為csq，q＝1，2，…Q，其中Q為標記值as＝1的點對應的類標值的數(shù)目，求得一部分上下文權(quán)值背景矢量求出該窗口區(qū)域中心點的物理位置s與Nn類物理聚類中心的歐式距離，求得另一部分上下文權(quán)值背景矢量W2＝[Wsp]，p＝1，2，…C，式中將所述兩部分上下文權(quán)值背景矢量相乘，得到上下文權(quán)值背景矢量Ws＝W1·W2。
全文摘要
本發(fā)明公開了一種基于自適應窗口固定及傳播的多尺度紋理圖像分割方法。其過程為提取待分割圖像紋理對應的圖像塊n進行小波變換，求其對應的HMT模型參數(shù)θn；分別求出待分割圖像在小波分解各尺度上對應的數(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likelihoodnk；取出融合最粗尺度k＝4上的似然值，并求得該尺度上對應的分割結(jié)果類標圖；確定融合尺度k上的標記場和各類紋理的物理聚類中心；采用自適應窗口固定及傳播的多尺度分割，得到下一融合尺度k-1上的分割結(jié)果類標圖；根據(jù)分割結(jié)果類標圖的融合尺度是否為0，確定分割的最終結(jié)果。本發(fā)明具有區(qū)域一致性和邊緣定位性好的優(yōu)點，可用于對包含紋理信息的圖像分割。
文檔編號G06T5/00GK101320467SQ200810018238
公開日2008年12月10日 申請日期2008年5月16日 優(yōu)先權(quán)日2008年5月16日
發(fā)明者彪 侯, 鳳 劉, 爽 王, 焦李成, 張向榮, 馬文萍 申請人:西安電子科技大學