專利名稱：：基于第二代Bandelet域隱馬爾科夫樹模型的圖像分割方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及該技術(shù)在圖像分割領(lǐng)域的應(yīng)用，具體地說是一種基于第二代Bandelet域隱馬爾科夫樹模型的圖像分割方法。該方法可應(yīng)用于合成紋理圖像、SAR圖像和航拍圖像的分割中。
背景技術(shù)：
：圖像分割是數(shù)字圖像處理技術(shù)中的關(guān)鍵技術(shù)之一。它是將圖像中有意義的特征部分提取出來，其有意義的特征包括圖像的邊緣、紋理等，這是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。圖像分割是一種重要的圖像技術(shù)，在理論研究和實(shí)際應(yīng)用中都得到人們的廣泛的重視。圖像分割的方法和種類很多，沒有標(biāo)準(zhǔn)的分割方法，許多不同種類的圖像或景物都可以作為待分割的圖像數(shù)據(jù)，同時(shí)，某些分割方法也只適用于對(duì)某些特殊類型的圖像進(jìn)行分割，而分割結(jié)果的好壞需要根據(jù)具體的場(chǎng)合及要求去評(píng)價(jià)。因此，圖像分割仍是目前研究的熱點(diǎn)之一。圖象分割算法一般是基于亮度值的兩個(gè)基本特性之一不連續(xù)性和相似性。早期的圖像研究中，分割方法主要可分為兩大類，即基于邊界的分割方法和基于區(qū)域的分割方法，而后來興起的基于統(tǒng)計(jì)域的圖像分割方法得到了更多的關(guān)注。基于統(tǒng)計(jì)域模型的圖象分割方法按變換域進(jìn)行劃分，到目前為止最典型的有這三類基于小波域的方法、基于復(fù)小波域的方法以及基于contouriet域的方法，不同域的特征表征不同的圖象紋理信息。按訓(xùn)練模型的選擇，則可分為獨(dú)立高斯混合MM模型、隱馬爾科夫樹HMT模型、子帶綁定的隱馬爾科夫樹HMT-3S模型以及矢量隱馬爾科夫模型，不同的模型選擇決定變換域特征之間的某些固定關(guān)系，如選用HMT模型，則決定了多尺度變換域上每一層的特征應(yīng)該對(duì)應(yīng)相同，HMT-3S則不僅要求每一層上對(duì)應(yīng)的特征相同而且決定要求不同子帶特征之間應(yīng)該具有某聯(lián)系。相比較之下，IMM認(rèn)為每一子帶每一尺度之間均是獨(dú)立不相關(guān)的，其要求最少，因此可塑性越強(qiáng)。對(duì)于該領(lǐng)域后融合方面的方法，首先韓國(guó)的H.choi等人提出一種基于背景的貝葉斯分割方法，參見H.Choi,R.GBaraniuk.MultiscaleImageSegmentationUsing^Wavelet-DomainHiddenMarkovModels,正EETransactionsonImageProcessing,2001，10(9):1309-1321。之后中國(guó)的FanGL等人5總結(jié)各種背景模型并提出了一種JMCMS融合方法，融合分割，參見FanG丄.，XiaX.G.Ajointmulti-contextandmulti-scaleapproachtoBayesianimagesegmentation.IEEETransactionsonGeoscienceandRemoteSensing,2001，39(12):2680-2688。值得注意的是這些方法中所涉及到的上下文背景模型，均只利用較粗尺度以及本層分割尺度上的信息，而不曾考慮其下一較細(xì)尺度上更能表征邊緣的信息?；谛〔ㄓ螂[馬爾科夫樹模型的圖像分割WD-HMTseg和基于contourlet域隱馬爾科夫樹模型的圖像分割CHMTseg是目前的研究熱點(diǎn)之一。但由于小波對(duì)非線性目標(biāo)的弱稀疏性，使得WD-HMTseg的分割結(jié)果的邊緣不太準(zhǔn)確且有較多雜塊產(chǎn)生；而contourlet變換加入了更多方向信息，反而使得CHMTseg結(jié)果的區(qū)域一致性并不是很令人滿意。因此，需要找到一種在分割結(jié)果的邊緣準(zhǔn)確性和區(qū)域一致性上都有較好性能的圖像分割方法。
發(fā)明內(nèi)容本發(fā)明的目的在于為了克服上述已有技術(shù)分割邊緣不平滑和區(qū)域一致性較差的不足，提出了一種基于第二代Bandelet域隱馬爾科夫樹模型的圖像分割BHMTseg方法，以提高圖像分割的質(zhì)量。本發(fā)明的技術(shù)方案是將第二代Bandelet變換與隱馬爾科夫樹模型結(jié)合對(duì)圖像進(jìn)行初始分割，然后采用上下文模型context-1和context-2進(jìn)行后融合，實(shí)現(xiàn)對(duì)合成紋理圖像、航拍圖像和SAR圖像的分割。其實(shí)現(xiàn)過程如下(1)輸入待分割圖像，并截取具有相同紋理區(qū)域的子塊作為訓(xùn)練圖像；(2)采用第二代Bandelet變換對(duì)輸入圖像及訓(xùn)練圖像進(jìn)行變換，得到Bandelet系數(shù)；(3)采用期望最大化EM算法對(duì)訓(xùn)練圖像進(jìn)行Bandelet域隱馬爾科夫樹模型訓(xùn)練，得到模型參數(shù)；(4)利用模型參數(shù)采用隱馬爾科夫樹模型的似然算法；(5)應(yīng)用高斯混合模型計(jì)算輸入圖像的像素級(jí)似然值；(6)利用最大似然法則估計(jì)輸入圖像每個(gè)子塊的似然值和像素級(jí)似然值，得到輸入圖像的初始分割結(jié)果；(7)對(duì)輸入圖像的初始分割結(jié)果先進(jìn)行第一次多尺度融合，得到輸入圖像的第一次分割結(jié)果；再對(duì)輸入圖像的第一次分割結(jié)果進(jìn)行第二次多尺度融合，得到輸入圖像各尺度的后分割結(jié)果，并將該分割結(jié)果中的像素級(jí)分割結(jié)果作為輸入圖像最終輸出的分割結(jié)果。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1、由于本發(fā)明運(yùn)用了第二代Bandelet變換，因而在表示圖像時(shí)能充分利用圖像幾何正則性的特點(diǎn)，提高了分割結(jié)果中邊緣的準(zhǔn)確性；2、由于本發(fā)明充分考慮了第二代Bandelet系數(shù)的稀疏性，并對(duì)其運(yùn)用兩種不同的隱馬爾科夫樹上下文模型進(jìn)行多尺度融合，提高了分割結(jié)果的區(qū)域一致性；3、由于本發(fā)明充分利用了Bandelet系數(shù)的魯棒性和隱馬爾科夫樹模型概率計(jì)算的穩(wěn)定性，提高了分割結(jié)果的穩(wěn)定性。仿真實(shí)驗(yàn)表明，本發(fā)明提高了合成紋理圖像、SAR圖像和遙感圖像分割結(jié)果的邊緣準(zhǔn)確性，增強(qiáng)了分割結(jié)果的區(qū)域一致性，并提高了分割結(jié)果的穩(wěn)定性。圖1是本發(fā)明的流程示意圖2是本發(fā)明多尺度融合采用的context-l和context-2兩種上下文模型示意圖3(a)是本發(fā)明采用的一幅具有兩類紋理的合成紋理屈像；圖3(b)是對(duì)采用基于小波域隱馬爾科夫樹模型對(duì)圖3(a)進(jìn)行分割的最終結(jié)果圖3(c)是采用本發(fā)明對(duì)圖3(a)進(jìn)行分割的最終結(jié)果圖3(d)是本發(fā)明采用的一幅具有三類紋理的合成紋理圖像；圖3(e)是采用基于小波域隱馬爾科夫樹模型對(duì)圖3(d)進(jìn)行分割的最終結(jié)果圖3(f)是采用本發(fā)明對(duì)圖3(d)進(jìn)行分割的最終結(jié)果圖3(g)是本發(fā)明采用的一幅具有四類紋理的合成紋理圖像；圖3(h)是采用基于小波域隱馬爾科夫樹模型對(duì)圖3(g)進(jìn)行分割的最終結(jié)果圖；圖3(i)是采用本發(fā)明對(duì)圖3(d)進(jìn)行分割的最終結(jié)果圖4(a)是本發(fā)明采用的一幅航拍圖4(b)是采用基于小波域隱馬爾科夫樹模型對(duì)圖4(a)進(jìn)行分割的最終結(jié)果圖；圖4(c)是采用基于contourlet域隱馬爾科夫樹模型對(duì)圖4(a)進(jìn)行分割的最終結(jié)果圖；圖4(d)是采用本發(fā)明對(duì)圖4(a)進(jìn)行分割的最終結(jié)果圖；圖4(e)是本發(fā)明采用的一幅SAR圖像；圖4(f)是采用基于小波域隱馬爾科夫樹模型對(duì)圖4(e)進(jìn)行分割的最終結(jié)果圖；圖4(g)是采用基于contourlet域隱馬爾科夫樹模型對(duì)圖4(e)進(jìn)行分割的最終結(jié)果圖；圖4(h)是采用本發(fā)明對(duì)圖4(e)進(jìn)行分割的最終結(jié)果圖；圖4(i)是本發(fā)明采用的一幅SAR圖像；圖4(j)是采用基于小波域隱馬爾科夫樹模型對(duì)圖4(i)進(jìn)行分割的最終結(jié)果圖；圖4(k)是采用基于contourlet域隱馬爾科夫樹模型對(duì)圖4(i)進(jìn)行分割的最終結(jié)果圖；圖4(1)是采用本發(fā)明對(duì)圖4(i)進(jìn)行分割的最終結(jié)果圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的具體實(shí)施過程如下步驟一、輸入待分割圖像，并截取具有相同紋理區(qū)域的子塊作為訓(xùn)練圖像。輸入待分割圖像圖3(a)、圖3(d)、圖3(g)、圖4(a)、圖4(e)和圖4(i)，分別對(duì)這些待分割圖像截取具有相同紋理區(qū)域的子塊作為訓(xùn)練圖像塊，截取子塊的尺寸大小為64X64，截取的子塊個(gè)數(shù)等于待分割圖像要分割的紋理類別數(shù)。其中，圖3(a)要截取的子塊數(shù)為2，圖3(d)要截取的子塊數(shù)為3，圖3(g)要截取的子塊數(shù)為4，圖4(a)、圖4(e)和圖4(i)要截取的子塊數(shù)為2。步驟二、采用St6phaneMallat等提出的第二代Bandelet變換對(duì)輸入圖像進(jìn)行第二代Bandelet變換，得到Bandelet系數(shù)。實(shí)現(xiàn)該步驟的具體過程如下1)對(duì)輸入圖像進(jìn)行二維小波變換；2)二進(jìn)剖分在Bandelet變換的每個(gè)尺度上，連續(xù)地把一個(gè)區(qū)域剖分為四個(gè)相等大小的方形子區(qū)域，該方形區(qū)域的尺寸限制為寬度為￡個(gè)像素且4^1^2《，例如，對(duì)一幅2"x2"大小的圖像而言，設(shè)定方形區(qū)域的最小尺寸為2"x2"1，則二進(jìn)剖分的結(jié)果是將小波分解后的系數(shù)圖分成了22("-m)個(gè)寬度為2mx2m的子塊；3)選擇步驟2)中的每個(gè)子塊，并對(duì)選擇的子塊進(jìn)行方向采樣。對(duì)7VxW大小的子塊可設(shè)定其采樣方向數(shù)為4xW，每個(gè)方向?qū)?yīng)于[0,;r)區(qū)間的一個(gè)角度^步長(zhǎng)為;r/47V;4)將子塊區(qū)域沿每個(gè)采樣方向^進(jìn)行正交投影。即將子塊區(qū)域的每個(gè)點(diǎn)(z，/)這樣處理f=—/*sin"7.*cosi9;5)對(duì)投影信號(hào)f進(jìn)行重新排序，得到一個(gè)一維離散信號(hào)6)對(duì)一維信號(hào)^進(jìn)行一維離散小波變換，得到一維小波系數(shù)/^;7)利用得到的一維離散信號(hào)力和一維小波系數(shù)/戰(zhàn)建立Lagrangian目標(biāo)函數(shù)，即=|力-/J+A"(及g+A)(1)其中，r為門限，/^是在使用熵編碼器對(duì)幾何特征參數(shù)rf編碼時(shí)所需的比特?cái)?shù)，^表示對(duì)計(jì)算Bandelet系數(shù)的參數(shù)數(shù)目編碼時(shí)所需的比特?cái)?shù)，；i取3/28;8)計(jì)算采樣區(qū)域的每個(gè)采樣方向?qū)?yīng)的Lagrangian目標(biāo)函數(shù)值，將使Lagrangian目標(biāo)函數(shù)值最小的采樣方向作為采樣區(qū)域的最佳方向；89)對(duì)有幾何流的采樣區(qū)域沿對(duì)應(yīng)的最佳方向投影，并對(duì)投影信號(hào)重新排序得到一維離散信號(hào)，對(duì)該離散信號(hào)進(jìn)行一維離散小波變換得到的一維小波系數(shù)作為Bandelet系數(shù)輸出，對(duì)無幾何流的區(qū)域則將二維小波變換得到的系數(shù)作為Bandelet系數(shù)輸出。步驟三、對(duì)訓(xùn)練圖像在Bandelet域采用期望最大化EM算法訓(xùn)練隱馬爾科夫樹模型在已知分類數(shù)的圖像中選取相同數(shù)目的對(duì)應(yīng)于不同紋理的均一區(qū)域作為訓(xùn)練圖像進(jìn)行隱馬爾科夫模型的訓(xùn)練，可得到模型參數(shù)向量0(&(附)，<^，cr二)，其中，/=&^，表示節(jié)點(diǎn)的狀態(tài)，S代表小狀態(tài)，￡代表大狀態(tài)；A,(附)表示根節(jié)點(diǎn)《.的初始狀態(tài)概率；《;)-^(附l&(,.)=")，表示父節(jié)點(diǎn)狀態(tài)p(0為"時(shí)，子節(jié)點(diǎn)狀態(tài)/為w的狀態(tài)轉(zhuǎn)移概率；和分別表示節(jié)點(diǎn)狀態(tài)為附時(shí)的均值和方差。步驟四、利用模型參數(shù)采用隱馬爾科夫樹模型的似然算法，計(jì)算在不同尺度下輸入圖像的每個(gè)子塊的似然函數(shù)。利用得到的模型參數(shù)計(jì)算不同尺度下每個(gè)圖像子塊的似然值，具體計(jì)算過程是給定一組二維Bandelet域隱馬爾科夫模型參數(shù)M和測(cè)試圖的第二代Bandelet系數(shù)6;計(jì)算Bandelet系數(shù)在根節(jié)點(diǎn)6的一個(gè)子帶r的似然函數(shù)，即先假定這些子帶的BHMT參數(shù)為，由期望最大化EM算法中的一個(gè)向上的四叉樹掃描的步驟得到條件似然函數(shù)為)=SA,(挑感,0)(2)其中，戶(《.-附iG))是由模型0得if^狀態(tài)轉(zhuǎn)移概率，A,(附)表示節(jié)點(diǎn)A的初始狀態(tài)概率。由于假設(shè)Bandelet系數(shù)各子帶獨(dú)立，則二值圖像塊《的Bandelet系數(shù)包括系數(shù)(T^"，T;"",7;,，即每個(gè)子塊有三個(gè)Bandelet子帶，由獨(dú)立的假設(shè)可以得到二值圖像塊在模型G)下的概率/(《IM)，即每個(gè)子塊的似然函數(shù)/.im)=/ct;"i)/c;冊(cè)I)/(7^Ig)孤)(3)式中，/(7^"|^)表示￡//子帶在模型0下的似然函數(shù)，/(7;朋l0冊(cè))表示/fi/子帶在模型0下的似然函數(shù)，/(7f"l0""表示/a子帶在模型0下的似然函數(shù)。步驟五、應(yīng)用高斯混合模型計(jì)算輸入圖像的像素級(jí)似然值。概率密度函數(shù)可以通過對(duì)應(yīng)于每一紋理的像素直方圖來建模，紋理可被近似為一個(gè)高斯混合模型。對(duì)于訓(xùn)練紋理的像素，給其一個(gè)高斯混合模型來建模像素灰度值，并通9過該高斯混合模型計(jì)算每一像素的相似度，再通過比較相似度大小來獲得圖像像素級(jí)似然值。步驟六、利用最大似然法則估計(jì)輸入圖像每個(gè)子塊的似然值和像素級(jí)似然值，得到輸入圖像的初始分割結(jié)果。選擇(3)式中的最大似然值中的最大值對(duì)應(yīng)的紋理類別作為子帶的初始類別分割結(jié)果。其中，最大似然值的計(jì)算式是-<formula>formulaseeoriginaldocumentpage10</formula>(4)式中￡;￡{1，2，...,乂}，是每個(gè)像素的類別標(biāo)號(hào)，乂代表輸入圖像總的分割類別數(shù)。步驟七、對(duì)輸入圖像的初始分割結(jié)果進(jìn)行多尺度融合，得到輸入圖像的最終分割結(jié)果。首先，對(duì)輸入圖像的初始分割結(jié)果利用context-l模型進(jìn)行第一次多尺度融合，得到輸入圖像的第一次分割結(jié)果。該context-l模型如圖2(a)所示，它是由父類標(biāo)及其鄰域的主類標(biāo)和父類標(biāo)組成的上下文向量；然后，對(duì)輸入圖像的第一次分割結(jié)果利用context-2模型進(jìn)行多尺度融合，得到輸入圖像各尺度的后分割結(jié)果。該context-2模型如圖2(b)所示，它是由父類標(biāo)、父類標(biāo)及其鄰域的主類標(biāo)和子鄰域的主類標(biāo)組成的一個(gè)上下文向量。最后，將后分割結(jié)果中的像素級(jí)分割結(jié)果作為輸入圖像的最終分割結(jié)果輸出。具體實(shí)現(xiàn)過程如下1)計(jì)算在context-l模型下，上下文矢量為v/時(shí)，尺度/處第/個(gè)圖像塊《屬于類別c,的概率/(c,l《，v/)，艮P<formula>formulaseeoriginaldocumentpage10</formula>式中，《的上下文信息用上下文矢量v,.來代表，v/表示尺度y處的上下文矢量，乂-0,…,log2(A0-1，iV表示圖像塊的寬度；《表示尺度/處的第/個(gè)圖像塊，/(《|。為多尺度似然計(jì)算得出的類別為C,.時(shí)^的似然值；附=&丄，代表節(jié)點(diǎn)的狀態(tài)，S代表小狀態(tài)，L代表大狀態(tài)；A,(W)是節(jié)點(diǎn)類別為C,.時(shí)的初始概率，K代表總的類別數(shù)，p(V,|C,)表示類別為C,.時(shí)V,.的概率；2)根據(jù)得到的/7(c,-一《，v/)計(jì)算圖像塊《的最大后驗(yàn)概率MAP，得到各節(jié)點(diǎn)的初始類標(biāo)，即輸入圖像的第一次分割結(jié)果；3)利用context-2模型對(duì)第一次分割結(jié)果再次計(jì)算在上下文向量巧下二值圖像塊《:7屬于類別c,的概率;7(c.10/),即:一(.<formula>formulaseeoriginaldocumentpage11</formula>式中，《表示第一l^'rffe^/^j處R^M^fr^fft《代表《對(duì)應(yīng)的上下文矢量；、.(附)是節(jié)點(diǎn)類別為^,時(shí)的初始概率；m=S,Z，代表節(jié)點(diǎn)的狀態(tài)，S代表小狀態(tài)，L代表大狀態(tài)；/^卜,.)表示節(jié)點(diǎn)類別為^,時(shí)^的概率；/(0()代表類別為^時(shí)像素塊《7的似然值；4)根據(jù)得到的戶(c,.l《,v/)再次計(jì)算圖像塊《7的最大后驗(yàn)概率，即c:廚=argmaX戶|々，v:7)，得到輸入圖像的各尺度后分割結(jié)果；5)將后分割結(jié)果中的像素級(jí)分割結(jié)果作為輸入圖像的最終分割結(jié)果輸出，如圖3(c)、圖3(f)、圖3(i)、圖4(d)、圖4(h)和圖4(l)所示。圖3(b)、圖3(e)和圖3(h)分別為圖3(a)、圖3(d)和圖3(g)的基于小波域隱馬爾科夫樹模型分割方法的的分割結(jié)果，通過將圖3(c)與3(b)、圖3(f)與圖3(e)，以及圖3(i)與圖3(h)比較，看出，本發(fā)明的分割方法使得輸入圖像的分割邊界更準(zhǔn)確，分割的區(qū)域一致性更好。表1給出了基于小波域隱馬爾科夫樹模型的分割WD-HMTseg方法和本發(fā)明分割BHMTseg方法的錯(cuò)分率數(shù)據(jù)，這些錯(cuò)分率數(shù)據(jù)也表明，本發(fā)明明顯優(yōu)于基于小波域隱馬爾科夫樹模型的分割方法。表1WD-HMTseg和BHMTseg分割結(jié)果的錯(cuò)分率Pe<table>tableseeoriginaldocumentpage11</column></row><table>圖4(b)，圖4(f)和圖4(j)分別為圖4(a)，圖4(e)和圖4(i)的基于小波域隱馬爾科夫樹模型的仿真分割結(jié)果；圖4(c)，圖4(g)和圖4(k)分別為圖4(a)，圖4(e)和圖4(i)的基于contouriet域隱馬爾科夫樹模型的仿真分割結(jié)果；圖4(d),圖4(h)和圖4(1)分別為對(duì)圖4(a)，圖4(e)和圖4(i)采用本發(fā)明進(jìn)行分割的仿真結(jié)果。通過分別比較4(d)與4(b)和圖4(c)、圖4(h)與圖4(f)和圖4(g)以及圖4(1)與圖4(j)和圖4(k)，可以看出本發(fā)明的分割結(jié)果邊緣更加準(zhǔn)確，區(qū)域一致性更強(qiáng)。仿真實(shí)驗(yàn)表明，本發(fā)明能比現(xiàn)有的基于小波域隱馬爾科夫樹模型的分割方法和基于contourlet域隱馬爾科夫樹模型的分割方法得出的分割結(jié)果更穩(wěn)定，分割質(zhì)量更高。權(quán)利要求1、一種基于第二代Bandelet域隱馬爾科夫樹模型的圖像分割方法，包括如下過程(1)輸入待分割圖像，并截取具有相同紋理區(qū)域的子塊作為訓(xùn)練圖像；(2)采用第二代Bandelet變換對(duì)輸入圖像及訓(xùn)練圖像進(jìn)行變換，得到Bandelet系數(shù)；(3)采用期望最大化EM算法對(duì)訓(xùn)練圖像進(jìn)行Bandelet域隱馬爾科夫樹模型訓(xùn)練，得到模型參數(shù)；(4)利用模型參數(shù)采用隱馬爾科夫樹模型的似然算法，計(jì)算在不同尺度下輸入圖像的每個(gè)子塊的似然函數(shù)值；(5)采用高斯混合模型計(jì)算輸入圖像的像素級(jí)似然值；(6)對(duì)輸入圖像每個(gè)子塊的似然值和像素級(jí)似然值應(yīng)用最大似然準(zhǔn)則，得到輸入圖像的初始分割結(jié)果；(7)對(duì)輸入圖像的初始分割結(jié)果先進(jìn)行第一次多尺度融合，得到輸入圖像的第一次分割結(jié)果；再對(duì)輸入圖像的第一次分割結(jié)果進(jìn)行第二次多尺度融合，得到輸入圖像各尺度的后分割結(jié)果，并將該分割結(jié)果中的像素級(jí)分割結(jié)果作為輸入圖像最終輸出的分割結(jié)果。2、根據(jù)權(quán)利要求1所述的圖像分割方法，其中過程(2)所述的用第二代Bandelet變換對(duì)輸入圖像及訓(xùn)練圖像進(jìn)行變換，按如下過程進(jìn)行(2a)對(duì)輸入圖像進(jìn)行二維小波變換；(2b)對(duì)二維小波變換后的輸入圖像進(jìn)行二進(jìn)剖分，即在Bandelet變換的每個(gè)尺度上，連續(xù)地把一個(gè)區(qū)域剖分為四個(gè)大小相等的方形子塊區(qū)域，并將每個(gè)方形子塊區(qū)域的尺寸限制為寬度為丄個(gè)像素，且4SZS2772，j為輸入圖像的寬度；(2c)對(duì)每個(gè)方形子塊區(qū)域進(jìn)行方向采樣，并將子塊區(qū)域沿每個(gè)采樣方向進(jìn)行正交投影，得到投影信號(hào)；(2d)對(duì)投影信號(hào)進(jìn)行重新排序，得到一個(gè)一維離散信號(hào)厶；(2e)對(duì)一維離散信號(hào)進(jìn)行一維離散小波變換，得到一維小波系數(shù);(2f)利用得到的一維離散信號(hào)力和一維小波系數(shù)/^建立Lagrangian目標(biāo)函數(shù)，即其中，r為門限，ie是在使用熵編碼器對(duì)幾何特征參數(shù)rf編碼時(shí)所需的比特?cái)?shù)，&表示對(duì)計(jì)算Bandelet系數(shù)的參數(shù)數(shù)目編碼時(shí)所需的比特?cái)?shù)，義取3/28;(2g)計(jì)算采樣區(qū)域的每個(gè)采樣方向?qū)?yīng)的Lagrangian目標(biāo)函數(shù)值，將使Lagrangian目標(biāo)函數(shù)值最小的采樣方向作為采樣區(qū)域的最佳方向；(2h)對(duì)有幾何流的采樣區(qū)域沿對(duì)應(yīng)的最佳方向投影，并對(duì)投影信號(hào)重新排序得到一維離散信號(hào)，對(duì)該離散信號(hào)進(jìn)行一維離散小波變換得到的一維小波系數(shù)作為Bandelet系數(shù)輸出，對(duì)無幾何流的區(qū)域則將二維小波變換得到的系數(shù)作為Bandelet系數(shù)輸出。3、根據(jù)權(quán)利要求l所述的圖像分割方法，其中步驟(7)按如下過程進(jìn)行(3a)計(jì)算在context-l模型下，上下文矢量為v/時(shí)，尺度_/處第/個(gè)圖像塊《屬于類別c,.的概率p(c,l"/，v/)，即/7(c,=m|《.,vZ):=/),=/)/=1式中，rf/的上下文信息用上下文矢量v,.來代表，v/表示尺度y處的上下文矢量，y=0，...，log2(A0-l，^表示圖像塊的寬度；/(《10為多尺度似然計(jì)算得出的類別為c,.時(shí)^的似然值；m=S，Z，代表節(jié)點(diǎn)的狀態(tài)，S代表小狀態(tài)，L代表大狀態(tài)；;^(m)是節(jié)點(diǎn)類別為c,.時(shí)的初始概率，乂代表總的類別數(shù)，i7(v」c,)表示類別為c,.時(shí)V,.的概率；(3b)根據(jù)得到的/(^,=附|《,^)計(jì)算圖像塊《'的最大后驗(yàn)概率MAP，得到各節(jié)點(diǎn)的初始類標(biāo)，即輸入圖像的第一次分割結(jié)果；c"=argmax;(c」《,v/);(3c)利用context-2模型對(duì)第一次分割結(jié)果再次計(jì)算在上下文向量v,:下二值圖像塊《屬于類別c,.,的概率;7(c,,|々，<)，艮P:,Pc.(附)戶(K=c,=附)/乂'c,=w)(c,=w《J,v,乂)，——^-^-^--=化.=/1=/)/=1'式中，《7表示第一次分割結(jié)果尺度_/處的第/個(gè)圖像塊，《代表《7對(duì)應(yīng)的上下文矢量；A.(附)是節(jié)點(diǎn)類別為c,,時(shí)的初始概率；附=&丄，代表節(jié)點(diǎn)的狀態(tài)，S代表小狀態(tài)，L代表大狀態(tài)；/7(^卜,,)表示節(jié)點(diǎn)類別為^時(shí)巧的概率；Z(O)代表類別為C,時(shí)像素塊cZ/的似然值-;(3d)根據(jù)得到的p(c,.l《，一)再次計(jì)算圖像塊々的最大后驗(yàn)概率，即<formula>formulaseeoriginaldocumentpage4</formula>，得到輸入圖像的各尺度后分割結(jié)果；<formula>formulaseeoriginaldocumentpage4</formula>(3e)將后分割結(jié)果中的像素級(jí)分割結(jié)果作為輸入圖像的最終分割結(jié)果輸出。全文摘要本發(fā)明公開了一種基于第二代Bandelet域隱馬爾科夫樹模型的圖像分割方法，主要解決圖像分割質(zhì)量差的問題。其實(shí)現(xiàn)過程為輸入待分割圖像并提取訓(xùn)練圖像塊；對(duì)輸入圖像和訓(xùn)練圖像進(jìn)行第二代Bandelet變換；采用期望最大化EM算法對(duì)訓(xùn)練圖像進(jìn)行Bandelet域隱馬爾科夫樹模型訓(xùn)練，得到模型參數(shù)；利用模型參數(shù)計(jì)算輸入圖像的多尺度似然值；利用高斯混合模型計(jì)算輸入圖像的像素級(jí)似然值；利用最大似然準(zhǔn)則估計(jì)得到圖像的初始分割結(jié)果；采用兩種上下文模型對(duì)初始分割結(jié)果進(jìn)行多尺度融合，得到后發(fā)分割結(jié)果；選擇后分割結(jié)果中的像素級(jí)分割結(jié)果作為圖像最終分割結(jié)果輸出。本發(fā)明具有分割圖像邊緣清晰和區(qū)域一致性好的優(yōu)點(diǎn)，可用于合成紋理圖像、SAR圖像和航拍圖像的分割。文檔編號(hào)G06K9/66GK101425184SQ200810232009公開日2009年5月6日申請(qǐng)日期2008年10月30日優(yōu)先權(quán)日2008年10月30日發(fā)明者彪侯,張向榮,婧徐,焦李成,爽王,翟艷霞,馬文萍申請(qǐng)人:西安電子科技大學(xué)