專利名稱：：基于非下采樣Contourlet變換的HMT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：
，涉及一種多尺度幾何分析技術(shù)在圖像分割領(lǐng)域的應(yīng)用，具體地說是一種圖像分割方法，可用于紋理圖像的分割處理。
背景技術(shù)：
：圖像分割是一種重要的圖像處理技術(shù)。在圖像的研究和應(yīng)用中，人們往往對圖像中的某些部分感興趣，它們一般對應(yīng)圖像中特定的、具有獨特性質(zhì)的區(qū)域。為了辨識和分析目標，需要將它們分離提取出來，在此基礎(chǔ)上才有可能對目標進一歩處理。圖像分割就是把圖像分成各具特性的區(qū)域并提取出感興趣的目標的技術(shù)和過程。這里特性可以是像素的灰度、顏色、紋理等，對應(yīng)的目標可以對應(yīng)單個區(qū)域或多個區(qū)域。近年來，小波分析己廣泛應(yīng)用于圖像處理和分析中。小波對含點狀奇異的目標函數(shù)而言是最優(yōu)的基，但對具有直線或曲線狀奇異的函數(shù)，小波系數(shù)則不是最稀疏的函數(shù)表示方法，所以小波在圖像處理應(yīng)用中并不能很好地表示圖像中的輪廓邊緣信息。多尺度幾何分析是為分析二維或更高維奇異性產(chǎn)生的新工具。它致力于構(gòu)建最優(yōu)逼近意義下的高維函數(shù)表示方法，能夠更優(yōu)的表示圖像的邊緣信息，因此被廣泛的應(yīng)用在圖像處理中。ArthurLCunha、JianpingZhou和MinhNDo于2005年提出非下采樣的Contouriet變換，并研究了相關(guān)應(yīng)用。非下采樣Contourlet變換NSCT是基于非下采樣塔型結(jié)構(gòu)和非下采樣方向濾波帶分解，經(jīng)由6trousalgorithm實現(xiàn)并生成一種靈活的多尺度，多方向和平移不變的的圖像分解方法。近年來，隨著多尺度幾何分析理論和方法的提出與發(fā)展，人們也提出了許多結(jié)合特定理論、方法和工具的圖像分割技術(shù)。隱馬爾科夫樹模型HMT是近年來發(fā)展起來并應(yīng)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多尺度變換域系數(shù)之間的統(tǒng)計特性，從而將系數(shù)分布的求解問題轉(zhuǎn)化為HMT中對應(yīng)的隱狀態(tài)確定問題。2001年，韓國的Choi提出小波域隱馬爾科夫樹模型的圖像分割方法。該方法中，HMT模型利用了小波的的多尺度特性，使系數(shù)之間的關(guān)系轉(zhuǎn)變成隱狀態(tài)的歸屬問題，并進行了在不同尺度上結(jié)合最大后驗概率對圖像進行分割。該方法的缺點是沒有良好的區(qū)域一致性，且邊緣不夠光滑。2005年，中國的孫強提出一種改進的小波域HMT模型圖像分割方法。其采用了一種新的上下文模型，結(jié)合了父節(jié)點鄰域和子節(jié)點鄰域的信息進行上下文的融合分割。該方法減少了小波產(chǎn)生的雜塊信息，增強了邊緣信息，但該方法僅限于遙感圖的分割，有一定的局限性。2005年，中國的沙宇恒等人提出了基于Contouriet域HMT模型的圖像分割方法。該方法對紋理圖，航拍圖和SAR圖像都有較好的分割結(jié)果，其圖像的邊緣信息保持較好，但是對均一區(qū)域分割效果欠佳。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種基于非下采樣Contourlet變換的HMM圖像分割方法，以得到具有較好的均一區(qū)域的紋理圖像分割結(jié)果。實現(xiàn)本發(fā)明目的的技術(shù)方案是利用非下采樣Contourlet變換對圖像處理的優(yōu)點，將非下采樣Contouriet變換系數(shù)通過高斯混合模型估計參數(shù)，對其按照一一對應(yīng)的父子狀態(tài)關(guān)系的隱馬爾可夫樹建模，利用訓(xùn)練得到的參數(shù)逐步對待分割圖像進行最大似然函數(shù)的分類和最大后驗概率的分類，最后結(jié)合馬爾科夫隨機場模型，充分考慮圖像的空間相關(guān)性信息處理，得到最終的分割結(jié)果。具體實現(xiàn)過程如下(1)輸入待分割圖像，從輸入圖像中截取iV類具有均一區(qū)域的訓(xùn)練圖像塊，其中iV為待分割圖像的類別數(shù)；(2)對每類訓(xùn)練圖像塊分別進行非下采樣Contourlet變換，得到多尺度的非下采樣Contourlet變換系數(shù)；(3)采用期望最大化算法對每類訓(xùn)練圖像塊的非下采樣Contourlet變換系數(shù)，按照一一對應(yīng)的父子狀態(tài)關(guān)系的隱馬爾可夫樹模型訓(xùn)練，得到隱馬爾可夫模型參數(shù);(4)輸入待分割的圖像，對其進行非下采樣Contourlet變換，根據(jù)模型參數(shù)，計算待分割圖像在各尺度下圖像子塊對應(yīng)的似然值；(5)根據(jù)各個尺度似然值，采用最大化似然函數(shù)算法，得到圖像各尺度上的初分割結(jié)果；(6)利用上下文模型對各個尺度的初分割結(jié)果進行修正，即對各尺度采用上下文context-5模型，通過最大化后驗概率方法對該尺度初分割結(jié)果進行類別標記更新，得到各尺度的修正結(jié)果。(7)對步驟(6)得到的結(jié)果，結(jié)合隱馬爾科夫隨機場模型，基于待分割圖像的相鄰像素的空間相關(guān)性信息，不斷更新分割的類別，取該分割結(jié)果為待分割圖像最終的分割結(jié)果。本發(fā)明由于利用非下采樣Contourlet變換的多尺度，多方向和平移不變的特點，避免引起吉布斯現(xiàn)象，彌補了小波域隱馬爾科夫樹分割方法對線性奇異的非稀疏的缺點；同時由于本發(fā)明基于非下采樣Contourlet變換按照一一對應(yīng)的父子狀態(tài)關(guān)系的HMT模型建模，采用上下文模型對各個尺度的結(jié)果進行融合，并且結(jié)合馬爾科夫隨機場模型，充分挖掘相鄰像素的空間相關(guān)信息，克服了Contourlet域隱馬爾可夫樹分割方法分割結(jié)果有較差的邊緣保持性和區(qū)域一致性的缺點。仿真結(jié)果表明，本發(fā)明方法較小波域HMT模型分割方法和基于Contouriet域HMT模型分割方法，對于紋理圖像分割效果有明顯改進。圖l是本發(fā)明的流程示意圖2是本發(fā)明使用的一一對應(yīng)的父子狀態(tài)關(guān)系的隱馬爾可夫樹模型示意圖3是本發(fā)明使用的上下文模型context-5示意圖4是本發(fā)明用于第一種兩類合成紋理圖像的仿真分割結(jié)果圖圖5是本發(fā)明用于第二種兩類合成紋理圖像的仿真分割結(jié)果圖6是本發(fā)明用于第一種三類合成紋理圖像的仿真分割結(jié)果圖7本發(fā)明用于第二種三類合成紋理圖像的仿真分割結(jié)果圖8是本發(fā)明用于第三種三類合成紋理圖像的仿真分割結(jié)果圖。具體實施例方式參照圖l，本發(fā)明的具體實現(xiàn)過程如下步驟l，輸入待分割圖像，從輸入圖像中選取W類具有均一區(qū)域的訓(xùn)練圖像塊，其中iV為待分割圖像的類別數(shù)，每幅訓(xùn)練圖像塊大小為128X128。步驟2，對每類訓(xùn)練圖像分別進行非下采樣Contouriet變換，采用'maxflat'塔型濾波器和'diamondmaxflat'方向濾波器進行3層變換，每層8個方向子帶，得到多尺度的非下采樣Contourlet變換系數(shù)C,。步驟3,采用期望最大化算法，對每類訓(xùn)練圖像的非下采樣Contouriet變換系數(shù)按照一一對應(yīng)的父子狀態(tài)關(guān)系的隱馬爾可夫樹模型進行訓(xùn)練，得到隱馬爾可夫模型參數(shù)0;如圖2所示，非下采樣Contourle變換隱馬爾可夫樹模型中，兩個節(jié)點場分別描述了在尺度J和J一1的系數(shù)，每個父隱狀態(tài)變量連接一個子隱狀態(tài)變量，相鄰尺度之間的隱狀態(tài)變量是一一對應(yīng)的關(guān)系。步驟4，輸入待分割的圖像，對其進行非下采樣Contourlet變換，根據(jù)隱馬爾可夫模型參數(shù)0，求出圖像在各尺度下圖像子塊對應(yīng)的似然值，具體方法如下假設(shè)圖像的非下采樣Contourlet變換的系數(shù)子帶獨立，用G)',w，…,(^分別表示k子帶的參數(shù)向量，有m^01,02,…，04，計算<formula>formulaseeoriginaldocumentpage6</formula>其中，相似度/(7;M0"的計算式為<formula>formulaseeoriginaldocumentpage6</formula>其中，a^)=/(t;is,=附，0)是由一個向上的樹掃描算法得來的條件似然函數(shù)，;0S,=附|)是模型訓(xùn)練時得到的狀態(tài)概率，7;表示系數(shù)子帶對應(yīng)的一個子樹，s,為非下采樣Contourlet變換系數(shù)C,.的高斯混合模型中的一個離散隨機狀態(tài)變量，它有兩個狀態(tài);50)，附=5，￡，其中S,分布表示小狀態(tài)和大狀態(tài)。步驟5，根據(jù)各個尺度似然值，采用最大化似然值算法，計算最大似然值c嚴-argmax/(CJM)，由c嚴得到圖像的各尺度上的初分割結(jié)果。其中，/(CJM)為每個系數(shù)的似然值。步驟6，對初分割的結(jié)果的各尺度，根據(jù)上下文context-5模型進行類別標記更新，得到修正結(jié)果，具體步驟如下'(6a)選擇以子節(jié)點為中心的3X3鄰域內(nèi)的主類標為背景向量^，組成上下文模型context-5，如圖3所示，計算子節(jié)點的背景向量F;(6b)根據(jù)節(jié)點的背景向量F和初分割時得到的似然值，計算條件后驗概率-,i力乂、e》"乂,v,'m/W/k;"2)p(c,.=附I《，v/)=^~^-其中，rf/表示尺度j上位置z'處的特征系數(shù)，v/表示尺度y上位置z'處的背景向量，。為位置Z上的像素點所屬的類標，e^-R,(m)表示尺度_/上取類標為w的概率，=、|c,.=附)表示尺度_/上背景向量為卩,.下取類標為附的概率；(6c)利用下式更新參數(shù)^和",^的值)-=^~2>(。=附|)，對每個n，"(1,…，夂"其中，^為背景向量r的確切取值，對于7V類紋理^有i^種取值，p(c(l《',v/)為6(b)中公式計算的條件后驗概率；(6d)重復(fù)步驟(6a)(6b)，直到滿足迭代停止條件，即達到允許誤差為止，得到修正的分割結(jié)果。步驟7，對步驟(6)得到的結(jié)果，結(jié)合隱馬爾科夫隨機場模型，基于待分割圖像的相鄰像素的空間灰度相關(guān)信息，不斷更新分割的類別，取該分割結(jié)果為待分割圖像最終的分割結(jié)果，具體方法如下(7a)根據(jù)待分割圖像和步驟(6)的修正結(jié)果建立馬爾可夫隨機場模型，即假設(shè)待分割圖像y中每一個像素點的強度為，都對應(yīng)于標記場x中的一個標號《，根據(jù)貝葉斯定理，給定待分割圖像y時，標記場x的后驗概率分布表示為尸(yI，)其中尸(x)是先驗吉布斯分布，尸onx)是給定標記場x時圖像y的條件概率，戶(7)是一個未知常數(shù)；(7b)建立待分割圖像的能量函數(shù)，即假設(shè)每個像素灰度服從高斯分布，圖像屮每個像素的能量函數(shù)的表達式為-其中，A和、分別表示圖像中屬于第k類的灰度均值向量和協(xié)方差矩陣，m表示像素乂的鄰域中屬于不同于k類的像素的個數(shù)，^是一個權(quán)值，表示鄰域中相鄰像素間相互關(guān)系的重要性；(7c)按照(7b)步驟中所述的能量函數(shù)表達式，使用迭代條件模式算法尋找能量函數(shù)的最小解，當滿足允許誤差時停止，將標記場x的結(jié)果作為最終的圖像分割結(jié)果。本發(fā)明的效果可以通過以下仿真結(jié)果進一步說明。1.仿真內(nèi)容應(yīng)用本發(fā)明方法與基于小波的隱馬爾可夫樹模型的圖像分割方法W-HMT與基于Contourlet的隱馬爾可夫樹圖像分割方法C-HMT，分別對五幅合成紋理圖像，包括兩幅兩類紋理及三幅三類紋理的圖像進行分割，并給出合成紋理圖像的錯分率作為客觀評價標準，錯分率定義為圖像總錯分像素點個數(shù)與圖像總像素點個數(shù)的百分比。小波變換采用'9-7'濾波器，Contourlet變換采用'9-7'塔型和方向濾波器組。2.仿真結(jié)果圖4和圖5為本發(fā)明方法應(yīng)用于含有兩類合成紋理圖像的仿真分割結(jié)果。其中，圖4(a)和圖5(a)為兩類紋理的合成紋理圖像，圖4(b)和圖5(b)分別為巳有W-HMT方法對圖4(a)和圖5(b)的分割結(jié)果，圖4(c)和圖5(c)分別為已有C-HMT方法對圖4(a)和圖5(a)的分割結(jié)果，圖4(d)和圖5(d)分別為本發(fā)明方法對圖4(a)和圖5(a)的分割結(jié)果。圖6、圖7和圖8為本發(fā)明方法應(yīng)用于含有三類紋理的合成紋理圖像的仿真分割結(jié)果。其中，圖6(a)、圖7(a)和圖88(a)分別為三類紋理的合成紋理圖像，圖6(b)、圖7(b)和圖8(b)分別為已有W-HMT方法對圖6(a)、圖7(a)和圖8(a)的分割結(jié)果，圖6(c)、圖7(c)和圖8(c)分別為己有C-HMT方法對圖6(a)、圖7(a)和圖8(a)的分割結(jié)果，圖6(d)、圖7(d)和圖8(d)分別為本發(fā)明方法對圖6(a)、圖7(a)和圖8(a)的分割結(jié)果?？梢钥闯?，圖4(c)、圖5(c)、圖6(b)和圖6(c)分割結(jié)果中有明顯的鋸齒狀邊緣，而圖4(d)、圖5(d)和圖6(d)中的邊緣較光滑。圖6(b)、圖6(c)、圖7(b)、圖7(c)、圖8(b)和圖8(c)中存在大小不一的錯分割雜塊，而圖6(d)、圖7(d)和圖8(d)中只有很少的錯分塊，分割的區(qū)域比較一致。本發(fā)明方法由于利用了非下采樣Contourlet變換良好的幾何逼近特性，結(jié)合了隱馬爾可夫模型的優(yōu)點，在合成紋理圖像的分割上，較小波域HMT模型和基于Contourlet域HMT模型的分割方法，使分割結(jié)果區(qū)域一致性有明顯改善，同時分割結(jié)果的邊緣也有所改善。本發(fā)明方法與W-HMT，C-HMT方法對合成紋理圖像錯分率的對比如表1所示。表lW-HMT，C-HMT方法和本發(fā)明方法分割結(jié)果的錯分率比較<table>tableseeoriginaldocumentpage9</column></row><table>從表1的錯分率可以看出，本發(fā)明方法的錯分率小于現(xiàn)有的W-HMT與C-HMT方法。綜上，本發(fā)明利用非下采樣Contoulet變換的特點，彌補了小波域隱馬爾科夫樹分割方法對線性奇異的非稀疏的缺點，以及Contourlet域隱馬爾可夫樹模型分割方法區(qū)域一致性差的弊端。利用其良好的高維奇異性的幾何逼近特性以及根據(jù)非下采樣Contoulet變換系數(shù)的分布特性，選擇適當?shù)纳舷挛男畔⒛Ｐ?，以及結(jié)合馬爾可夫隨機場模型，充分考慮多尺度間、同一尺度相鄰子帶間系數(shù)，以及相鄰像素的關(guān)系，較好的保留了邊緣信息并減少分割結(jié)果中的雜塊效應(yīng)，本發(fā)明的方法對于紋理圖像的處理效果有明顯改進。權(quán)利要求1.一種基于非下采樣Contourlet變換的HMT圖像分割方法，包括如下步驟(1)輸入待分割圖像，從輸入圖像中截取N類具有均一區(qū)域的訓(xùn)練圖像塊，其中N為待分割圖像的類別數(shù)；(2)對每類訓(xùn)練圖像塊分別進行非下采樣Contourlet變換，得到多尺度的非下采樣Contourlet變換系數(shù)；(3)采用期望最大化算法對每類訓(xùn)練圖像塊的非下采樣Contourlet變換系數(shù)，按照一一對應(yīng)的父子狀態(tài)關(guān)系的隱馬爾科夫樹模型進行訓(xùn)練，得到隱馬爾可夫模型參數(shù)Θ；(4)輸入待分割的圖像，對其進行非下采樣Contourlet變換，根據(jù)模型參數(shù)Θ，計算待分割圖像在各尺度下圖像子塊對應(yīng)的似然值；(5)根據(jù)各個尺度似然值，采用最大化似然值的算法，得到圖像各尺度上的初分割結(jié)果；(6)利用上下文模型對各個尺度的初分割結(jié)果進行修正，即對各尺度采用上下文context-5模型，通過最大化后驗概率法對該尺度分割結(jié)果更新類別標記，得到各尺度的修正結(jié)果；(7)對各尺度得到的結(jié)果，結(jié)合隱馬爾科夫隨機場模型，基于待分割圖像的相鄰像素的空間相關(guān)信息，不斷更新分割的類別標記，取該分割結(jié)果為待分割圖像最終的分割結(jié)果。2.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(2)所述的對每類訓(xùn)練圖像塊分別進行非下采樣Contouriet變換，是采用'maxflat，塔型濾波器和'diamondmaxflat，方向濾波器對每類訓(xùn)練圖像塊分別進行3層變換，得到每層8個方向子帶的非下采樣Contouriet變換系數(shù)。3.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(3)所述的一一對應(yīng)的父子狀態(tài)關(guān)系隱馬爾科夫樹模型是非下采樣Contouriet變換系數(shù)的每個父隱狀態(tài)變量連接一個子隱狀態(tài)變量，該隱狀態(tài)變量在相鄰尺度之間為一一對應(yīng)的父子關(guān)系。4.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(6)所述的利用上下文模型對各個尺度的初分割結(jié)果進行修正，是選擇以子節(jié)點為中心的3X3鄰域內(nèi)的主類標作為背景向量^，組成上下文信息context-5模型，計算子節(jié)點的背景向量r，由背景向量F和初分割時得到的似然值，計算條件后驗概率，直到滿足迭代停止條件，即達到允許誤差為止，得到修正結(jié)果。5.根據(jù)權(quán)利要求l所述的圖像分割方法，其中步驟(7)按如下步驟進行.(7a)根據(jù)待分割圖像和步驟(6)的修正結(jié)果建立馬爾可夫隨機場模型，即假設(shè)待分割圖像Y中每一個像素點的強度;;,.，都對應(yīng)于標記場X中的一個標號x,.，根據(jù)貝葉斯定理，給定待分割圖像Y時，標記場X的后驗概率分布表示為其中p(x)是先驗吉布斯分布，尸ony)是給定標記場x時圖像Y的條件概率，尸(y)是一個未知常數(shù)；，(7b)建立待分割圖像的能量函數(shù)，即假設(shè)每個像素灰度服從高斯分布，圖像中每個像素的能量函數(shù)的表達式為其中，從和；分別表示圖像中屬于第k類的灰度均值向量和協(xié)方差矩陣，m表示像素乃的鄰域中屬于不同于k類的像素的個數(shù)，/是一個權(quán)值，表示鄰域中相鄰像素間相互關(guān)系的重要性；(7c)按照(7b)步驟中所述的能量函數(shù)表達式，使用迭代條件模式算法尋找能量函數(shù)的最小解，當滿足允許誤差時停止，將標記場X的結(jié)果作為最終的圖像分割結(jié)果。全文摘要本發(fā)明公開了一種基于非下采樣Contourlet變換的HMT圖像分割方法，主要解決已有分割方法區(qū)域一致性和邊緣保持差的缺點。其步驟為(1)取待分割圖像和每類的訓(xùn)練圖像，分別對其進行非下采樣Contourlet變換得到多尺度變換系數(shù)；(2)根據(jù)訓(xùn)練圖像的非下采樣Contourlet系數(shù)，按照一一對應(yīng)的父子狀態(tài)關(guān)系的隱馬爾科夫樹模型，估計模型參數(shù)；(3)計算待分割圖像在各尺度系數(shù)子帶對應(yīng)的似然值，使用標記樹融合多尺度似然函數(shù)得到多尺度最大后驗概率分類；(4)對每一尺度依次根據(jù)上下文信息context-5模型，更新類別標記；(5)結(jié)合隱馬爾科夫隨機場模型和待分割圖像相鄰像素空間相關(guān)性信息，更新類別標記，得到最終分割結(jié)果。本發(fā)明具有區(qū)域一致性和邊緣保持性好的優(yōu)點，可用于合成紋理圖像的分割。文檔編號G06T7/00GK101447080SQ20081023233公開日2009年6月3日申請日期2008年11月19日優(yōu)先權(quán)日2008年11月19日發(fā)明者彪侯,張向榮,博李,焦李成,爽王,馬文萍申請人:西安電子科技大學