基于馬爾科夫隨機(jī)場的圖像分割方法
【專利摘要】本發(fā)明公開一種基于馬爾科夫隨機(jī)場的圖像分割方法。本發(fā)明在MRF模型的基礎(chǔ)上引入了對退火系數(shù)的確定的一種新方法。參數(shù)的選取對圖像分割的效果會產(chǎn)生很大的影響，對勢函數(shù)的耦合系數(shù)β和模擬退火迭代系數(shù)α的估計一直是MRF分割算法的難點(diǎn)。一般算法采取α和β都是固定值的方法，但是分割效果不太理想。在本文中，采取的是固定β為常數(shù)，參數(shù)α動態(tài)變化。改進(jìn)參數(shù)后，在計算速度和圖像分割精度上有較大的提高。
【專利說明】基于馬爾科夫隨機(jī)場的圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像分割的方法，尤其涉及在馬爾科夫隨機(jī)場的基礎(chǔ)上引入模糊分類的方法。
【背景技術(shù)】
[0002]在基于MRF模型的圖像分割算法中，最大化后驗概率的求解是一個迭代優(yōu)化過程，需要處理每個像素的空間鄰域，處理數(shù)據(jù)多，算法收斂慢。還有多個參數(shù)需要調(diào)節(jié)，因此優(yōu)化算法并不易。
[0003]圖像分割的本身是不確定的，如何在分割中引入先驗信息是解決這一問題的強(qiáng)有力工具。目前，利用統(tǒng)計圖像模型較為引人注目?；诮y(tǒng)計學(xué)的分割方法的基本思想是:從統(tǒng)計學(xué)角度對圖像進(jìn)行建模，把各個像素值看作具有一定概率分布的隨機(jī)過程。正確的分割圖像，就是以最大概率得到圖像的物體組合，從貝葉斯定理來看，就是求出具有最大后驗概率的分布。
[0004]馬爾可夫隨機(jī)場模型提供了不確定性描述和先驗知識聯(lián)系的紐帶，通過利用觀測圖像，根據(jù)統(tǒng)計決策和估計理論中的最優(yōu)準(zhǔn)則確定分割問題的目標(biāo)函數(shù)，進(jìn)而求解得到滿足這些條件的最大可能分布，從而將分割問題轉(zhuǎn)化為優(yōu)化問題。很多分割算法都試圖將圖像的空間信息引入到圖像分割算法中，并取得了很好的分割效果。然而，參數(shù)估計是至關(guān)重要的。參數(shù)選取的小，不能正確反映圖像的空間相關(guān)性；反之，參數(shù)選取的大，則會造成圖像的過分割現(xiàn)象。因此關(guān)于參數(shù)估計方法一直以來都受到關(guān)注，各種優(yōu)化計算方法的研究也是非常重要。不過，優(yōu)化方法發(fā)展相對較慢，還需要研究更快、更準(zhǔn)的優(yōu)化方法。
[0005]基于MRF模型的圖像分割具有如下的優(yōu)點(diǎn):(I)模型的參數(shù)較少，便于處理；(2)模型具有較強(qiáng)空間約束能力，能得到較好的分割效果；(3)基于模型的方法易于結(jié)合其它方法，易于拓展；(4)不同的先驗?zāi)Ｐ涂梢苑从掣鞣N圖像屬性。
[0006]但是MRF模型應(yīng)用的難點(diǎn)在于如何選取合適的參數(shù)來控制空間相關(guān)性的強(qiáng)度，過強(qiáng)將導(dǎo)致對分割圖的邊緣過度平滑而丟失一些重要的解剖細(xì)節(jié)信息。另外，應(yīng)用MRF模型的算法計算量很大，為了減少計算量而不得不簡化模型而得到次優(yōu)解。

【發(fā)明內(nèi)容】

[0007]發(fā)明目的:針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種基于馬爾科夫隨機(jī)場的設(shè)計方法，有效提高了圖像分割的效率。
[0008]技術(shù)方案:一種基于馬爾科夫隨機(jī)場的圖像分割的方法，包括如下步驟:
[0009]I)采用最大似然估計方法對圖像進(jìn)行初始分割；
[0010]2)根據(jù)初始分割利用MAP估計得到不同分類UGA)的參數(shù)U A和O A，并初始化模擬退火函數(shù)中的系數(shù)3 ;
[0011]3)取k為當(dāng)前迭代次數(shù)，利用模擬退火算法進(jìn)行迭代(對其中的參數(shù)a根據(jù)AE的變化動態(tài)調(diào)節(jié))，然后計算當(dāng)前分割結(jié)果，并遍歷圖像計算當(dāng)前分割結(jié)果的能量函數(shù)；[0012]4)計算當(dāng)前的全局能量值；
[0013]5)如果全局能量值變化小于某個事先給定的值(例如0.5)，則分割為最后結(jié)果，否則再重復(fù)步驟3)。
[0014]提出的一種基于馬爾科夫隨機(jī)場的圖像分割方法，在使用模擬退火算法進(jìn)行優(yōu)化的過程中，改變了傳統(tǒng)算法固定參數(shù)a和0的做法，采用固定P，動態(tài)調(diào)節(jié)a的方法，改善了誤分割率。
[0015]研究馬爾可夫隨機(jī)場主要關(guān)注以下幾個方面:標(biāo)號場和觀測場模型的建立；圖像模型參數(shù)估計，標(biāo)號數(shù)的確定；提出適當(dāng)?shù)淖顑?yōu)準(zhǔn)則進(jìn)行分割；選擇優(yōu)化方法實現(xiàn)目標(biāo)函數(shù)收斂等。
[0016]在給定標(biāo)號場的先驗分布和觀測場的條件分布后，需要給予適當(dāng)?shù)淖顑?yōu)準(zhǔn)則來實現(xiàn)圖像的分割，有以下常用幾種分割標(biāo)準(zhǔn):最大后驗概率估計，最大后驗邊緣估計，最小均方誤差估計和序貫最大后驗概率估計等。
[0017]在MRF框架下，結(jié)合概率理論建立目標(biāo)圖像的條件概率模型，求解基于這些條件下的最大概率分布，進(jìn)而轉(zhuǎn)化成為求解MRF的能量函數(shù)最小的問題。在一般情況下，對MRF的全局能量函數(shù)最小化問題是一個NP-HARD問題。在實際問題中，通常采用一些近似全局能量的方法進(jìn)行簡化來處理。
[0018]我們所求得的能量函數(shù)通常是非凸函數(shù)，因而要對這個組合優(yōu)化問題進(jìn)行處理。解組合優(yōu)化問題通常有兩個解決方法:一種是用全局優(yōu)化算法，在盡可能大的搜索空間，產(chǎn)生一個全局最優(yōu)解；另一種是用局部優(yōu)化的近似算法，在可接受的運(yùn)行時間內(nèi)產(chǎn)生近似解。前者由于算法復(fù)雜，運(yùn)行時間長，因此對大規(guī)模組合優(yōu)化問題常用近似算法獲得局部最優(yōu)解?？梢杂秒S機(jī)松弛(Stochastic relaxation)和確定松弛(Deterministic relaxation)求解。確定性松弛僅在新狀態(tài)具有更低能量時接受新狀態(tài)，速度較快，但是得到的通常是局部最優(yōu)解。隨機(jī)松弛容許以一定概率接受能量更高的新狀態(tài)，能夠求得全局的最優(yōu)解，代價就是收斂速度很慢。
[0019]結(jié)合附圖，根據(jù)下文的通過示例說明本發(fā)明主旨的描述可清楚本發(fā)明的其它方面和優(yōu)點(diǎn)。
【專利附圖】

【附圖說明】
[0020]圖1為二維空間位置的鄰域和勢團(tuán)；
[0021]圖2為無監(jiān)督圖像分割流程圖。
【具體實施方式】
[0022]參見示出本發(fā)明實施例的附圖，下文將詳細(xì)地描述本發(fā)明。然而，本發(fā)明可以以許多不同形式出現(xiàn)，而且不應(yīng)解釋為受在此提出之實施例的限制。相反，提出的這些實施例是為了達(dá)成充分及完整公開，并且使本【技術(shù)領(lǐng)域】的技術(shù)人員完全了解本發(fā)明的范圍。這些附圖中，為了清楚起見，可能放大了層及區(qū)域的尺寸及相對尺寸。
[0023]除非另行詳細(xì)說明，本文所使用的所有術(shù)語(包括科技術(shù)語)的意思與本領(lǐng)域的技術(shù)人員所通常理解的一致。還應(yīng)理解，諸如一般字典中所定義的術(shù)語應(yīng)解釋為與相關(guān)【技術(shù)領(lǐng)域】中的意思一致，并且不應(yīng)解釋為理想化的或過度刻板的含義，除非在文中另有明確定義。
[0024]現(xiàn)以最大后驗概率(Maximum A Posterior, MAP)和Metropolis算法為例，說明根據(jù)本發(fā)明的基于馬爾科夫隨機(jī)場的圖像分割方法。然而，本領(lǐng)域的技術(shù)人員應(yīng)理解，本發(fā)明不限于此。
[0025]圖像分割是基于像素的特征屬性和區(qū)域?qū)傩越o每一個像素分配標(biāo)號的過程。要定義MRF模型，首先要定義鄰域系統(tǒng)，以及由此形成的勢團(tuán)(Clique)。在二維網(wǎng)格S上，任一個頂點(diǎn)(i，j)都是通過鄰域系統(tǒng)與其它頂點(diǎn)相關(guān)聯(lián)的。如附圖1。
[0026]在MRF中，常用兩個隨機(jī)場來描述待分割的圖像。一個是標(biāo)號場X，用先驗分布描述標(biāo)號場的局部相關(guān)性。另一個是特征場(觀測場)Y，常以標(biāo)號場為條件，用分布函數(shù)描述觀測數(shù)據(jù)或特征向量的分布。實驗方案為確定標(biāo)號數(shù)，對馬爾可夫隨機(jī)場圖像模型參數(shù)估計，最后基于適當(dāng)最優(yōu)準(zhǔn)則實現(xiàn)圖像的分割。如附圖2為無監(jiān)督圖像分割流程圖。
[0027]Markov隨機(jī)場與Gibbs隨機(jī)場相對應(yīng)，因此若定義了 Gibbs隨機(jī)場的能量函數(shù)，那么馬爾可夫隨機(jī)場也隨之被確定了。這樣，根據(jù)貝葉斯定理，采用最大后驗概率估計器，進(jìn)而求解圖像的最大后驗概率,也就完成估計標(biāo)號問題。
[0028]然而傳統(tǒng)該模型只在確定類上有定義，使得運(yùn)用該模型如果參數(shù)選取不當(dāng)，圖像處理時會出現(xiàn)誤分類或是過分割的現(xiàn)象。針對這些不足，我們在傳統(tǒng)的MRF引入模糊概念。引入模糊類，使得過分割后原本屬于一個標(biāo)號場的區(qū)域得到正確的歸類，從而實現(xiàn)正確分割。
[0029]在MRF框架中，假設(shè)在已知圖像分割標(biāo)號的情況下，每個像素點(diǎn)i處的條件概率P(YiIxi)相互獨(dú)立?？梢哉J(rèn)為P(YiIxi)服從高斯分布，對于分類Xi，參數(shù)3|，似然能量函數(shù)為:
【權(quán)利要求】
1.一種基于馬爾科夫隨機(jī)場的圖像分割的方法，其特征在于，包括如下步驟: 1)采用最大似然估計方法對圖像進(jìn)行初始分割； 2)根據(jù)初始分割利用MAP估計得到不同分類的參數(shù)UA和0 A，并初始化模擬退火函數(shù)中的系數(shù)P，X GA; 3)取k為當(dāng)前迭代次數(shù)，利用模擬退火算法進(jìn)行迭代，然后計算當(dāng)前分割結(jié)果，并遍歷圖像計算當(dāng)前分割結(jié)果的能量函數(shù)； 4)計算當(dāng)前的全局能量值； 5)如果全局能量值變化小于某個事先給定的值，則分割為最后結(jié)果，否則再重復(fù)步驟3)。
【文檔編號】G06T7/00GK103679717SQ201310654583
【公開日】2014年3月26日 申請日期:2013年12月5日 優(yōu)先權(quán)日:2013年12月5日
【發(fā)明者】儲榮 申請人:河海大學(xué)