基于自适应高斯混合模型的鲁棒图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103761727103761727A(43)申请公布日2014.04.30(21)申请号201310735556.0(22)申请日2013.12.28(71)申请人辽宁师范大学地址116029辽宁省大连市沙河口区黄河路850号(72)发明人王向阳张显金(74)专利代理机构大连非凡专利事务所21220代理人闪红霞(51)Int.Cl.G06T7/00(2006.01)G06T5/00(2006.01)权权利要求书2页利要求书2页说明书5页说明书5页附图3页附图3页(54)发明名称基于自适应高斯混合模型的鲁棒图像分割方法(57)摘要本发明公开一种可提高高斯混合模型分割精度、降低高斯混合模型对噪声敏感度的基于自适应高斯混合模型的鲁棒图像分割方法，按照如下步骤进行：把图像由RGB颜色空间转换到颜色空间，对得到的三个分量做非下采样轮廓变换分解，对得到的高频子带做硬阈值去噪处理，使用去噪后的高频子带和原来的低频子带进行非下采样轮廓变换重构，得到去噪后的三个分量；把得到的去噪后的三分量使用模糊C均值算法分类，使用分类结果初始化自适应高斯混合模型参数，使用最大后验估计自适应高斯混合模型的参数，建立自适应高斯混合模型；使用最大后验概率分类，得到分割结果。CN103761727ACN103762ACN103761727A权利要求书1/2页1.一种基于自适应高斯混合模型的鲁棒图像分割方法，其特征在于按照如下步骤进行：a.把图像由RGB颜色空间转换到颜色空间，对得到的三个分量做非下采样轮廓变换分解，对得到的高频子带做硬阈值去噪处理，使用去噪后的高频子带和原来的低频子带进行非下采样轮廓变换重构，得到去噪后的三个分量；b.把得到的去噪后的三分量使用模糊C均值算法分类，使用分类结果初始化自适应高斯混合模型参数，使用最大后验估计自适应高斯混合模型的参数，建立自适应高斯混合模型；c.使用最大后验概率分类，得到分割结果。2.根据权利要求1所述基于自适应高斯混合模型的鲁棒图像分割方法，其特征在于所述a步骤如下：a.1把输入图像由RGB颜色空间转换成颜色空间；a.2对进行一层非下采样轮廓变换分解，得到一个低频和n个高频子带；a.3对得到的每个高频子带使用硬阈值进行去噪得到；硬阈值可以表示为，其中和分别为输出和输入，G和Th分别为增益值和阈值；a.4使用低频子带和去噪后的高频子带进行NSCT重构得到去噪图像；a.5用a.2~a.4对和求对应的和。3.根据权利要求1的基于自适应高斯混合模型的鲁棒图像分割方法，其特征在于所述b步骤如下：b.1AGMM参数初始化使用FCM算法进行初始化，需要初始化聚类数目c=2，随机初始化隶属度矩阵U，满足每个像素属于两类的隶属度之和等于1，初始聚类中心使用公式进行初始化，feature为特征向量，粗略的估计前景和背景类，利用各类的均值作为均值μ，并计算方差Σ，取每类样本数占总样本数的比例，作为各个高斯模型的权值；b.2对于高斯混合模型,采用最大后验算法进行参数估计的过程如下，b.2.1计算样本n属于第j类的后验概率，标准化后为：2CN103761727A权利要求书2/2页（1）其中，是以x为中心的3×3的局部窗口，b.2.2最大化式(1),得到新的参数、和；具体的计算公式如下：其中，其中是图像的特征向量，利用式(1)~式(4),迭代收敛后,可以得到样本n属于第m类的后验概率。4.根据权利要求3所述基于自适应高斯混合模型的鲁棒图像分割方法，其特征在于所述c步骤如下：假设前景像素记为，背景像素记为，其中表示类别的先验概率，可以根据中的样本比率来估计,其中表示第i类样本的个数，满足。3CN103761727A说明书1/5页基于自适应高斯混合模型的鲁棒图像分割方法技术领域[0001]本发明属于多媒体信息处理的图像分割技术领域，尤其是一种可提高高斯混合模型分割精度、降低高斯混合模型对噪声敏感度的基于自适应高斯混合模型的鲁棒图像分割方法。背景技术[0002]多年来，图像分割一直是数字图像处理技术中的一项关键技术，其目的是将图像中具有特殊意义的区域分割开来，这些区域是互不相交的，每一区域都满足特定区域的一致性,它是图像分析和模式识别的第一步，在许多计算机视觉应用中发挥着重要的作用，比如目标检测和识别、图像检索等。虽然人们对图像分割技术已经做了大量的研究，但是由于图像的复杂性，还没有一种标准的分割方法适合所有种类的图像。[0003]目前图像分割的方法有很多，早期的图像研究主要将分割方法分为两大类，一种是基于边界的分割方法，另一种是基于区域的分割方法。基于区域的分割方法依赖于图像的空间局部特征，如灰度、纹理及其他像素统计特性的均匀性等，典型的基于区域分割方