CN102332163A - 基于三层fcm聚类的小波域多尺度非监督纹理分割方法 - Google Patents

Abstract

本发明涉及图像处理领域，公开了一种基于三层FCM聚类的小波域多尺度非监督纹理分割方法。采用第一层FCM分别获取每一尺度上低频部分和高频部分的分割结果；计算每一分割结果的局部标记直方图，并将其作为特征向量进行第二层FCM聚类，从而获取每一尺度上的分割结果；从大尺度到小尺度逐尺度进行分割结果融合，即计算相邻尺度分割结果的局部标记直方图，根据小波变换的采样关系，将对应位置的标记直方图组织在一起形成新的特征向量进行第三层FCM聚类，从而获取每一尺度最终的分割结果。最细尺度的分割结果作为本算法最终的分割结果。本发明简单实用，可用于纹理影像和航拍图像的分割。

Description

基于三层FCM聚类的小波域多尺度非监督纹理分割方法

技术领域

本发明属于图像处理技术领域，涉及一种图像分割方法，可用于纹理图像和航拍图像的分割。

背景技术

计算机视频主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，涉及图像处理、模式识别和图像理解。图像分割就是指把影像分成各具特性的区域并提取感兴趣目标的过程。图像分割是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更为紧凑的形式，使得更高层次的分析和理解成为可能。然而，图像分割本身是一个病态问题，分割的目的是为了理解，但是理想的分割结果往往需要理解后的结果作为先验知识，这种病态性给问题的解决带来极大的困难，成为阻碍计算机视觉发展的一个主要瓶颈。但正因为图像分割是计算机视觉的一个基本问题，分割结果对系统的性能影响很大，因此图像分割始终是图像处理领域的一个研究热点。

图像分割在诸如医学、安全、遥感和工业自动化等应用许多应用中，它都是具有关键作用的一种低层图像处理技术。但纹理图像分割依然存在很大的困难。目前来看，纹理分割算法主要分为基于特征的算法、基于模型的算法和基于结构的算法三种。

基于特征的方法首先提取纹理特征，然后再进行纹理的分类与识别，最终结果的好坏主要取决于纹理特征的优劣。常见的纹理特征有灰度共生矩阵、纹理能量、Gabor特征、多尺度多方向特征MPMS等。分割结果的好坏完全取决于纹理特征是否能准确描述纹理特性。

基于模型的方法采用统计模型对纹理进行建模，并在贝叶斯框架下实现纹理分割，所采用模型是否能准确描述纹理的分布特性直接决定了分割结果的好坏，而且越复杂的模型实现起来越耗时。常见的统计模型有：MRF、MRMRF、HMT、MSMRF等。

基于结构的方法采用语法规则将纹理基元组织在一起描述纹理，分割结果的好坏受到基元定义和语法规则准确性的双重约束，因该方法不够灵活而在应用受到很大的限制。

发明内容

为了避免了复杂纹理模型或纹理特征的设计，本发明提出了一种基于三层FCM聚类的小波域多尺度非监督纹理分割方法，以得到较好的分割结果，并将其应用于纹理图像和航拍图像。

FCM聚类算法，是Bezkek于1981年提出的一种模糊聚类算法，是一种逐步迭代的算法，本发明是基于三层FCM聚类的小波域多尺度大非监督纹理分割方法。

实现本发明目的的技术方案是：

第一层FCM用于计算每一尺度上不同子带的分割结果；第二层FCM用以计算子带分割结果的融合结果；第三层FCM用以计算相邻尺度分割结果的融合结果。具体过程如下：

(1)输入待分割图像、给定图像的分类数N_c和小波变换的最大尺度J；

(2)对图像进行J层小波变换。将三个高频子带系数矩阵对应位置的小波系数构成向量，作为该尺度高频部分的特征f^j，H；低频部分的特征f^j，L直接采用低频子带小波系数矩阵w^j，LL；

(3)采用第一层FCM分别对低频和高频部分的特征进行聚类，获取每一尺度上低频与高频部分的分割结果，分别记为seg^j，L和seg^j，H；

(4)每一尺度上，采用第二层FCM对seg^j，L和seg^j，H进行融合，获取单尺度分割结果x^j；

(5)从大尺度到小尺度采用第三层FCM进行尺度间分割结果融合，获取每一尺度的最终分割结果

最高分辨率尺度上的分割结果

为该算法最终的分割结果。

本发明与现有技术相比具有以下优点：

1、本发明设计了一个全新的纹理分割框架，它不需要设计复杂的纹理模型和纹理特征。基本的思路是融合不同尺度、不同频带上的纹理信息分割结构。

2、本发明设计的纹理分割框架能够集成所有的聚类算法以及它们的组合，也可以方便地扩展到其它的多尺度空间中进行分析，具有较好的扩展性。

3、仿真方法表明，本发明设计的方法对于纹理图像和遥感图像具有较好的分割结果。

附图说明

图1是本发明的流程示意图

图2是本发明应用于合成纹理影像1的分割结果

图3是本发明应用于合成纹理影像2的分割结果

图4是本发明应用于航拍遥感图像1的分割结果

图5是本发明应用于航拍遥感图像2的分割结果

具体实施方式

下面通过具体实施例对本发明作进一步详细描述。

参照图1，本发明的具体实现过程如下：

步骤一输入图像：输入待分割图像、给定图像的分类数N_c和小波变换的最大尺度J。

步骤二  离散小波变换(DWT，discrete wavelet transform)：对图像进行J层小波变换，每一尺度上包含一个低频子带小波系数矩阵w^j，LL和三个高频子带小波系数矩阵w^j，LL、w^j，LH和w^j，HH。将三个高频子带系数矩阵对应位置的小波系数构成向量，作为该尺度高频部分的特征f^j，H；低频部分的特征f^j，L直接采用低频子带小波系数矩阵w^j，LL。具体为：

(2.1)对输入图像进行J层小波变换；

(2.2)对每一尺度的低频和高频部分的特征分别按照如下形式构造低频特征和高频特征：

$f_{r,c}^{j,L}=w_{r,c}^{j,\mathrm{LL}}$

$f_{r,c}^{j,H}={[w_{r,c}^{j,\mathrm{LH}},w_{r,c}^{j,\mathrm{HL}},w_{r,c}^{j,\mathrm{HH}}]}^{\′}$

其中(r，c)为存储位置。

步骤三  第一层FCM：采用第一层FCM分别对低频和高频部分的特征进行聚类，获取每一尺度上低频与高频部分的分割结果，分别记为seg^j，L和seg^j，H。

设定低频部分和高频部分的聚类数K1^L和K1^H，在每一尺度j上执行如下操作：

(3.1)对特征矩阵f^j，L和f^j，H分别进行第二层FCM聚类。为描述方便，采用如下符号表示有关信息：特征矩阵大小M×N、聚类数K1^j，b、特征矩阵f^j，b(b＝L，H)。聚类过程描述如下：

(a)初始化：初始化大小为M×N×K1^j，b的隶属度矩阵U^j，b，每一元素均在[0，1]上取值；

(b)迭代过程：

更新聚类中心：

${\mathrm{Cen}}^{j,b}\left(k1\right)=\frac{\underset{r=1}{\overset{M}{\mathrm{\Σ}}}\underset{c=1}{\overset{N}{\mathrm{\Σ}}}{U}_{r,c}^{j,b}\left(k1\right)f_{r,c}^{j,b}}{\underset{r=1}{\overset{M}{\mathrm{\Σ}}}\underset{c=1}{\overset{N}{\mathrm{\Σ}}}{U}_{r,c}^{j,b}\left(k1\right)}$

更新隶属度矩阵：

$U_{r,c}^{j,b}\left(k1\right)=\frac{1}{{\mathrm{\Σ}}_{k=1}^{{K1}^{j,b}}{\left(\frac{\left|\right|f_{r,c}^{j,b}-{\mathrm{Cen}}^{j,b}\left(k1\right)\left|\right|}{\left|\right|f_{r,c}^{j,b}-{\mathrm{Cen}}^{j,b}\left(k\right)\left|\right|}\right)}^{\frac{1}{m-1}}}$

(c)判断是否满足终止条件：迭代次数是否达到最大次数或者两次迭代的隶属度之间的最大差值是否小于给定阈值epsilon。如果满足终止条件则算法结束；否则继续转步骤(3b2)继续执行。

(3.2)根据最大隶属度原则计算每一位置的分割结果

(b＝L，H)：

${\mathrm{seg}}_{r,c}^{j,b}=\arg \underset{k1=\mathrm{1,2},...,{K1}^{j,b}}{\max }\left\{U_{r,c}^{j,b}\left(k1\right)\right\}$

 步骤四  第二层FCM聚类：每一尺度上，采用第二层FCM对seg^j，L和seg^j，H进行融合，获取单尺度分割结果x^j。

在每一尺度j上执行如下操作：

(a)在给定的窗口大小内，计算seg^j，b(b＝L，H)的局部标记直方图f^j，b：

$f_{r,c}^{j,b}\left(k1\right)=\frac{1}{u}\underset{(r_1,c_1)\∈N_{r,c}}{\mathrm{\Σ}}\mathrm{\δ}({\mathrm{seg}}_{r,c}^{j,b},k1)$

其中，k1＝1，2，…，K1^j，b， $\mathrm{\δ}(a,b)=\left\{\begin{array}{cc}1,& a=b\\ 0,& a\≠b\end{array}\right.,$ u为以(r，c)为中心的窗口N_r，c内像素的个数。

(b)将f^j，L和f^j，H对应位置的值串在一起构成尺度j上的特征图像f^j：

$f_{r,c}^j={{[f_{r,c}^{j,L}\left(1\right),f_{r,c}^{j,L}\left(2\right),...,f_{r,c}^{j,L}\left({K1}^{j,L}\right),f_{r,c}^{j,H}\left(1\right),f_{r,c}^{j,H}\left(2\right),...,f_{r,c}^{j,L}\left({K1}^{j,H}\right)]}^T}_{({K1}^{j,L}+{K1}^{j,H})\×1}$

(c)给定聚类数K，对f_j中每一位置的特征采用第二层FCM进行聚类，获取尺度j上的单尺度分割结果x^j。具体过程与步骤三类似。

步骤五  从大尺度到小尺度采用第三层FCM进行尺度间分割结果融合，获取每一尺度的最终分割结果

最高分辨率尺度上的分割结果

为该算法最终的分割结果：

(a)令j＝J-1，

(b)判断j＜0是否成立。如果成立则算法结束，

即为所求；否则，转步骤(c)；

(c)在给定窗口大小内计算和x^j的局部标记直方图

和

方法与步骤四的(a)相同。

(d)根据小波变换的采样关系，将

和

对应位置的标记直方图串在一起构成尺度j上的多尺度特征图像

${\stackrel{\‾}{f}}_{r,c}^j={[{\left({\stackrel{\‾}{h}}_{r,c}^j\right)}^T,{\left({\stackrel{\‾}{h}}_{r^{\′},c^{\′}}^{j+1}\right)}^T]}^T$

其中(r′，c′)为(r，c)在尺度j+1上的对应位置，满足

和

(e)给定聚类数K，对

中每一位置的特征采用第三层FCM进行聚类，获取尺度j上的多尺度分割结果

具体过程与步骤三类似；

(f)设定j＝j-1，转(b)继续执行。

本发明的内容可以通过以下的仿真结果进一步进行说明。

1、仿真内容：应用本发明方法与MRMRF方法分别对两幅幅合成灰度纹理影像和两幅航拍影像进行影像分割。两种方法均采用3层“haar”小波变换。MRMRF算法的特征场采用GMRF进行建模，标记场采用只考虑双点势团的二阶MLL模型进行建模，每一尺度上的势函数取值为1.0。本发明方法设定K1_L＝2×K，K1_H＝6×K，在计算局部标记直方图时采用的窗口大小随尺度而改变，尺度0(原始分辨率)、1、2、3上采用的窗口大小依次为3、5、7、3。合成纹理影像采用错分率作为客观评价标准。错分率的定义为：

2、仿真结果

图2为本发明方法应用于合成灰度纹理影像的分割结果。其中图2(a)为第一幅合成灰度纹理影像，含有两类纹理；图3(a)为第二幅纹理影像，含有4类纹理。图2(b)和图3(b)分别为图2(a)和图3(a)的真实分割结果；图2(c)和图3(c)为MRMRF算法分割结果；图2(d)和图3(d)为本文算法分割结果。

从图2可以看出，本发明方法的分割结果与MRMRF算法具有相近的能力。这表明本发明的所设计的纹理分割框架能够达到基于模型的分割算法的分割精度。而从图3的分割结果还可以看出，本发明方法的结果要明显优于MRMRF算法。这也表明本发明方法具有不错的分类能力。从对应的错分率上也可明显看出，本发明方法能够能够达到甚至超越MRMRF算法的分割效果

图4和图5为本发明方法应用于航拍影像的分割结果。其中图4(a)为第一幅航拍影像，含有两类地物覆盖。图4(b)和图4(c)分别为图4(a)的MRMRF算法分割结果和本发明方法的分割结果。其中图5(a)为第二幅航拍影像，含有三类地物覆盖。图5(b)和图5(c)分别为图5(a)的MRMRF算法分割结果和本发明方法的分割结果。

从图4和图5可以看出，MRMRF分割方法分割结果的区域一致性有所欠缺。而本发明方法则在区域性和边界性两方面均有较好的结果。这进一步表明本发明方法具有一定的实用性。

综上，本发明设计了一种基于三层FCM聚类的小波域多尺度非监督纹理分割算法，作为一种全新的纹理分割框架，能够避免设计复杂的纹理模型或纹理特征。这个结论从对合成纹理影像和航拍图像的分割结果可以明显看出。

Claims (4)

1.一种基于三层FCM聚类的小波域多尺度非监督纹理分割方法，主要包括如下过程：

(1)输入待分割图像、给定图像的分类数N_c和小波变换的最大尺度J；

(2)对图像进行J层小波变换，每一尺度上包含一个低频子带小波系数矩阵w^j，LL和三个高频子带小波系数矩阵w^j，LL、w^j，LH和w^j，HH，将三个高频子带系数矩阵对应位置的小波系数构成向量，作为该尺度高频部分的特征f^j，H；低频部分的特征f^j，L直接采用低频子带小波系数矩阵w^j，LL；

(3)采用第一层FCM分别对低频和高频部分的特征进行聚类，获取每一尺度上低频与高频部分的分割结果，分别记为seg^j，L和seg^j，H；

(4)每一尺度上，采用第二层FCM对seg^j，L和seg^j，H进行融合，获取单尺度分割结果x^j；

(5)从大尺度到小尺度采用第三层FCM进行尺度间分割结果融合，获取每一尺度的最终分割结果 

最高分辨率尺度上的分割结果 

为该算法最终的分割结果。

2.根据权利要求1所述的分割方法，其中步骤(2)按如下过程进行：

(2a)对输入图像进行J层小波变换；

(2b)低频和高频部分的特征分别按照如下形式构造：

其中(r，c)为存储位置。

3.根据权利要求1所述的分割方法，其中步骤(3)按如下过程进行：

(3a)设f^j，L和f^j，H的聚类数分别为K1^L和K1^H；

(3b)对特征矩阵f^j，L和f^j，H分别进行第二层FCM聚类，采用如下符号表示有关信息：特征矩阵大小M×N、聚类数K1^j，b、特征矩阵f^j，b(b＝L，H)，聚类过程描述如下：

(3b1)初始化：初始化大小为M×N×K1^j，b的隶属度矩阵U^j，b，每一元素均在[0，1]上取值；

(3b2)迭代过程：

更新聚类中心：

更新隶属度矩阵：

(3b3)判断是否满足终止条件：迭代次数是否达到最大次数或者两次迭代的隶属度之间的最大差值是否小于给定阈值epsilon，如果满足终止条件则算法结束；否则继续转步骤(3b2)继续执行；

(3c)根据最大隶属度原则计算每一位置的分割结果 

(b＝L，H)： 

4.根据权利要求1所述的分割方法，其中步骤(4)按如下过程进行：

(4a)在给定的窗口大小内，计算seg^j，b(b＝L，H)的局部标记直方图f^j，b：

其中，k1＝1，2，…，K1^j，b，

u为以(r，c)为中心的窗口N_r，c内像素的个数；

(4b)将f^j，L和f^j，H对应位置的值串在一起构成尺度j上的特征图像f^j：

(4c)给定聚类数K，对f^j中每一位置的特征采用第二层FCM进行聚类，获取尺度j上的单尺度分割结果x^j。

5．根据权利要求1所述的分割方法，其中步骤(5)按如下过程执行：

(5a)令j＝J-1， 

(5b)判断j＜0是否成立，如果成立则算法结束， 

即为所求；否则，转步骤(5c)；

(5c)在给定窗口大小内计算 

和x^j的局部标记直方图 

和 

方法与(4a)相同；

(5d)根据小波变换的采样关系，将 

和 对应位置的标记直方图串在一起构成尺度j上的多尺度特征图像 

其中(r′，c′)为(r，c)在尺度j+1上的对应位置，满足 

和 

(5e)给定聚类数K，对 

中每一位置的特征采用第三层FCM进行聚类，获取尺度j上的多尺度分割结果；

(5f)设定j＝j-1，转(5b)继续执行。 

Images