CN108090914B - 基于统计建模与像素分类的彩色图像分割方法 - Google Patents

Abstract

本发明公开一种基于统计建模与像素分类的彩色图像分割方法，首先在原始彩色图像RGB颜色空间内，对R分量（G、B类似）进行非下采样Shearlet变换，使其分解为一个低频子带和若干高频子带；其次，对同尺度高频子带利用贝塞尔K概率密度函数进行统计建模，估计出形状参数和尺度参数，并以每组参数的极值作为像素特征；然后，使用二维Tsallis熵进行初分割，得到训练样本；最后，结合像素特征与训练样本，用TSVM完成图像分割。由于利用非下采样Shearlet变换分解图像并利用贝塞尔K统计模型建模来提取像素特征，较好的刻画了图像的内容，有效地提高了图像分割的精度。

Description

基于统计建模与像素分类的彩色图像分割方法

技术领域

本发明属于数字图像分割技术领域，涉及一种基于统计建模与像素分类的彩色图像分割方法。

背景技术

随着科技的发展，人们对信息的需求日渐增加，如何有效的从海量信息中挑选出有用的信息是信息处理的关键问题。图像处理作为信息处理的一种最常见的形式也在不断发展，而图像分割作为图像处理的中心环节更是被广泛关注。一般来说，对于一幅图像人们只对某一具体部分感兴趣，这部分感兴趣叫做对象，剩余部分叫做背景。在多媒体信息处理中，图像分割往往是必不可少的，其目的是区分出图像中的对象和背景，以便对对象区域进行研究。尽管已有各种各样的图像分割方法，但由于图像的复杂性，目前尚没有一种标准的分割方法适合于所有不同种类的图像，因此，图像分割技术仍是目前研究的热点之一。

在图像视觉特征提取过程中，能否高精度的表示图像特征是决定图像分割效果的重要因素，目前的图像特征提取方法，如小波变换、多尺度几何变换等，尚存在以下三点不足：第一，易受噪音的影响；第二，面对高维问题时，无法充分利用数据本身具有的几何特征来反应图像内容；第三，处理具有复杂几何特征的图像时，计算的冗余度与复杂度会有所增加。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提出了一种基于统计建模与像素分类的彩色图像分割方法。

本发明的技术解决方案是：一种基于统计建模与像素分类的彩色图像分割方法，其特征在于按照如下步骤进行：

约定：尺寸为M×N彩色图像表示为f(x,y)；f_p,c(x)表示贝塞尔K分布概率密度函数；形状参数表示为p；尺度参数表示为c；g(x,y)表示(x,y)位置的邻域平均灰度级；p(i,j)表示灰度级与g(x,y)的联合概率密度；

与

分别表示目标熵与背景熵；Φ_α(t,s)表示最佳阈值向量；TSVM表示图像分类器；

a.初始设置

获取原始彩色图像f(x,y)并初始化设置；

b.非下采样Shearlet变换分解图像

在f(x,y)的RGB色彩空间内，对R、G、B每个分量进行参数为[3 3 3 3 3]的非下采样Shearlet变换，分解图像；

c.统计建模

c.1定义f_p,c(x)如下式：

其中，p>0,c>0，

为第二类修改的第z阶贝塞尔函数，Γ(t)为Gamma函数；

c.2对R、G、B每个分量的同尺度高频子带，利用f_p,c(x)进行统计建模,计算出每个尺度的p和c：

其中，m₂和m₄分别表示样本系数的二阶和四阶中心距；

c.3取每个分量五组p,c的极值，用pr,cr,pg,cg,pb,cb表示，并将其作为像素特征；

d.图像二维Tsallis熵初分割

d.1计算坐标点(x,y)的邻域平均灰度级g(x,y)：

其中，n₁取奇数，[n₁2]表示对n₁2取整；

d.2p(i,j)为：

p(i,j)＝^r(i,j)/(M×N)i,j＝0,1,…L-1

其中，r(i,j)表示灰度级L与g(x,y)出现的频次，L＝256；

d.3根据下式，分别计算二维Tsallis熵的目标和背景：

其中，

α为固定参数，α＝0.8；

d.4定义判别函数Φ_α(t,s)如下：

当Φ_α(t,s)取最大值时，即可得到最优阈值：

d.5利用最佳阈值得到初分割结果，合并目标像素子集与背景像素子集得到训练样本；

e.TSVM模型训练

结合像素特征与训练样本集，训练TSVM模型；

f.TSVM模型分类

利用TSVM模型进行像素分类，完成图像分割。

本发明首先在原始彩色图像RGB颜色空间内，对R分量(G、B类似)进行非下采样Shearlet变换，使其分解为一个低频子带和若干高频子带；其次，对同尺度高频子带利用贝塞尔K概率密度函数进行统计建模，估计出形状参数和尺度参数，并以每组参数的极值作为像素特征；然后，使用二维Tsallis熵进行初分割，得到训练样本；最后，结合像素特征与训练样本，用TSVM完成图像分割。实验结果表明，本发明的方法由于利用非下采样Shearlet变换分解图像并利用贝塞尔K统计模型建模来提取像素特征，较好的刻画了图像的内容，有效地提高了图像分割的精度。

与现有技术相比，本发明具有以下有益效果：

第一，非下采样Shearlet变换可出色捕获图像“几何结构”，且变换系数的分布符合贝塞尔K分布，能够更准确的提取像素特征，更好的刻画图像内容；

第二，利用二维Tsallis熵阈值选择训练样本，能够得到一个快速、稳定的训练样本；

第三，TSVM的分类器使用非平行超平面对系数进行分类，既提高了准确率又减少了时间复杂度。

附图说明

图1为本发明实施例同尺度高频子带统计建模结果图。

图2为本发明实施例二维Tsallis熵初分割结果图。

图3为本发明实施例TSVM分割及比较结果图。

图4为本发明实施例的流程图。

具体实施方式

本发明的方法流程如图4所示：共包括四个阶段：原始彩色图像非下采样Shearlet变换分解、对高频子带进行贝塞尔K分布统计建模、图像二维Tsallis熵初分割、利用TSVM分类器进行像素分类。

约定：尺寸为M×N彩色图像表示为f(x,y)；f_p,c(x)表示贝塞尔K分布概率密度函数；形状参数表示为p；尺度参数表示为c；g(x,y)表示(x,y)位置的邻域平均灰度级；p(i,j)表示灰度级与g(x,y)的联合概率密度；

与

分别表示目标熵与背景熵；Φ_α(t,s)表示最佳阈值向量；TSVM表示图像分类器；

a.初始设置

获取原始彩色图像f(x,y)并初始化设置；

b.非下采样Shearlet变换分解图像

在f(x,y)的RGB色彩空间内，对R、G、B每个分量进行参数为[3 3 3 3 3]的非下采样Shearlet变换，分解图像；

c.统计建模

c.1定义f_p,c(x)如下式：

其中，p>0,c>0，

为第二类修改的第z阶贝塞尔函数，Γ(t)为Gamma函数；

c.2对R、G、B每个分量的同尺度高频子带，利用f_p,c(x)进行统计建模,计算出每个尺度的p和c：

其中，m₂和m₄分别表示样本系数的二阶和四阶中心距；

c.3取每个分量五组p,c的极值，用pr,cr,pg,cg,pb,cb表示，并将其作为像素特征；

d.图像二维Tsallis熵初分割

d.1计算坐标点(x,y)的邻域平均灰度级g(x,y)：

其中，n₁取奇数，[n₁2]表示对n₁2取整；

d.2p(i,j)为：

p(i,j)＝^r(i,j)/(M×N)i,j＝0,1,…L-1

其中，r(i,j)表示灰度级L与g(x,y)出现的频次，L＝256；

d.3根据下式，分别计算二维Tsallis熵的目标和背景：

其中，

α为固定参数，α＝0.8；

d.4定义判别函数Φ_α(t,s)如下：

当Φ_α(t,s)取最大值时，即可得到最优阈值：

d.5利用最佳阈值得到初分割结果，合并目标像素子集与背景像素子集得到训练样本；

e.TSVM模型训练

结合像素特征与训练样本集，训练TSVM模型；

f.TSVM模型分类

利用TSVM模型进行像素分类，完成图像分割。

实验测试和参数设置：

实验是在MATLAB 7.12.0(R2011a)环境下执行的，实验涉及到的是分辨率为255*170像素，300*225像素，300*420像素的彩色图像，所涉及到的图像来自于三个数据库，分别为Berkeley分割数据库(BSD)、分割评价数据库(SED)和剑桥微软研究对象识别的图像数据库(MSRC)。

图1为本发明实施例同尺度高频子带统计建模结果图。

图2为本发明实施例二维Tsallis熵初分割结果图。

图3为本发明实施例TSVM分割及比较结果图。

实验结果表明，本发明的方法由于利用非下采样Shearlet变换分解图像并利用贝塞尔K统计模型建模来提取像素特征，较好的刻画了图像的内容，有效地提高了图像分割的精度。

Claims (1)

1.一种基于统计建模与像素分类的彩色图像分割方法，其特征在于按照如下步骤进行：

约定：尺寸为M×N彩色图像表示为f(x,y)；f_p,c(x)表示贝塞尔K分布概率密度函数；形状参数表示为p；尺度参数表示为c；g(x,y)表示(x,y)位置的邻域平均灰度级；p(i,j)表示灰度级与g(x,y)的联合概率密度；

与

分别表示目标熵与背景熵；Φ_α(t,s)表示最佳阈值向量；TSVM表示图像分类器；

a.初始设置

获取原始彩色图像f(x,y)并初始化设置；

b.非下采样Shearlet变换分解图像

在f(x,y)的RGB色彩空间内，对R、G、B每个分量进行参数为[3 3 3 3 3]的非下采样Shearlet变换，分解图像；

c.统计建模

c.1定义f_p,c(x)如下式：

其中，p>0,c>0，

为第二类修改的第z阶贝塞尔函数，Γ(t)为Gamma函数；

c.2对R、G、B每个分量的同尺度高频子带，利用f_p,c(x)进行统计建模,计算出每个尺度的p和c：

其中，m₂和m₄分别表示样本系数的二阶和四阶中心距；

c.3取每个分量五组p,c的极值，用pr,cr,pg,cg,pb,cb表示，并将其作为像素特征；

d.图像二维Tsallis熵初分割

d.1计算坐标点(x,y)的邻域平均灰度级g(x,y)：

其中，n₁取奇数，[n₁/2]表示对n₁/2取整；

d.2p(i,j)为：

p(i,j)＝^r(i,j)/(M×N)i,j＝0,1,…L-1

其中，r(i,j)表示灰度级L与g(x,y)出现的频次，L＝256；

d.3根据下式，分别计算二维Tsallis熵的目标和背景：

其中，

α为固定参数，α＝0.8；

d.4定义判别函数Φ_α(t,s)如下：

当Φ_α(t,s)取最大值时，即可得到最优阈值：

d.5利用最佳阈值得到初分割结果，合并目标像素子集与背景像素子集得到训练样本；

e.TSVM模型训练

结合像素特征与训练样本集，训练TSVM模型；

f.TSVM模型分类

利用TSVM模型进行像素分类，完成图像分割。

Images