CN111951282A - 一种基于马尔科夫随机场与区域合并的图像分割改进算法 - Google Patents

一种基于马尔科夫随机场与区域合并的图像分割改进算法 Download PDF

Info

Publication number
CN111951282A
CN111951282A CN202010805276.2A CN202010805276A CN111951282A CN 111951282 A CN111951282 A CN 111951282A CN 202010805276 A CN202010805276 A CN 202010805276A CN 111951282 A CN111951282 A CN 111951282A
Authority
CN
China
Prior art keywords
segmentation
region
random field
markov random
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010805276.2A
Other languages
English (en)
Inventor
王国良
任允帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Shihua University
Original Assignee
Liaoning Shihua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Shihua University filed Critical Liaoning Shihua University
Priority to CN202010805276.2A priority Critical patent/CN111951282A/zh
Publication of CN111951282A publication Critical patent/CN111951282A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于马尔科夫随机场与区域合并的图像分割改进算法，包括以下步骤：S1、通过使用带有高斯混合模型的马尔科夫随机场对图像进行初始分割；S2、将初始分割的结果进行区域合并；S3、输出区域合并后的最终分割结果，显著提高主观编码质量和码率准确性。本发明针对k‑means算法易受噪声点影响的问题，引入马尔科夫随机场理论，可以降低噪声点对分割的影响，提高了算法的抗噪性，同时在使用马尔科夫随机场和高斯混合模型得到了较为精确的初始分割以后，针对马尔科夫随机场算法易出现过分割问题，使用区域合并的思想，进一步对图像的分割结果进行更新，在既保证了分割目标主体的同时去掉了图像分割中的过分割区域，提高图像分割的精度。

Description

一种基于马尔科夫随机场与区域合并的图像分割改进算法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于马尔科夫随机场与区域合并的图像分割改进算法。
背景技术
近年来，随着科技的发展，人工智能技术的不断完善。图像作为信息传递中的重要途径，越来越多的图像处理技术得到发展，图像处理问题成为当下热门的研究问题。图像处理技术在人工智能、医学、农业等领域得到了广泛的应用。图像分割作为图像处理领域的经典问题，是计算机对图像进行进一步处理的关键步骤，图像分割结果的好坏直接影响了后续计算机对图像理解和分析的能力。马尔科夫随机场(MRF)模型是基于概率统计的图像分割模型，MRF理论本身不具有分割作用，但可以与特定的分割算法相结合，作为图像分割的重要手段。基于马尔科夫随机场的图像分割算法，能够充分的利用图像中的邻域信息，在图像分割领域得到了广泛的应用。但是当图像中的内容复杂、对比不鲜明时，基于MRF的图像分割算法容易出现过分割的问题。在解决这个过分割问题上，单纯的调节各个环节的参数，虽然可能减少过分割，但同时也存在破坏分割目标主体的情况。
针对现有基于MRF的图像分割算法容易出现过分割现象，分割结果不够理想等问题。提出了一种区域合并的改进算法，将区域合并思想与MRF理论相结合。区域合并是实现更加精细化图像分割的一种方法，这种方法的优点在于充分考虑了区域间的空间位置关系，降低了像素值对于图像分割的约束。同时，区域合并还可以对大块区域进行操作，这就为解决图像分割中的大块过分割区域提供了可行的依据。一定程度上解决了分割算法在减少过分割时，出现的破坏分割目标主体的问题。
因此，我们提出了一种基于马尔科夫随机场与区域合并的图像分割改进算法用于解决上述问题。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于马尔科夫随机场与区域合并的图像分割改进算法。
一种基于马尔科夫随机场与区域合并的图像分割改进算法，包括以下步骤：
S1、通过使用带有高斯混合模型的马尔科夫随机场对图像进行初始分割；
S2、将初始分割的结果进行区域合并；
S3、输出区域合并后的最终分割结果。
优选的，所述马尔科夫随机场对利用k-means算法得到分类标签的标签值进行建模，并使用高斯混合模型对图像像素值进行建模，对像素值进行拟合。
优选的，所述马尔科夫随机场建模后，利用MRF的空间约束去除图像分割中的部分噪声点。
优选的，所述标签值与所述像素值利用贝叶斯准则结合，使用最大后验概率求解方法，对使用k-means算法得到的分类标签进行更新，输出图像分割的初始分割区域。
优选的，标记各个所述初始分割区域间的相邻关系，通过各个区域的颜色差异和边界信息，分析区域之间的相似性，得到各个区域间的区域距离。
优选的，按照所述区域距离的大小对初始分割区域进行合并，计算区域合并前后的颜色散度变化，使用颜色散度变化率作为停止区域合并的条件，输出图像的最终分割结果。
与现有技术相比，本发明的有益效果是：
1、在对图像的观测场建模时，使用高斯混合模型对观测场的图像数据进行拟合。高斯混合模型中高斯分量的存在，可以对像素值这种非完全高斯分布做最大程度的拟合，使得观测场的建模结果更加的准确。
2、针对k-means算法易受噪声点影响的问题，引入马尔科夫随机场理论。马尔科夫随机场的空间约束作用，可以一定程度上降低噪声点对分割的影响，提高了算法的抗噪性，使得标签场的建模结果更加的准确。
3、在使用马尔科夫随机场和高斯混合模型得到了较为精确的初始分割以后，使用区域合并的思想，进一步对图像的分割结果进行更新。在既保证了分割目标主体的同时，尽可能的去掉了图像分割中的过分割区域，提高了图像分割的精度。
附图说明
图1为本发明基于马尔科夫随机场与区域合并的图像分割改进算法流程图；
图2为本发明运行过程流程图；
图3为本发明实施例的仿真结果示例图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中改进算法的实施方案进行全面、清晰地描述。显然，下面描述中的实施例子，仅仅是本发明的一部分实施例子，而不是全部的实施例子。
实施例
参照图1-2，一种基于马尔科夫随机场与区域合并的图像分割改进算法，基于马尔科夫随机场的图像分割算法在对图像数据fs进行建模时，由于图像中各个区域之间的物理特性具有较多的相似性，现有常用的基于K-means和MRF理论的图像分割算法极易受这些物理相似性的干扰，从而导致图像出现过分割现象，以致图像的分割结果不够理想。
建立一种可以对大块过分割区域进行区域合并的图像分割改进算法。首先使用K-means聚类算法对读入的图像数据进行分类，得到初始分类标签，将初始标签场使用马尔科夫随机场理论进行建模，利用MRF与Gibbs随机场的等价性，通过势能函数Vc求解先验概率P(ω)。然后使用高斯混合模型对图像像素值数据进行建模，使用M个高斯分量拟合每一类的像素值数据，并得到似然概率P(F/ω)。最后使用贝叶斯准则将先验概率P(ω)和似然概率P(F/ω)结合起来，按照最大后验概率估计得到更新后的标签ω。即
Figure BDA0002628882150000051
由于待分割图像已知，观测场的数据F是给定的，所以P(F)是一个常值。后验概率P(ω/F)与先验概率P(ω)和似然概率P(F/ω)的乘积成正比，即
Figure BDA0002628882150000052
其中β为MRF算法中的权重系数，πk为高斯混合模型中高斯分量的权重系数。在P(ω)和P(F/ω)的乘积最大时，得到的标签ω即为更新后的初始标签，由此得到图像的初始分割结果。
对初始分割结果，按照位置标记区域间的相邻关系。由位置关系可知，相邻的两个区域相接在一起。转换成距离数值关系，认为相邻的两个区域间的距离为1。不相邻的两个区域彼此之间不相接，转换成距离数值关系，认为不相邻的两个区域间的距离为无穷大，即
Figure BDA0002628882150000053
在得到区域间的相邻关系后，计算两个相邻区域ai和aj之间的相似程度。首先，计算两个相邻区域ai和aj内的像素数目|ai|和|aj|，然后根据区域ai和aj的像素值，得到两个区域的颜色均值μi和μj，最后将像素值数目与颜色均值结合起来，得到区域ai和aj之间的颜色差异程度，颜色距离
Figure BDA0002628882150000061
即
Figure BDA0002628882150000062
得到颜色距离
Figure BDA0002628882150000063
后，还需要考虑两个区域间是否存在明显的边界，如果两个区域间没有明显的边界则认为两个区域是可以进行合并的。假如图像的两个区域ai和aj间存在边界，那么边界两侧的颜色均值Ei和Ej会有明显的差异。通过这个差异的大小，可以知道两个区域间是否存在边界。得到边界距离衡量指标
Figure BDA0002628882150000064
即
Figure BDA0002628882150000065
综上所述，将颜色距离
Figure BDA0002628882150000066
边界距离
Figure BDA0002628882150000067
和区域间的相邻关系Δi,j结合起来，得到一个衡量区域间相似程度的综合性指标，区域距离D。
即
Figure BDA0002628882150000068
区域距离D越小，表明两个区域间的差异越小，区域合并的可能性就越大。为了保证区域可以正常合并，不过分合并。在合并的同时，还要计算图片中不同区域间颜色不统一程度的总和，这个总和定义为颜色散度Jl。首先计算出图像中所有像素点颜色的平均值xmeans，将图像中第i个像素的颜色值xi分别与平均值xmeans取欧式距离，得到散度Jt。然后分别使用第r个区域中的第i个像素的颜色值
Figure BDA0002628882150000069
与第r个区域的颜色均值
Figure BDA00026288821500000610
取欧式距离，计算出第r个区域的颜色散度
Figure BDA00026288821500000611
最后将k个区域的颜色散度相加，与散度Jt相除得到颜色散度Jl，即
Figure BDA0002628882150000071
为了更加全面的保证区域能够正确的合并截止，算法将颜色散度变化量ΔJl与区域合并后区域的数目变化量ΔKl结合起来，得到一个新的合并截止指标，颜色散度变化率α，即
Figure BDA0002628882150000072
当区域在合并前后出现颜色散度变化率α超过0.05时，则认为合并算法合并停止，输出最终的分割结果。
使用来自伯克利大学的Berkeley图片库进行仿真对比实验，设置参数取值，颜色散度变化率α取0.05；按照实验图像中的类别数目，聚类数K取2；MRF算法权重系数β取1；迭代次数取100；高斯混合模型高斯分量M取3。按照上述实施方案，得到如图3的仿真结果。
通过图3的仿真效果对比图可知，相比于基于马尔科夫随机场的图像分割算法，本发明基于马尔科夫随机场与区域合并的图像分割改进算法，可以清晰的分割出海星和双马图片中的目标主体，消去了传统马尔科夫随机场算法中的过分割区域，提高了算法的分割精度。人工分割结果在这里作为黄金分割标准，从效果图中可以看出，基于马尔科夫随机场与区域合并的图像分割改进算法的分割结果与人工分割结果最为接近，说明本发明算法可以有效的处理图像的过分割问题。
为了更加客观的评价本文分割算法的分割性能，采用定量的指标给出精确的评价。由于目前图像分割的评价方法尚不统一，选用Dice系数来作为评价本发明算法分割性能的评价指标。
Dice系数的表达式如下：
Figure BDA0002628882150000081
其中Rseg为分割算法的分割结果；Rgt为人工分割结果。Dice相似系数是一种集合相似度度量指标，用于计算两个集合间的相似度。取值范围0～1。分割结果最佳时取1，最差时取0。
算法 海星 双马Dice
MRF算法 0.8599 0.9469
本申请算法 0.9160 0.9604
表1不同算法结果分析
由表1数据可知，本发明的Dice系数明显高于MRF算法Dice系数，这说明本发明算法的分割效果明显好于MRF算法的分割效果，与黄金分割效果最为接近。
综上所述即得到了一种基于马尔科夫随机场与区域合并的图像分割改进算法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于马尔科夫随机场与区域合并的图像分割改进算法，其特征在于，包括以下步骤：
S1、通过使用带有高斯混合模型的马尔科夫随机场对图像进行初始分割；
S2、将初始分割的结果进行区域合并；
S3、输出区域合并后的最终分割结果。
2.根据权利要求1所述的一种基于马尔科夫随机场与区域合并的图像分割改进算法，其特征在于，所述马尔科夫随机场对利用k-means算法得到分类标签的标签值进行建模，并使用高斯混合模型对图像像素值进行建模，对像素值进行拟合。
3.根据权利要求2所述的一种基于马尔科夫随机场与区域合并的图像分割改进算法，其特征在于，所述马尔科夫随机场建模后，利用MRF的空间约束去除图像分割中的部分噪声点。
4.根据权利要求2所述的一种基于马尔科夫随机场与区域合并的图像分割改进算法，其特征在于，所述标签值与所述像素值利用贝叶斯准则结合，使用最大后验概率求解方法，对使用k-means算法得到的分类标签进行更新，输出图像分割的初始分割区域。
5.根据权利要求4所述的一种基于马尔科夫随机场与区域合并的图像分割改进算法，其特征在于，标记各个所述初始分割区域间的相邻关系，通过各个区域的颜色差异和边界信息，分析区域之间的相似性，得到各个区域间的区域距离。
6.根据权利要求5所述的一种基于马尔科夫随机场与区域合并的图像分割改进算法，其特征在于，按照所述区域距离的大小对初始分割区域进行合并，计算区域合并前后的颜色散度变化，使用颜色散度变化率作为停止区域合并的条件，输出图像的最终分割结果。
CN202010805276.2A 2020-08-12 2020-08-12 一种基于马尔科夫随机场与区域合并的图像分割改进算法 Pending CN111951282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010805276.2A CN111951282A (zh) 2020-08-12 2020-08-12 一种基于马尔科夫随机场与区域合并的图像分割改进算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010805276.2A CN111951282A (zh) 2020-08-12 2020-08-12 一种基于马尔科夫随机场与区域合并的图像分割改进算法

Publications (1)

Publication Number Publication Date
CN111951282A true CN111951282A (zh) 2020-11-17

Family

ID=73332286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010805276.2A Pending CN111951282A (zh) 2020-08-12 2020-08-12 一种基于马尔科夫随机场与区域合并的图像分割改进算法

Country Status (1)

Country Link
CN (1) CN111951282A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008152607A1 (en) * 2007-06-15 2008-12-18 Koninklijke Philips Electronics N.V. Method, apparatus, system and computer program product for depth-related information propagation
CN101587587A (zh) * 2009-07-14 2009-11-25 武汉大学 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法
US20100104186A1 (en) * 2008-10-23 2010-04-29 Siemens Corporate Research, Inc. System and method for image segmentation using continuous valued mrfs with normed pairwise distributions
CN105608691A (zh) * 2015-12-17 2016-05-25 武汉大学 一种高分辨率sar影像单体建筑提取方法
WO2016179830A1 (en) * 2015-05-14 2016-11-17 Intel Corporation Fast mrf energy optimization for solving scene labeling problems
US20170372479A1 (en) * 2016-06-23 2017-12-28 Intel Corporation Segmentation of objects in videos using color and depth information
CN109242876A (zh) * 2018-09-10 2019-01-18 电子科技大学 一种基于马尔科夫随机场的图像分割算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008152607A1 (en) * 2007-06-15 2008-12-18 Koninklijke Philips Electronics N.V. Method, apparatus, system and computer program product for depth-related information propagation
US20100104186A1 (en) * 2008-10-23 2010-04-29 Siemens Corporate Research, Inc. System and method for image segmentation using continuous valued mrfs with normed pairwise distributions
CN101587587A (zh) * 2009-07-14 2009-11-25 武汉大学 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法
WO2016179830A1 (en) * 2015-05-14 2016-11-17 Intel Corporation Fast mrf energy optimization for solving scene labeling problems
CN105608691A (zh) * 2015-12-17 2016-05-25 武汉大学 一种高分辨率sar影像单体建筑提取方法
US20170372479A1 (en) * 2016-06-23 2017-12-28 Intel Corporation Segmentation of objects in videos using color and depth information
CN109242876A (zh) * 2018-09-10 2019-01-18 电子科技大学 一种基于马尔科夫随机场的图像分割算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
H. HE, K. LU AND B. LV: "\"Gaussian Mixture Model with Markov Random Field for MR Image Segmentation\"", 《2006 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL TECHNOLOGY》 *
吴倩倩: ""基于聚类与区域合并的彩色图像分割算法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
徐胜军,韩九强,赵亮等: ""用于图像分割的局部区域能量最小化算法"", 《西安交通大学学报》 *
王国良,任允帅: ""一种基于MRF与区域合并的图像分割改进算法"", 《辽宁石油化工大学学报》 *

Similar Documents

Publication Publication Date Title
Unnikrishnan et al. Toward objective evaluation of image segmentation algorithms
CN104063876B (zh) 一种交互式图像分割方法
CN111462116A (zh) 基于影像组学特征的多模态参数模型优化融合方法
CN112668579A (zh) 基于自适应亲和力和类别分配的弱监督语义分割方法
CN107993237A (zh) 一种基于窄带约束的几何活动轮廓模型图像局部分割方法
CN104933709A (zh) 基于先验信息的随机游走ct肺组织图像自动分割方法
CN103761726B (zh) 基于fcm的分块自适应图像分割方法
CN103985112B (zh) 基于改进多目标粒子群优化聚类的图像分割方法
CN110032952B (zh) 一种基于深度学习的道路边界点检测方法
CN103593855A (zh) 基于粒子群优化和空间距离测度聚类的图像分割方法
CN109559328A (zh) 一种基于贝叶斯估计与水平集的快速图像分割方法及装置
CN112434172A (zh) 一种病理图像预后特征权重计算方法及系统
CN110930413A (zh) 一种基于弱监督多核分类优化合并的图像分割方法
CN108846845B (zh) 基于缩略图与分层模糊聚类的sar图像分割方法
CN108090913B (zh) 一种基于对象级Gauss-Markov随机场的图像语义分割方法
CN115100406B (zh) 一种基于超像素处理的权重信息熵模糊c均值聚类方法
CN113570628A (zh) 一种基于活动轮廓模型的白细胞分割方法
CN112329716A (zh) 一种基于步态特征的行人年龄段识别方法
CN109285176B (zh) 一种基于正则化图割的大脑组织分割方法
CN116071331A (zh) 一种基于改进ssd算法的工件表面缺陷检测方法
CN113409335B (zh) 基于强弱联合半监督直觉模糊聚类的图像分割方法
CN110992309A (zh) 基于深层信息传递网络的眼底图像分割方法
CN110969639B (zh) 一种基于lfmvo优化算法的图像分割方法
CN108090914A (zh) 基于统计建模与像素分类的彩色图像分割方法
Yin et al. Study and application of improved level set method with prior graph cut in PCB image segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117

RJ01 Rejection of invention patent application after publication