CN114140474B - 一种多尺度分块贝叶斯图像分割方法 - Google Patents

一种多尺度分块贝叶斯图像分割方法 Download PDF

Info

Publication number
CN114140474B
CN114140474B CN202111445897.5A CN202111445897A CN114140474B CN 114140474 B CN114140474 B CN 114140474B CN 202111445897 A CN202111445897 A CN 202111445897A CN 114140474 B CN114140474 B CN 114140474B
Authority
CN
China
Prior art keywords
block
image
layer
scale
class
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.)
Active
Application number
CN202111445897.5A
Other languages
English (en)
Other versions
CN114140474A (zh
Inventor
于林森
殷旭
李文昊
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202111445897.5A priority Critical patent/CN114140474B/zh
Publication of CN114140474A publication Critical patent/CN114140474A/zh
Application granted granted Critical
Publication of CN114140474B publication Critical patent/CN114140474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

一种多尺度分块贝叶斯图像分割方法，解决如何降低ICM方法对噪声的敏感度，以及如何提高像素之间的局部相关性的问题，属于图像处理领域。本发明包括：对待分割图像采用多尺度分割模式，每个分割尺度对应一个层次，共进行L+1次分层，每个分块内像素观测值服从高斯分布：上层对图像采用大尺度、大分块的粗分辨率处理方式，随着层次的降低，分块的尺寸缩小，在每层分块交互混合的参数学习后，直接作为下一层参数学习的初始值，而位于区域边缘，划分不合理区域的参数学习，则交给下一层，通过重新划分的缩小尺度的分块完成，随着层数的降低，分割的边缘区域会逐步细化，第0层图像中每个分块的类别估计值最为分割结果输出。

Description

一种多尺度分块贝叶斯图像分割方法
技术领域
本发明涉及一种多尺度分块贝叶斯图像分割方法，属于图像处理领域。
背景技术
图像分割是图像语义内容分析的基础，分割结果会直接影响图像内容的分析。分割一直是图像分析中的一个难题，目前尚未得到有效解决，非监督图像分割任务主要依赖像素间的视觉相似性，以及邻近像素之间的位置相关性，来确定像素的类别是否相同。聚类分析能有效地挖掘像素间的视觉相似性，但视觉空间中的聚类分析缺乏像素位置间的约束性，马尔科夫模型的引入，能够很好地体现出像素间的局部相关性，但马尔科夫模型参数间的耦合性，使得模型参数无法直接求解，常用的模拟法求解也会导致极高的运算复杂度。迭代条件模式(Iterated Conditional Mode,ICM)采用一种坐标下降法获取一组优化的目标函数解，具有运算简单、收敛速度快等优点，但该方法属于贪心算法，对初始值的选择比较敏感，不适合基元尺度较大、对比强烈纹理区域的图像分割，以及噪声较高图像的分割。
发明内容
针对如何降低ICM方法对噪声的敏感度，以及如何提高像素之间的局部相关性的问题，本发明提供一种多尺度分块贝叶斯图像分割方法。
本发明的一种多尺度分块贝叶斯图像分割方法，包括：
S1、输入待分割图像和分割类别数K；
S2、对待分割图像采用多尺度分割模式，每个分割尺度对应一个层次，共进行L+1次分层，第0层图像中每个分块的类别估计值为分割结果，每个分块内像素观测值服从高斯分布：
S21、对待分割图像中的像素进行聚类，获取每个像素的类别初始估计值，对待分割图像进行最大尺度的重叠分块划分，获得第L层分块划分模式，根据第L层图像中每个像素的类别初始估计值，计算当前层图像高斯分布参数估计值,根据当前层图像高斯分布参数估计值，计算当前层图像每个分块的类别初始估计值；
S22、采用ICM算法，结合当前层图像每个分块的高斯分布参数估计值
Figure BDA0003383962190000011
上层分块传递到本层分块的类别概率
Figure BDA0003383962190000012
利用公式一对每个分块的类别估计值
Figure BDA0003383962190000013
进行更新：
Figure BDA0003383962190000021
其中，l＝L,L-1,…,1，0，
Figure BDA0003383962190000022
表示将覆盖l层图像分块N(i)l的上一层分块N(y)l+1的类别概率
Figure BDA0003383962190000023
的累加，
Figure BDA0003383962190000024
j＝1,2,…,m，m表示分块N(i)内像素的数量，i＝1,2,…,n，n表示本层图像中分块的数量；
若当前层为第L层，
Figure BDA0003383962190000025
Figure BDA0003383962190000026
为第l层图像分块类别的一个K维二进制向量，其中只有一个元素为1，K为类别数目；
Figure BDA0003383962190000027
为第i个分块内第j个像素观测值,(uN(i)(k))l为分块N(i)的8个近邻分块中k类别出现的次数；β表示常量，设置为1.5；
Figure BDA0003383962190000028
和
Figure BDA0003383962190000029
分别为第l层图像中第k个高斯分布的均值向量和协方差矩阵的估计值；
Figure BDA00033839621900000210
表示
Figure BDA00033839621900000211
的逆矩阵；
利用更新后的
Figure BDA00033839621900000212
通过公式二对对每个分块的
Figure BDA00033839621900000213
进行更新：
Figure BDA00033839621900000214
利用更新后的
Figure BDA00033839621900000215
公式三对每个分块的
Figure BDA00033839621900000216
进行更新：
Figure BDA00033839621900000217
重复S22，直至收敛；
S23、判断是否计算过当前层图像中分块的合理性，若计算过，转入S24，若未计算过，计算当前层图像分块是否合理，剔除不合理的分块，转入S22；
S24、判断当前层是否是第0层图像，若否，缩小分块的尺度，对待分割图像进行重叠分块划分，获得l-1层尺度划分模式，l＝l-1，
Figure BDA00033839621900000218
计算第l层图像中每个分块的类别初始估计值，转入S22，若是第0层图像，将第0层图像中每个分块的类别估计值
Figure BDA0003383962190000031
最为分割结果输出。
作为优选，S23中，计算当前层图像分块是否合理的方法包括：
将同一像素位置j，在不同分块中的类别值叠加在一起，获得s(j)，s(j)＝∑izi(j)，其中zi(j)表示第j个像素位置在第i个分块下的类别标记值；
然后分别按照水平和垂直方向做差分，再将两种差分结果相加，获得每个像素位置处的标记f(j)，
Figure BDA0003383962190000032
其中
Figure BDA0003383962190000033
和
Figure BDA0003383962190000034
分别在第j个像素位置处水平和垂直的差分值；
对于每个分块N(i)，将位于该分块内的所有位置j处的标记f(j)求和，记为：fN(i)(j)，分块N(i)的划分合理性值mask(N(i))为：
Figure BDA0003383962190000035
1代表合理，0代表不合理。
作为优选，S21及S24中，每个分块的类别初始估计值的计算方法为：
Figure BDA0003383962190000036
本发明的有益效果，本发明的分割方法采用多尺度分块交互混合方式，能够增加像素间的局部相关性，兼顾多尺度分块间的交互能力。为了提高分块尺度的自适应性，本发明采取了一种分层处理模式。上层对图像采用大尺度、大分块的粗分辨率处理方式，分块间局部交互的尺度较大，适合对图像中视觉对比强烈、较大纹理元素的建模。随着层次的降低，分块的尺寸缩小，分块间交互尺度变小，这种分析尺度适合对纹理元素较小、规模较小纹理区域建模。在每层分块交互混合的参数学习后，直接作为下一层参数学习的初始值，而上层的分割结果，会在下层参数的学习中起到指导作用，通过层间参数的传递，使得每一层分割都体现出多尺度区域间交互的融合。而位于区域边缘，划分不合理区域的参数学习，则交给下一层，通过重新划分的缩小尺度的分块完成，随着层数的降低，分割的边缘区域会逐步细化。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的本发明的一种多尺度分块贝叶斯图像分割方法，采用局部交互分块高斯混合，对待分割图像采用多尺度分割模式，每个分割尺度对应一个层次，共进行L+1次分层，第0层图像中每个分块的类别估计值为分割结果，每个分块内像素观测值服从高斯分布，原理：
首先，假设每个图像分割区域的视觉描述服从某一特定的高斯分布
Figure BDA0003383962190000041
其中
Figure BDA0003383962190000042
θk＝(μk,∑k)，μk和∑k分别为第k个高斯分布的均值向量和协方差矩阵。若图像包含K个分割区域，每个区域对应一个高斯分布，则整幅图像的视觉分布对应着一个高斯混合模型。
为了进一步提高邻近像素之间的相关性，本发明采取分块共生模型，该方法按照位置关系将图像像素划分相等大小的分块，每个分块内像素观测值服从同一高斯分布，分割结果按块标注；为了兼顾不同纹理尺度特性，本专利采取多层次多分块尺度分割策略，每层分块大小可根据实际情况确定。本专利将分块行列数目设置为2l，其中l为层数，如最底层对应单像素分辨率，这里将它定义为第0层，分块大小为20×20＝1×1，第一层分块大小为21×21＝2×2，第二层分块大小为22×22＝4×4，第三层分块大小为23×23＝8×8等等。
区域块中的每个像素都以独立方式服从同一高斯分布
Figure BDA0003383962190000043
其中xN(i)为第i个分块观测值，
Figure BDA0003383962190000044
为第i个分块内第j个像素观测值，m为分块内像素个数。分块划分采取重叠模式，可根据实际分块大小，设计相应的重叠方式，本专利按照当前分块行列数的1/2作为分块间隔，忽略边缘效应。
图像中像素块的类别属性采用离散的隐含变量z＝{zN(1),zN(2),…zN(n)}来描述，其中n为像素块的个数，
Figure BDA0003383962190000051
为一个K维二进制向量，K为类别数目，
Figure BDA0003383962190000052
中只能有一个元素为1，其它元素为0，如果xN(i)的类别标识为k，表明xN(i)来源于第k个混合分量，则
Figure BDA0003383962190000053
否则
Figure BDA0003383962190000054
像素块类别间的局部相关性可以由马尔科夫场来建立，其联合分布p(z)为吉布斯分布，即：
p(z)＝w-1 exp(-H(z)) (1-1)
其中H是能量函数，H(z)＝∑c vc(zc)，zc表示定义在团c上的随机变量z，vc是势函数，w＝∑z exp(-H(z))是配分函数，w的计算包含了马尔科夫场中所有可能z的取值，因此p(z)的计算具有指数复杂度，不具备计算可行性。每个分块的类别，决定了该分块范围内所有像素出现的概率，若
Figure BDA0003383962190000055
则f(xN(i)|zN(i))＝fk(xN(i)|θk)，所有分块分布是是条件独立的，其联合分布描述为
Figure BDA0003383962190000056
则分块目标函数的联合概率分布如下：
Figure BDA0003383962190000057
由于无法直接最大化联合概率，本发明采取一个确定性快速近似算法，即迭代条件模式(Iterated Conditional Modes,ICM)算法计算分块类别的条件概率，ICM是一个迭代算法，在给定图像观测数据x，和第t次迭代时所有其它分块的类别条件zS-N(i)时，ICM通过最大化条件概率p(zN(i)|x,zS-N(i))逐次更新zN(i)，达到模型参数优化目的，这里s-N(i)代表除去当前分块N(i)外的所有分块，其中s＝{N(1),N(2),…,N(n)}。由像素观测似然函数的条件独立性、以及类别场的马尔科夫性质，可以得到如下结论：
Figure BDA0003383962190000058
其中x＝{xN(1),xN(2),…,xN(n)}，
Figure BDA0003383962190000059
为N(i)块的邻域，对于条件概率
Figure BDA00033839621900000510
此处选用一个简化的二阶同向邻域Potts模型。
Figure BDA00033839621900000511
中的zN(i)有K种取值可能，当
Figure BDA00033839621900000512
时，将
Figure BDA00033839621900000513
记为
Figure BDA00033839621900000514
将其简化为：
Figure BDA0003383962190000061
其中uN(i)(k)为N(i)分块的8个近邻分块中k类别出现的次数，β为常量，控制邻域之间的相关度，β越大邻域像素间的影响也就越大，此处β取值为1.5。按照最大后验概率获得分割的类别标记，等价为最小化如下的能量函数：
Figure BDA0003383962190000062
二、每层参数的融合学习：
采用自顶层向下层，逐层处理方式，通过ICM算法，每层都会获取当前尺度分块的类别估计值，通过马尔科夫场的局部相关性，进一步估算出每个分块的类别概率值πN(i)，
Figure BDA0003383962190000063
为一个K维二进制向量，其中
Figure BDA0003383962190000064
uN(i)(k)为N(i)分块的8个近邻分块中k类别出现的次数，β取值为1.5。
将覆盖l层分块N(i)l的上一层分块N(j)l+1的类别概率
Figure BDA0003383962190000065
累积到本层分块，即
Figure BDA0003383962190000066
并对其进行归一化处理
Figure BDA0003383962190000067
并将这个值传递给下一层，将其作为下一层分割的指导信息，融入到下层分割过程中来。
为了更好地将上层传递下来的类别概率，有效地融入到当前层的类别非监督学习过程中，本实施方式将传递到当前分块上的类别概率，作为本层分块观测数据似然函数的权值，在本层分块学习中起到一个类别指导作用，新的分块交互联合概率分布扩展如下：
Figure BDA0003383962190000068
若当前层为顶层，则将
Figure BDA0003383962190000069
统一设置为
Figure BDA00033839621900000610
若当前层不是顶层，在确定当前层分块划分合理性之前，把覆盖本层分块的上层分块标记进行与操作，结果作为当前分块的合理性标记，即
Figure BDA00033839621900000611
将mask(N(i)l)＝0的分块设置为
Figure BDA00033839621900000612
在确定划分合理性之后，把mask(N(i)l)＝1的(xN(i))l和(zN(i))l筛选出，构成模型学习的随机变量集合(x,z)l，对划分合理分块的类别及模型参数重新学习。
采用ICM对模型参数求解，ICM通过最大化条件概率p((zN(i))l|x,(zS-N(i))l))逐次更新分块类别，达到模型参数优化目的，此时有：
Figure BDA0003383962190000071
其中(zN(i))l代表第l层第N(i)分块，(zS-N(i))l代表除去N(i)外的所有分块类别，从(2-2)式可以看出，当前分块的类别，不仅取决邻近分块的类别，以及出现当前分块观测值的似然性，还取决于上层类别传递下来的指导信息，很自然地将上层的粗分辨率分析结果，融入到当前层模型参数的求解过程中。
三、每层参数求解：
每层参数采用ICM迭代进行计算，顶层采用k-means算法进行初始化，获得模型分量参数θk的初始估值。对非顶层，则将上层混合分量参数作为当前迭代的初始值，通过最大化(2-2)式，融合上层的分割结果、本层邻近分块之间的相关性以及分块样本的观测值，获取l层新的zN(i)估值
Figure BDA0003383962190000072
等价为最小化如下的能量函数：
Figure BDA0003383962190000073
其中，l＝L,L-1,…,1，0，
Figure BDA0003383962190000074
表示将覆盖l层图像分块N(i)l的上一层分块N(y)l+1的类别概率
Figure BDA0003383962190000075
的累加，
Figure BDA0003383962190000076
j＝1,2,…,m，m表示分块N(i)内像素的数量，i＝1,2,…,n，n表示本层图像中分块的数量；
通过
Figure BDA0003383962190000077
及
Figure BDA0003383962190000078
更新θk：
Figure BDA0003383962190000079
Figure BDA00033839621900000710
其中，
Figure BDA00033839621900000711
从(3-2)、(3-3)可以看出，上一层的分割结果，对于下一层参数的学习，起到一个对分块样本的加权选择作用。如此迭代，算法收敛后，将当前层的参数作为下一层参数的初始值，并确定新分块划分的合理性、以及上一层传递下来的分块类别的概率值，若当前层已是最底层，则
Figure BDA0003383962190000081
为最终的分割结果。在每层确定新的划分分块后，新分块的类别初始值按照独立混合模型，采用公式(3-4)进行估值，不考虑邻近分块的类别：
Figure BDA0003383962190000082
四、分块划分的合理性判别
算法收敛后，会得到每个分块的类别结果。由于采用重叠的分块划分方式，会使位于不同区域边缘的像素，由于分块划分的不同，被归属为不同的类别。这种情况说明这些像素所在分块的划分不够合理，导致像素的类别标记存在矛盾现象。
为了检测分块划分的合理性，本实施方式将不同划分下的代表类别标记的数值叠加在一起，对于划分为不同分块，且类别归属不同的像素，其在同一分块内的叠加值会不同，通过检测同一分块内的类别值是否相同，即可判断分块划分的合理性。具体实现如下：
将同一像素位置j，在不同划分分块中的类别值叠加在一起，即s(j)＝∑p zp(j)，其中zp(j)代表第j个像素位置在p分块下的类别标记值。然后分别按照水平和垂直方向做差分，再将两种差分结果相加，即可获得每个像素位置处的标记，记为
Figure BDA0003383962190000083
其中
Figure BDA0003383962190000084
分别在像素位置j处水平和垂直的差分值。
对于每个分块N(i)，将位于该分块内的所有位置j处的标记fN(i)(j)求和，为了提高运算效率，可任取分块中的一行和一列求和，若结果是0，说明当前分块中的像素，在按照不同的分块进行划分后，仍能保持类别属性的一致性，说明该分块划分合理，否则说明分块划分不合理，此处采用mask(N(i))来表示分块N(i)的划分合理性，1代表合理，0代表不合理：
Figure BDA0003383962190000085
在分块划分合理性掩膜约束下，重新计算当前层的模型参数，对合理性标记为0的分块，不用计算其类别概率，也不参加其它分块类别概率的计算，同样，标记为0的分块也不参加模型分量参数的学习。这样就可以把分割合理性标记当作一种掩膜，将分块划分不合理因素排除掉，避免其对分量类别、模型分量参数在学习过程中的不利影响。
按照上述内容，如图1所示，本实施方式的一种多尺度分块贝叶斯图像分割方法，包括：
步骤一、输入待分割图像和分割类别数K；
步骤二、对待分割图像采用多尺度分割模式，每个分割尺度对应一个层次，共进行L+1次分层，第0层图像中每个分块的类别估计值为分割结果，每个分块内像素观测值服从高斯分布：
步骤二一、对待分割图像中的像素进行聚类，获取每个像素的类别初始估计值，对待分割图像进行最大尺度的重叠分块划分，获得第L层分块划分模式，根据第L层图像中每个像素的类别初始估计值，计算当前层图像高斯分布参数估计值,根据当前层图像高斯分布参数估计值
Figure BDA0003383962190000091
计算当前层图像每个分块的类别初始估计值；
步骤二二、采用ICM算法，结合当前层图像每个分块的高斯分布参数估计值
Figure BDA0003383962190000092
上层分块传递到本层分块的类别概率
Figure BDA0003383962190000093
利用式(3-1)对每个分块的类别估计值
Figure BDA0003383962190000094
进行更新：
若当前层为第L层，
Figure BDA0003383962190000095
Figure BDA0003383962190000096
为第l层图像分块类别的一个K维二进制向量，其中只有一个元素为1，K为类别数目；
Figure BDA0003383962190000097
为第i个分块内第j个像素观测值,(uN(i)(k))l为分块N(i)的8个近邻分块中k类别出现的次数；β表示常量，设置为1.5；
Figure BDA0003383962190000098
和
Figure BDA0003383962190000099
分别为第l层图像中第k个高斯分布的均值向量和协方差矩阵的估计值；
Figure BDA00033839621900000910
表示
Figure BDA00033839621900000911
的逆矩阵；
利用更新后的
Figure BDA00033839621900000912
通过式(3-2)对每个分块的
Figure BDA00033839621900000913
进行更新：
利用更新后的
Figure BDA00033839621900000914
式(3-3)对每个分块的
Figure BDA00033839621900000915
进行更新：
重复步骤二二，直至收敛；
步骤二三、判断是否计算过当前层图像中分块的合理性，若计算过，转入步骤二四，若未计算过，计算当前层图像分块是否合理，剔除不合理的分块，转入步骤二二；
步骤二四、判断当前层是否是第0层图像，若否，缩小分块的尺度，对待分割图像进行重叠分块划分，获得l-1层尺度划分模式，l＝l-1，
Figure BDA00033839621900000916
计算第l层图像中每个分块的类别初始估计值，转入步骤二二，若是第0层图像，将第0层图像中每个分块的类别估计值
Figure BDA0003383962190000101
最为分割结果输出。
本实施方式的步骤二一及步骤二四中，每个分块的类别初始估计值采用式(3-4)计算。虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (5)

1.一种多尺度分块贝叶斯图像分割方法，其特征在于，所述方法包括：
S1、输入待分割图像和分割类别数K；
S2、对待分割图像采用多尺度分割模式，每个分割尺度对应一个层次，共进行L+1次分层，第0层图像中每个分块的类别估计值为分割结果，每个分块内像素观测值服从高斯分布：
S21、对待分割图像中的像素进行聚类，获取每个像素的类别初始估计值，对待分割图像进行最大尺度的重叠分块划分，获得第L层分块划分模式，根据第L层图像中每个像素的类别初始估计值，计算当前层图像高斯分布参数估计值,根据当前层图像高斯分布参数估计值，计算当前层图像每个分块的类别初始估计值；
S22、采用ICM算法，结合当前层图像每个分块的高斯分布参数估计值
Figure FDA0003383962180000011
上层分块传递到本层分块的类别概率
Figure FDA0003383962180000012
利用公式一对每个分块的类别估计值
Figure FDA0003383962180000013
进行更新：
Figure FDA0003383962180000014
其中，l＝L,L-1,…,1，0，
Figure FDA0003383962180000015
表示将覆盖l层图像分块N(i)l的上一层分块N(y)l+1的类别概率
Figure FDA0003383962180000016
的累加，
Figure FDA0003383962180000017
m表示分块N(i)内像素的数量，i＝1,2,…,n，n表示本层图像中分块的数量；
若当前层为第L层，
Figure FDA0003383962180000018
Figure FDA0003383962180000019
为第l层图像分块类别的一个K维二进制向量，其中只有一个元素为1，K为类别数目；
Figure FDA00033839621800000110
为第i个分块内第j个像素观测值,(uN(i)(k))l为分块N(i)的8个近邻分块中k类别出现的次数；β表示常量，设置为1.5；
Figure FDA00033839621800000111
Figure FDA00033839621800000112
和
Figure FDA00033839621800000113
分别为第l层图像中第k个高斯分布的均值向量和协方差矩阵的估计值；
Figure FDA00033839621800000114
表示
Figure FDA00033839621800000115
的逆矩阵；
利用更新后的
Figure FDA00033839621800000116
通过公式二对每个分块的
Figure FDA00033839621800000117
进行更新：
Figure FDA0003383962180000021
利用更新后的
Figure FDA0003383962180000022
公式三对每个分块的
Figure FDA0003383962180000023
进行更新：
Figure FDA0003383962180000024
重复S22，直至收敛；
S23、判断是否计算过当前层图像中分块的合理性，若计算过，转入S24，若未计算过，计算当前层图像分块是否合理，剔除不合理的分块，转入S22；
S24、判断当前层是否是第0层图像，若否，缩小分块的尺度，对待分割图像进行重叠分块划分，获得l-1层尺度划分模式，l＝l-1，
Figure FDA0003383962180000025
计算第l层图像中每个分块的类别初始估计值，转入S22，若是第0层图像，将第0层图像中每个分块的类别估计值
Figure FDA0003383962180000026
最为分割结果输出。
2.根据权利要求1所述的多尺度分块贝叶斯图像分割方法，其特征在于，S23中，计算当前层图像分块是否合理的方法包括：
将同一像素位置j，在不同分块中的类别值叠加在一起，获得s(j)，s(j)＝∑izi(j)，其中zi(j)表示第j个像素位置在第i个分块下的类别标记值；
然后分别按照水平和垂直方向做差分，再将两种差分结果相加，获得每个像素位置处的标记f(j)，
Figure FDA0003383962180000027
其中
Figure FDA0003383962180000028
和
Figure FDA0003383962180000029
分别在第j个像素位置处水平和垂直的差分值；
对于每个分块N(i)，将位于该分块内的所有位置j处的标记f(j)求和，记为：fN(i)(j)，分块N(i)的划分合理性值mask(N(i))为：
Figure FDA00033839621800000210
1代表合理，0代表不合理。
3.根据权利要求1所述的多尺度分块贝叶斯图像分割方法，其特征在于，S21及S24中，每个分块的类别初始估计值的计算方法为：
Figure FDA0003383962180000031
4.根据权利要求1所述的多尺度分块贝叶斯图像分割方法，其特征在于，采用k-means算法计算待分割图像中的每个像素的类别初始估计值。
5.根据权利要求1所述的多尺度分块贝叶斯图像分割方法，其特征在于，S2中，对待分割图像采用分块共生模型，进行L+1次分层，对每一层，分块行列数目设置为2l，第l层图像的分块时的尺度大小为2l×2l，l为层数，第0层对应单像素分辨率。
CN202111445897.5A 2021-11-30 2021-11-30 一种多尺度分块贝叶斯图像分割方法 Active CN114140474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111445897.5A CN114140474B (zh) 2021-11-30 2021-11-30 一种多尺度分块贝叶斯图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111445897.5A CN114140474B (zh) 2021-11-30 2021-11-30 一种多尺度分块贝叶斯图像分割方法

Publications (2)

Publication Number Publication Date
CN114140474A CN114140474A (zh) 2022-03-04
CN114140474B true CN114140474B (zh) 2022-06-28

Family

ID=80386053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111445897.5A Active CN114140474B (zh) 2021-11-30 2021-11-30 一种多尺度分块贝叶斯图像分割方法

Country Status (1)

Country Link
CN (1) CN114140474B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625755A (zh) * 2009-08-06 2010-01-13 西安电子科技大学 基于分水岭-量子进化聚类算法的图像分割方法
CN104392458A (zh) * 2014-12-12 2015-03-04 哈尔滨理工大学 基于空间限制邻域混合模型的图像分割方法
CN106611418A (zh) * 2016-03-29 2017-05-03 四川用联信息技术有限公司 一种图像分割算法
CN109872339A (zh) * 2019-01-21 2019-06-11 哈尔滨理工大学 一种局部相关的加权共生图像分割方法
CN112819775A (zh) * 2021-01-28 2021-05-18 中国空气动力研究与发展中心超高速空气动力研究所 一种航空航天复合材料损伤检测图像的分割强化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7085401B2 (en) * 2001-10-31 2006-08-01 Infowrap Systems Ltd. Automatic object extraction
CN111344697A (zh) * 2018-07-18 2020-06-26 深圳码隆科技有限公司 用于机器视觉模型的基于复杂度的渐进式训练

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625755A (zh) * 2009-08-06 2010-01-13 西安电子科技大学 基于分水岭-量子进化聚类算法的图像分割方法
CN104392458A (zh) * 2014-12-12 2015-03-04 哈尔滨理工大学 基于空间限制邻域混合模型的图像分割方法
CN106611418A (zh) * 2016-03-29 2017-05-03 四川用联信息技术有限公司 一种图像分割算法
CN109872339A (zh) * 2019-01-21 2019-06-11 哈尔滨理工大学 一种局部相关的加权共生图像分割方法
CN112819775A (zh) * 2021-01-28 2021-05-18 中国空气动力研究与发展中心超高速空气动力研究所 一种航空航天复合材料损伤检测图像的分割强化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Haipeng Wang ; Tan Lee ; Cheung-Chi Leung ; Bin Ma ; Haizhou Li.Acoustic Segment Modeling with Spectral Clustering Methods.《IEEE/ACM Transactions on Audio, Speech, and Language Processing》.2015, *
基于图像显著性特征的舰船目标检测识别方法;李宗鑫;《通信技术》;20210630;第1384-1391页 *

Also Published As

Publication number Publication date
CN114140474A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN109359684B (zh) 基于弱监督定位和子类别相似性度量的细粒度车型识别方法
CN110428428B (zh) 一种图像语义分割方法、电子设备和可读存储介质
CN109934293B (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
CN109583425A (zh) 一种基于深度学习的遥感图像船只集成识别方法
CN110619369A (zh) 基于特征金字塔与全局平均池化的细粒度图像分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN113239782A (zh) 一种融合多尺度gan和标签学习的行人重识别系统及方法
CN109711426A (zh) 一种基于gan和迁移学习的病理图片分类装置及方法
CN109671102A (zh) 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法
CN115131618B (zh) 基于因果推理的半监督图像分类方法
CN110210482B (zh) 改进类别不平衡的目标检测方法
CN110276402A (zh) 一种基于深度学习语义边界增强的盐体识别方法
CN110309858B (zh) 基于判别学习的细粒度图像分类方法
CN104820825B (zh) 基于Adaboost算法的人脸识别优化方法
CN101556650A (zh) 一种分布式自适应肺结节计算机检测方法及系统
CN109872331A (zh) 一种基于深度学习的遥感图像数据自动识别分类方法
CN117746260B (zh) 遥感数据智能解析方法及系统
CN110929621B (zh) 一种基于拓扑信息细化的道路提取方法
CN113159067A (zh) 一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置
CN107481250A (zh) 一种图像分割方法及其评价方法和图像融合方法
CN113139969A (zh) 一种基于注意力机制的弱监督图像语义分割方法及系统
CN112215847A (zh) 基于对抗学习多尺度特征的重叠染色体自动分割方法
Behnke et al. Competitive neural trees for pattern classification
CN107423771B (zh) 一种两时相遥感图像变化检测方法

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
GR01 Patent grant
GR01 Patent grant