结合MRF和神经网络的多尺度彩色纹理图像分割方法

摘要

本发明涉及图像处理领域，公开了一种结合MRF和神经网络的多尺度彩色纹理图像分割方法。主要用以解决传统MRF方法中简单高斯模型无法准确描述特征场分布特性的问题。多尺度特征场建模时，在每一尺度上使用监督环境下神经网络的输出来估计纹理特征的概率分布。多尺度标记场建模在采用经典Potts模型的基础上，对每个像素位置考虑同尺度二阶邻域位置的标记集合与更低分辨率尺度上对应标记的交互。采用极大似然准则，经过自顶向下的过程，逐步将较低分辨率尺度的分割结果作用于下一尺度，最终实现多尺度图像分割。本发明获取的分割结果具有较好的区域一致性和边界真实性，可用于彩色纹理图像的分割。

主权项

一种结合MRF和神经网络的多尺度彩色纹理图像分割方法，包括如下过程：(1)输入待分割图像，在给定尺度s下，提取每一像素的R，G，B值和该像素大小为ws×ws的邻域内R，G，B三波段的光谱均值和标准差构成特征向量；(2)从图像中截取class_num类纹理区域的训练图像块，在每一尺度s上，将图像块对应特征向量作为class_num个BP神经网络的输入，进行网络训练，其中class_num是图像分类数；(3)在所有尺度上，将整个图像的特征向量分别作为该尺度class_num个神经网络的输入，根据多个网络的输出估计特征场分布特性；(4)使用极大似然准则获取每个尺度上的初始分割结果；(5)使用迭代条件模式ICM，并依据极大后验概率MAP准则获取最大尺度s=J上的分割结果；(6)多尺度标记场建模，在经典MLL模型的基础上，利用尺度间交互参数α(t)调整尺度间计算标记场局部概率时的相互作用，并使用ICM，依据MAP准则获取尺度s上的分割结果xs；(7)在新的尺度s=s‑1上，重复(5)～(6)步骤，经过自顶向下的过程，逐步将较低分辨率尺度的分割结果作用于下一尺度，最终实现多尺度图像分割。