基于小波域隐马尔科夫树模型的图像分割方法

摘要

本发明公开了一种基于小波域隐马尔科夫树模型的图像分割方法，主要解决传统基于小波域隐马尔科夫树模型方法中对于小波域信息的利用不充分以及后融合时指导图像分割的背景利用不全面的缺点。其过程为：提取待分割图像纹理对应的图像块，提取其对应的训练数据；计算EM算法参数的初始值；求出训练数据对应的模型参数；求出最终融合所需的似然值；在不同尺度上采用不同的上下文背景进行图像多尺度后融合分割，取尺度0上的结果作为最终分割结果；本发明具有区域一致性好和边缘准确的优点，可用于合成孔径雷达SAR图像、遥感图像、自然纹理图像的分割中。

主权项

1.一种基于小波域隐马尔科夫树模型的图像分割方法，包括如下过程：(1)输入待分割图像，从待分割图像中截取N_c类训练图像块，N_c表示待分割图像中对应的纹理类数；(2)从每个训练图像块中分别提取出第一组训练数据第二组训练数据u_j和第三组训练数据σ_j，组成尺度j上对应的最终训练数据：所述的提取出第一组训练数据步骤如下：(2a)对每一训练图像块，先进行一次小波变换，将低频子带系数用零来代替并和其他三个高频子带系数一起进行小波逆变换，得到尺度j＝0上的训练特征系数；(2b)取出小波变换后的低频子带，再进行一次小波变换，将低频子带系数用零来代替并和其他三个高频子带系数一起进行小波逆变换，得到尺度j＝j+1上的训练特征系数；(2c)重复步骤(2b)，直到j＝J-1，得到第一组训练数据所述的提取出第二组训练数据u_j，步骤如下：(2d)对每一训练图像块，取以每一个像素点为中心的窗口内的均值，得到尺度j＝0上的训练特征系数；(2e)对训练图像块进行一次小波变换，取出小波变换低频子带系数，求出以每一个小波变换低频子带系数为中心的窗口内的均值，得到j＝1上的训练特征系数；(2f)对小波变换后的低频子带再进行一次小波变换，取出小波变换低频子带系数，求出以每一个小波变换低频子带系数为中心的窗口内的均值，得到j＝j+1上的训练特征系数；(2g)重复步骤(2f)，直到j＝J-1，得到第二组训练数据u_j；所述的提取出第三组训练数据σ_j，步骤如下：(2h)对每一训练图像块，取以每一个像素点为中心的窗口内的方差，得到尺度j＝0上的训练特征系数；(2i)对训练图像块进行一次小波变换，取出小波变换低频子带系数，求出以每一个小波变换低频子带系数为中心的窗口内的方差，得到j＝1上的训练特征系数；(2j)对小波变换后的低频子带再进行一次小波变换，取出小波变换低频子带系数，求出以每一个小波变换低频子带系数为中心的窗口内的方差，得到j＝j+1上的训练特征系数；(2k)重复步骤(2j)，直到j＝J-1，得到第三组训练数据σ_j；(3)采用有限混合模型的无监督方法对每个训练图像块提取的最终训练数据进行计算，得到下一步EM算法参数的初始值；(4)利用所述的初始值对EM算法的参数进行初始化，再采用初始化的EM算法对每个训练图像块的提取的最终训练数据进行迭代训练，计算出所有训练图像块对应的HMT模型参数θ_j^c，j＝0，1，2，…J-1，c＝1，2，...，N_c，其中：j为小波分解的尺度，0表示像素级尺度，J为小波分解的最大尺度，c表示待分割图像类数对应的每一类纹理的类标；(5)根据所求的模型参数θ_j^c，求出待分割图像在小波分解对应的各尺度上每一数据块d对应的似然值likelihood_j^c，j＝0，1，…J-1，c＝0，1，2，...，N_c；(6)采用最大化似然值ML算法：得到图像J个尺度上的初分割结果类标图；(7)当J＝5时，对J-1，J-2，J-3三个尺度上的初分割结果类标图，采用由父节点和父节点领域共同决定的上下文背景向量进行尺度间融合分割；对j＝0，1这两个尺度上的初分割结果类标图，采用父节点邻域和子节点邻域决定的上下文背景向量进行尺度间融合分割，得到j＝0尺度上的像素级分割结果，即最终的分割结果。