一种多尺度分块贝叶斯图像分割方法与流程

1.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：

2.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。


技术实现要素：

3.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。
4.本发明的一种多尺度分块贝叶斯图像分割方法，包括：
5.s1、输入待分割图像和分割类别数k；
6.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：
7.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；
8.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上层分块传递到本层分块的类别概率利用公式一对每个分块的类别估计值进行更新：
[0009][0010]
其中，l＝l,l-1,
…
,1，0，表示将覆盖l层图像分块n(i)
l
的上一层分块n(y)
l 1
的类别概率的累加，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；
[0011]
若当前层为第l层，
[0012]
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；
[0013]
为第i个分块内第j个像素观测值,(u
n(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；
[0014]
和分别为第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；表示的逆矩阵；
[0015]
利用更新后的通过公式二对对每个分块的进行更新：
[0016][0017]
利用更新后的公式三对每个分块的进行更新：
[0018][0019]
重复s22，直至收敛；
[0020]
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；
[0021]
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，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最为分割结果输出。
[0022]
作为优选，s23中，计算当前层图像分块是否合理的方法包括：
[0023]
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；
[0024]
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)，其中和分别在第j个像素位置处水平和垂直的差分值；
[0025]
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：f
n(i)
(j)，分块n(i)的划分合理性值mask(n(i))为：
[0026][0027]
1代表合理，0代表不合理。
[0028]
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：
[0029][0030]
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
[0031]
图1为本发明的流程示意图。
具体实施方式
[0032]
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。
[0033]
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。
[0034]
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。
[0035]
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：
[0036]
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其中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。
[0037]
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2
l
，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。
[0038]
区域块中的每个像素都以独立方式服从同一高斯分布其中x
n(i)
为第i个分块观测值，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。
[0039]
图像中像素块的类别属性采用离散的隐含变量z＝{z
n(1)
,z
n(2)
,
…zn(n)
}来描述，其中n为像素块的个数，为一个k维二进制向量，k为类别数目，中只能有一个元素为1，其它元素为0，如果x
n(i)
的类别标识为k，表明x
n(i)
来源于第k个混合分量，则否则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：
[0040]
p(z)＝w-1 exp(-h(z))
ꢀꢀꢀ
(1-1)
[0041]
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，若则f(x
n(i)
|z
n(i)
)＝fk(x
n(i)
|θk)，所有分块分布是是条件独立的，其联合分布描述为
[0042]
则分块目标函数的联合概率分布如下：
[0043][0044]
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z
s-n(i)
时，icm通过最大化条件概率p(z
n(i)
|x,z
s-n(i)
)逐次更新z
n(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：
[0045][0046]
其中x＝{x
n(1)
,x
n(2)
,
…
,x
n(n)
}，为n(i)块的邻域，对于条件概率此处选用一个简化的二阶同向邻域potts模型。中的z
n(i)
有k种取值可能，当时，将记为将其简化为：
[0047][0048]
其中u
n(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：
[0049][0050]
二、每层参数的融合学习：
[0051]
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π
n(i)
，为一个k维二进制向量，其中u
n(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。
[0052]
将覆盖l层分块n(i)
l
的上一层分块n(j)
l 1
的类别概率累积到本层分块，即并对其进行归一化处理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。
[0053]
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：
[0054][0055]
若当前层为顶层，则将统一设置为若当前层不是顶层，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，即将mask(n(i)
l
)＝0的分块设置为在确定划分合理性之后，把mask(n(i)
l
)＝1的(x
n(i)
)
l
和(z
n(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。
[0056]
采用icm对模型参数求解，icm通过最大化条件概率p((z
n(i)
)
l
|x,(z
s-n(i)
)
l
))逐次更新分块类别，达到模型参数优化目的，此时有：
[0057][0058]
其中(z
n(i)
)
l
代表第l层第n(i)分块，(z
s-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。
[0059]
三、每层参数求解：
[0060]
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z
n(i)
估值等价为最小化如下的能量函数：
[0061][0062]
其中，l＝l,l-1,
…
,1，0，表示将覆盖l层图像分块n(i)
l
的上一层分块n(y)
l 1
的类别概率的累加，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；
[0063]
通过及更新θk：
[0064][0065][0066]
其中，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：
[0067][0068]
四、分块划分的合理性判别
[0069]
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。
[0070]
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：
[0071]
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 z
p
(j)，其中z
p
(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，记为其中分别在像素位置j处水平和垂直的差分值。
[0072]
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
n(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：
[0073][0074]
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。
[0075]
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：
[0076]
步骤一、输入待分割图像和分割类别数k；
[0077]
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：
[0078]
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计算当前层图像每个分块的类别初始估计值；
[0079]
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上层分块传递到本层分块的类别概率利用式(3-1)对每个分块的类别估计值进行更新：
[0080]
若当前层为第l层，
[0081]
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；
[0082]
为第i个分块内第j个像素观测值,(u
n(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；
[0083]
和分别为第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；表示的逆矩阵；
[0084]
利用更新后的通过式(3-2)对每个分块的进行更新：
[0085]
利用更新后的式(3-3)对每个分块的进行更新：
[0086]
重复步骤二二，直至收敛；
[0087]
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；
[0088]
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，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最为分割结果输出。
[0089]
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。