專(zhuān)利名稱(chēng)：結(jié)合mrf和神經(jīng)網(wǎng)絡(luò)的多尺度彩色紋理圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種圖像分割方法，可用于彩色紋理圖像的分割。
背景技術(shù)：
紋理在計(jì)算機(jī)視覺(jué)和圖像處理的許多應(yīng)用中都有非常重要的作用，紋理分割就是將紋理圖像劃分為不同的紋理區(qū)域，在許多領(lǐng)域中都有廣泛應(yīng)用，比如遙感影像信息提取、 文檔影像分析、形狀信息復(fù)原以及基于內(nèi)容的圖像檢索等。在過(guò)去的幾十年間，在Bayesian框架下結(jié)合馬爾科夫隨機(jī)場(chǎng)模型(MRF)模型進(jìn)行紋理分割的方法受到了國(guó)內(nèi)外研究人員的極大關(guān)注。其中，最為經(jīng)典的就是基于雙隨機(jī)場(chǎng)模型的分割方法。它采用不同的特征場(chǎng)建模圖像中不同區(qū)域的紋理特征，并采用MRF模型建模圖像分割的先驗(yàn)信息(標(biāo)記場(chǎng))，最后在Bayesian框架下使用極大后驗(yàn)概率準(zhǔn)則 (Maximum a Posterior)估計(jì)分割結(jié)果。圖像的特征場(chǎng)采用的概率密度模型是否能準(zhǔn)確逼近圖像的紋理特征分布對(duì)分割結(jié)果有著極大地影響。高斯模型是最簡(jiǎn)單也是使用最多的一個(gè)概率密度模型。在已知紋理特征服從高斯分布的情況下采用該模型能夠獲取較好的分割結(jié)果；然而如果紋理特征不服從高斯分布，簡(jiǎn)單高斯模型無(wú)法準(zhǔn)確描述特征場(chǎng)分布特性的問(wèn)題，則使用高斯模型進(jìn)行紋理分割的效果將會(huì)大打折扣。為解決這個(gè)問(wèn)題，近年來(lái)一些研究人員進(jìn)行了有益探索。F. T. Ulaby等通過(guò)研究發(fā)現(xiàn)在全顯影噪聲下雷達(dá)圖像的紋理信息服從Gamma分布，F(xiàn). Galland等又將其進(jìn)一步擴(kuò)展為Fisher分布；H. Noda和L. Wang采用高斯馬爾科夫隨機(jī)場(chǎng)模型表示紋理的特征分布； H. Yong-jian采用有限Laplace混合分布來(lái)逼近小波系數(shù)的分布；H. Choi和E. Mor采用一個(gè)二維的HMT模型來(lái)逼近紋理特征的多尺度分布；K. Pyun等設(shè)計(jì)了一個(gè)隱馬爾科夫高斯混合模型來(lái)建模紋理特征。這些紋理特征的建模方法在各自的應(yīng)用領(lǐng)域中都取得了較好的結(jié)果。然而，這些模型均比高斯模型要復(fù)雜得多，因此對(duì)參數(shù)估計(jì)和概率密度的計(jì)算都提出了更高的要求，也在一定程度上影響了模型的通用性。人工神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)功能的模型，因其具有優(yōu)良的非線(xiàn)性逼近能力和較好的容錯(cuò)性等優(yōu)點(diǎn)，被廣泛應(yīng)用在各個(gè)領(lǐng)域，包括圖像處理領(lǐng)域。Kolm0g0r0v定理已經(jīng)證明經(jīng)充分學(xué)習(xí)的具有一個(gè)隱層的NXMXO三層前向型網(wǎng)絡(luò)具有強(qiáng)大的非線(xiàn)性逼近能力。利用神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性逼近能力，不需要復(fù)雜的建模方法也能表示輸入數(shù)據(jù)的任何形式的概率分布。因此，考慮可以在監(jiān)督環(huán)境中設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，用其輸出來(lái)估計(jì)紋理特征的后驗(yàn)概率分布。因此，基于此，本文提出一個(gè)使用BP神經(jīng)網(wǎng)絡(luò)和MRF模型的多尺度監(jiān)督紋理分割新算法。該算法利用BP網(wǎng)絡(luò)的輸出估計(jì)多尺度紋理特征的概率分布；使用MRF模型建模紋理類(lèi)別的先驗(yàn)分布；采用極大后驗(yàn)概率(MAP，Maximum a Posterior Estimation) 準(zhǔn)則獲取最終的分割結(jié)果。

發(fā)明內(nèi)容
5
針對(duì)上述簡(jiǎn)單高斯模型無(wú)法準(zhǔn)確描述特征場(chǎng)分布特性，復(fù)雜概率模型參數(shù)估計(jì)困難的問(wèn)題，本文提出一個(gè)使用BP神經(jīng)網(wǎng)絡(luò)和MRF模型的多尺度監(jiān)督紋理分割新方法。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是利用BP網(wǎng)絡(luò)的輸出估計(jì)多尺度紋理特征的概率分布；使用MRF模型建模紋理類(lèi)別的先驗(yàn)分布；采用極大后驗(yàn)概率(MAP)準(zhǔn)則獲取最終的分割結(jié)果。具體過(guò)程如下(1)輸入待分割圖像，在給定尺度s下，提取每一像素的R，G，B值和該像素大小為 WsXws的鄰域內(nèi)(ws鄰域窗口大小)R，G，B三波段的光譜均值和標(biāo)準(zhǔn)差構(gòu)成特征向量；(2)從圖像中截取ClaSS_num類(lèi)紋理區(qū)域的訓(xùn)練圖像塊，在每一尺度s上，將圖像塊對(duì)應(yīng)特征向量作為class_num個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，其中class_num是圖像分類(lèi)數(shù)；(3)在所有尺度上，將整個(gè)圖像的特征向量分別作為該尺度claSS_nUm個(gè)神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)多個(gè)網(wǎng)絡(luò)的輸出估計(jì)特征場(chǎng)分布特性；(4)使用極大似然準(zhǔn)則獲取每個(gè)尺度上的初始分割結(jié)果；(5)使用迭代條件模式(ICM，Iterative Condition Model)，并依據(jù)極大后驗(yàn)概率 (MAP, Maximum a Posterior Estimation)準(zhǔn)則獲取最大尺度s = J上的分割結(jié)果；(6)多尺度標(biāo)記場(chǎng)建模，在經(jīng)典MLL模型的基礎(chǔ)上，利用尺度間交互參數(shù)α (t)調(diào)整尺度間計(jì)算標(biāo)記場(chǎng)局部概率時(shí)的相互作用，并使用ICM，依據(jù)MAP準(zhǔn)則獲取尺度s上的分割結(jié)果Xs ；(7)在新的尺度s = s-1上，重復(fù)步驟(6)，經(jīng)過(guò)自頂向下的過(guò)程，逐步將較低分辨率尺度的分割結(jié)果作用于下一尺度，最終實(shí)現(xiàn)多尺度圖像分割。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)(1)本發(fā)明設(shè)計(jì)的利用神經(jīng)網(wǎng)絡(luò)建模特征場(chǎng)概率分布方法利用了神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線(xiàn)性逼近能力，通過(guò)大量樣本學(xué)習(xí)能夠更真實(shí)準(zhǔn)確的描述特征場(chǎng)分布特性，同時(shí)建模方法簡(jiǎn)單，不需要復(fù)雜的參數(shù)估計(jì)和計(jì)算。(2)本發(fā)明設(shè)計(jì)的多尺度標(biāo)記場(chǎng)建模方法可以將更低分辨率上的分割結(jié)果逐步應(yīng)用到最終分割結(jié)果上，使分割結(jié)果具有低分辨分割的較好區(qū)域一致性和高分辨率分割的邊界真實(shí)性，從而獲得更好的分割結(jié)果。(3)仿真結(jié)果表明，對(duì)彩色紋理圖像的分割，與傳統(tǒng)ICM方法和單尺度結(jié)合神經(jīng)網(wǎng)絡(luò)和MRF方法(BPMRF)相比，本方法能夠獲取更好的分割結(jié)果。


圖1是本發(fā)明設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型圖2是本發(fā)明設(shè)計(jì)的標(biāo)記場(chǎng)網(wǎng)絡(luò)模型圖3是本發(fā)明應(yīng)用于合成彩色紋理影像的分割結(jié)果其中，(al) (a2) (a3) (a4)合成紋理影像；(bl) (b2) (b3) (b4)真實(shí)分割結(jié)果；(cl) (c2) (c3) (c4) ICM 分割結(jié)果；(dl) (d2) (d3) (d4)單尺度 BPMRF 分割結(jié)果；(el) (e2) (e3) (e4)本發(fā)明方法分割結(jié)果。
6
圖4是本發(fā)明應(yīng)用于航拍圖像的分割結(jié)果其中，(a)航拍影像；(b) ICM分割結(jié)果；(c)單尺度BPMRF分割結(jié)果；(d)本發(fā)明方法分割結(jié)果。
具體實(shí)施例方式本發(fā)明的具體實(shí)現(xiàn)過(guò)程如下步驟1輸入待分割圖像，在給定尺度s下，提取每一像素的R，G，B值和該像素大小為WsXWsW鄰域內(nèi)(Ws鄰域窗口大小)R，G，B三波段的光譜均值和標(biāo)準(zhǔn)差構(gòu)成特征向量， 其具體執(zhí)行過(guò)程如下(Ia)根據(jù)給定尺度S，確定鄰域大小為WsXWs ；(Ib)對(duì)待分割圖像逐像素在鄰域內(nèi)求取R、G、B三個(gè)波段上的光譜均值和標(biāo)準(zhǔn)差， 均值為
權(quán)利要求
1.一種結(jié)合MRF和神經(jīng)網(wǎng)絡(luò)的多尺度彩色紋理圖像分割方法，主要包括如下過(guò)程(1)輸入待分割圖像，在給定尺度s下，提取每一像素的R，G，B值和該像素大小為 WsXws的鄰域內(nèi)R，G，B三波段的光譜均值和標(biāo)準(zhǔn)差構(gòu)成特征向量；(2)從圖像中截取ClaSS_num類(lèi)紋理區(qū)域的訓(xùn)練圖像塊，在每一尺度s上，將圖像塊對(duì)應(yīng)特征向量作為class_num個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，其中class_num是圖像分類(lèi)數(shù)；(3)在所有尺度上，將整個(gè)圖像的特征向量分別作為該尺度classjum個(gè)神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)多個(gè)網(wǎng)絡(luò)的輸出估計(jì)特征場(chǎng)分布特性；(4)使用極大似然準(zhǔn)則獲取每個(gè)尺度上的初始分割結(jié)果；(5)使用迭代條件模式ICM，并依據(jù)極大后驗(yàn)概率MAP準(zhǔn)則獲取最大尺度s= J上的分割結(jié)果；(6)多尺度標(biāo)記場(chǎng)建模，在經(jīng)典MLL模型的基礎(chǔ)上，利用尺度間交互參數(shù)α(t)調(diào)整尺度間計(jì)算標(biāo)記場(chǎng)局部概率時(shí)的相互作用，并使用ICM，依據(jù)MAP準(zhǔn)則獲取尺度s上的分割結(jié)果Xs;(7)在新的尺度s= s-1上，重復(fù)(5) (6)步驟，經(jīng)過(guò)自頂向下的過(guò)程，逐步將較低分辨率尺度的分割結(jié)果作用于下一尺度，最終實(shí)現(xiàn)多尺度圖像分割。
2.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(1)按如下過(guò)程執(zhí)行 (Ia)根據(jù)給定尺度s，確定鄰域大小為WsXWs ；(Ib)對(duì)待分割圖像逐像素在鄰域內(nèi)求取R、G、B三個(gè)波段上的光譜均值和標(biāo)準(zhǔn)差，均值為
3.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(2)按如下過(guò)程執(zhí)行(2a)在所有尺度上，為圖像上所有紋理類(lèi)型分別設(shè)計(jì)相應(yīng)的后驗(yàn)概率模型，確定需要 JXclaSS_nUm(J是尺度個(gè)數(shù))個(gè)BP網(wǎng)絡(luò)來(lái)近似這些后驗(yàn)概率模型；(2b)在待分割圖像上截取ClaS_rmm類(lèi)紋理區(qū)域，根據(jù)步驟⑴中的特征圖像獲取尺度 s上截取區(qū)域的特征向量；(2c)設(shè)計(jì)BP網(wǎng)絡(luò)輸入為某一像素位置的特征向量 4 ,劣％,";:(/,^/,"^/，<1；,<，(/,<，((]"，即輸入層為9個(gè)神經(jīng)元，輸出為
4.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(3)按如下過(guò)程執(zhí)行(3a)將步驟(Ic)得到的尺度s (s = 1，2，. . .，J)上的特征圖像輸入到經(jīng)過(guò)訓(xùn)練的第 k類(lèi)(k = 1，2，. . .，class_num)BP網(wǎng)絡(luò)中，得到每個(gè)像素屬于第k類(lèi)的相似度；(3b)重復(fù)步驟(3a)從而得到所有尺度上特征圖像的每個(gè)像素分別屬于每種分類(lèi)的相似度；(3c)每個(gè)像素位置(i，j)在尺度s上，相對(duì)于k類(lèi)的特征場(chǎng)條件概率為
5.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(4)按如下過(guò)程執(zhí)行(4a)在尺度s上，對(duì)每個(gè)像素位置(i，j)求使步驟(3)中特征場(chǎng)條件概率取最大值的標(biāo)記值，從而獲得圖像在該尺度上的初始分割；(4b)在新尺度s = s-1上重復(fù)步驟( )，最終得到所有尺度上的初始分割。
6.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(5)按如下過(guò)程執(zhí)行
7.根據(jù)權(quán)利要求1所述的圖像分割方法，其中步驟(6)按如下過(guò)程執(zhí)行(6a)根據(jù)公式
全文摘要
本發(fā)明涉及圖像處理領(lǐng)域，公開(kāi)了一種結(jié)合MRF和神經(jīng)網(wǎng)絡(luò)的多尺度彩色紋理圖像分割方法。主要用以解決傳統(tǒng)MRF方法中簡(jiǎn)單高斯模型無(wú)法準(zhǔn)確描述特征場(chǎng)分布特性的問(wèn)題。多尺度特征場(chǎng)建模時(shí)，在每一尺度上使用監(jiān)督環(huán)境下神經(jīng)網(wǎng)絡(luò)的輸出來(lái)估計(jì)紋理特征的概率分布。多尺度標(biāo)記場(chǎng)建模在采用經(jīng)典Potts模型的基礎(chǔ)上，對(duì)每個(gè)像素位置考慮同尺度二階鄰域位置的標(biāo)記集合與更低分辨率尺度上對(duì)應(yīng)標(biāo)記的交互。采用極大似然準(zhǔn)則，經(jīng)過(guò)自頂向下的過(guò)程，逐步將較低分辨率尺度的分割結(jié)果作用于下一尺度，最終實(shí)現(xiàn)多尺度圖像分割。本發(fā)明獲取的分割結(jié)果具有較好的區(qū)域一致性和邊界真實(shí)性，可用于彩色紋理圖像的分割。
文檔編號(hào)G06N3/02GK102436642SQ20111032479
公開(kāi)日2012年5月2日 申請(qǐng)日期2011年10月24日 優(yōu)先權(quán)日2011年10月24日
發(fā)明者劉國(guó)英, 王愛(ài)民, 胡順義, 葛文英, 趙曉凡, 趙紅丹 申請(qǐng)人:劉國(guó)英, 王愛(ài)民, 葛文英