基於馬爾科夫隨機場的圖像分割方法
2023-05-08 14:16:31 3
基於馬爾科夫隨機場的圖像分割方法
【專利摘要】本發明公開一種基於馬爾科夫隨機場的圖像分割方法。本發明在MRF模型的基礎上引入了對退火係數的確定的一種新方法。參數的選取對圖像分割的效果會產生很大的影響，對勢函數的耦合係數β和模擬退火迭代係數α的估計一直是MRF分割算法的難點。一般算法採取α和β都是固定值的方法，但是分割效果不太理想。在本文中，採取的是固定β為常數，參數α動態變化。改進參數後，在計算速度和圖像分割精度上有較大的提高。
【專利說明】基於馬爾科夫隨機場的圖像分割方法
【技術領域】
[0001]本發明涉及圖像分割的方法，尤其涉及在馬爾科夫隨機場的基礎上引入模糊分類的方法。
【背景技術】
[0002]在基於MRF模型的圖像分割算法中，最大化後驗概率的求解是一個迭代優化過程，需要處理每個像素的空間鄰域，處理數據多，算法收斂慢。還有多個參數需要調節，因此優化算法並不易。
[0003]圖像分割的本身是不確定的，如何在分割中引入先驗信息是解決這一問題的強有力工具。目前，利用統計圖像模型較為引人注目。基於統計學的分割方法的基本思想是:從統計學角度對圖像進行建模，把各個像素值看作具有一定概率分布的隨機過程。正確的分割圖像，就是以最大概率得到圖像的物體組合，從貝葉斯定理來看，就是求出具有最大後驗概率的分布。
[0004]馬爾可夫隨機場模型提供了不確定性描述和先驗知識聯繫的紐帶，通過利用觀測圖像，根據統計決策和估計理論中的最優準則確定分割問題的目標函數，進而求解得到滿足這些條件的最大可能分布，從而將分割問題轉化為優化問題。很多分割算法都試圖將圖像的空間信息引入到圖像分割算法中，並取得了很好的分割效果。然而，參數估計是至關重要的。參數選取的小，不能正確反映圖像的空間相關性；反之，參數選取的大，則會造成圖像的過分割現象。因此關於參數估計方法一直以來都受到關注，各種優化計算方法的研究也是非常重要。不過，優化方法發展相對較慢，還需要研究更快、更準的優化方法。
[0005]基於MRF模型的圖像分割具有如下的優點:(I)模型的參數較少，便於處理；(2)模型具有較強空間約束能力，能得到較好的分割效果；(3)基於模型的方法易於結合其它方法，易於拓展；(4)不同的先驗模型可以反映各種圖像屬性。
[0006]但是MRF模型應用的難點在於如何選取合適的參數來控制空間相關性的強度，過強將導致對分割圖的邊緣過度平滑而丟失一些重要的解剖細節信息。另外，應用MRF模型的算法計算量很大，為了減少計算量而不得不簡化模型而得到次優解。
【發明內容】
[0007]發明目的:針對現有技術中存在的問題，本發明提供一種基於馬爾科夫隨機場的設計方法，有效提高了圖像分割的效率。
[0008]技術方案:一種基於馬爾科夫隨機場的圖像分割的方法，包括如下步驟:
[0009]I)採用最大似然估計方法對圖像進行初始分割；
[0010]2)根據初始分割利用MAP估計得到不同分類UGA)的參數U A和O A，並初始化模擬退火函數中的係數3 ;
[0011]3)取k為當前迭代次數，利用模擬退火算法進行迭代(對其中的參數a根據AE的變化動態調節)，然後計算當前分割結果，並遍歷圖像計算當前分割結果的能量函數；[0012]4)計算當前的全局能量值；
[0013]5)如果全局能量值變化小於某個事先給定的值(例如0.5)，則分割為最後結果，否則再重複步驟3)。
[0014]提出的一種基於馬爾科夫隨機場的圖像分割方法，在使用模擬退火算法進行優化的過程中，改變了傳統算法固定參數a和0的做法，採用固定P，動態調節a的方法，改善了誤分割率。
[0015]研究馬爾可夫隨機場主要關注以下幾個方面:標號場和觀測場模型的建立；圖像模型參數估計，標號數的確定；提出適當的最優準則進行分割；選擇優化方法實現目標函數收斂等。
[0016]在給定標號場的先驗分布和觀測場的條件分布後，需要給予適當的最優準則來實現圖像的分割，有以下常用幾種分割標準:最大後驗概率估計，最大後驗邊緣估計，最小均方誤差估計和序貫最大後驗概率估計等。
[0017]在MRF框架下，結合概率理論建立目標圖像的條件概率模型，求解基於這些條件下的最大概率分布，進而轉化成為求解MRF的能量函數最小的問題。在一般情況下，對MRF的全局能量函數最小化問題是一個NP-HARD問題。在實際問題中，通常採用一些近似全局能量的方法進行簡化來處理。
[0018]我們所求得的能量函數通常是非凸函數，因而要對這個組合優化問題進行處理。解組合優化問題通常有兩個解決方法:一種是用全局優化算法，在儘可能大的搜索空間，產生一個全局最優解；另一種是用局部優化的近似算法，在可接受的運行時間內產生近似解。前者由於算法複雜，運行時間長，因此對大規模組合優化問題常用近似算法獲得局部最優解。可以用隨機鬆弛(Stochastic relaxation)和確定鬆弛(Deterministic relaxation)求解。確定性鬆弛僅在新狀態具有更低能量時接受新狀態，速度較快，但是得到的通常是局部最優解。隨機鬆弛容許以一定概率接受能量更高的新狀態，能夠求得全局的最優解，代價就是收斂速度很慢。
[0019]結合附圖，根據下文的通過示例說明本發明主旨的描述可清楚本發明的其它方面和優點。
【專利附圖】
【附圖說明】
[0020]圖1為二維空間位置的鄰域和勢團；
[0021]圖2為無監督圖像分割流程圖。
【具體實施方式】
[0022]參見示出本發明實施例的附圖，下文將詳細地描述本發明。然而，本發明可以以許多不同形式出現，而且不應解釋為受在此提出之實施例的限制。相反，提出的這些實施例是為了達成充分及完整公開，並且使本【技術領域】的技術人員完全了解本發明的範圍。這些附圖中，為了清楚起見，可能放大了層及區域的尺寸及相對尺寸。
[0023]除非另行詳細說明，本文所使用的所有術語(包括科技術語)的意思與本領域的技術人員所通常理解的一致。還應理解，諸如一般字典中所定義的術語應解釋為與相關【技術領域】中的意思一致，並且不應解釋為理想化的或過度刻板的含義，除非在文中另有明確定義。
[0024]現以最大後驗概率(Maximum A Posterior, MAP)和Metropolis算法為例，說明根據本發明的基於馬爾科夫隨機場的圖像分割方法。然而，本領域的技術人員應理解，本發明不限於此。
[0025]圖像分割是基於像素的特徵屬性和區域屬性給每一個像素分配標號的過程。要定義MRF模型，首先要定義鄰域系統，以及由此形成的勢團(Clique)。在二維網格S上，任一個頂點(i，j)都是通過鄰域系統與其它頂點相關聯的。如附圖1。
[0026]在MRF中，常用兩個隨機場來描述待分割的圖像。一個是標號場X，用先驗分布描述標號場的局部相關性。另一個是特徵場(觀測場)Y，常以標號場為條件，用分布函數描述觀測數據或特徵向量的分布。實驗方案為確定標號數，對馬爾可夫隨機場圖像模型參數估計，最後基於適當最優準則實現圖像的分割。如附圖2為無監督圖像分割流程圖。
[0027]Markov隨機場與Gibbs隨機場相對應，因此若定義了 Gibbs隨機場的能量函數，那麼馬爾可夫隨機場也隨之被確定了。這樣，根據貝葉斯定理，採用最大後驗概率估計器，進而求解圖像的最大後驗概率,也就完成估計標號問題。
[0028]然而傳統該模型只在確定類上有定義，使得運用該模型如果參數選取不當，圖像處理時會出現誤分類或是過分割的現象。針對這些不足，我們在傳統的MRF引入模糊概念。引入模糊類，使得過分割後原本屬於一個標號場的區域得到正確的歸類，從而實現正確分割。
[0029]在MRF框架中，假設在已知圖像分割標號的情況下，每個像素點i處的條件概率P(YiIxi)相互獨立。可以認為P(YiIxi)服從高斯分布，對於分類Xi，參數3|，似然能量函數為:
【權利要求】
1.一種基於馬爾科夫隨機場的圖像分割的方法，其特徵在於，包括如下步驟: 1)採用最大似然估計方法對圖像進行初始分割； 2)根據初始分割利用MAP估計得到不同分類的參數UA和0 A，並初始化模擬退火函數中的係數P，X GA; 3)取k為當前迭代次數，利用模擬退火算法進行迭代，然後計算當前分割結果，並遍歷圖像計算當前分割結果的能量函數； 4)計算當前的全局能量值； 5)如果全局能量值變化小於某個事先給定的值，則分割為最後結果，否則再重複步驟3)。
【文檔編號】G06T7/00GK103679717SQ201310654583
【公開日】2014年3月26日 申請日期:2013年12月5日 優先權日:2013年12月5日
【發明者】儲榮 申請人:河海大學