[发明专利]基于第二代Bandelet域隐马尔科夫树模型的图像分割方法

权利要求书

1.一种基于第二代Bandelet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，并截取具有相同纹理区域的子块作为训练图像；

(2)采用第二代Bandelet变换对输入图像及训练图像进行变换，得到Bandelet系数，所述的变换过程如下：

(2a)对输入图像进行二维小波变换；

(2b)对二维小波变换后的输入图像进行二进剖分，即在Bandelet变换的每个尺度上，连续地把一个区域剖分为四个大小相等的方形子块区域，并将每个方形子块区域的尺寸限制为宽度为L个像素，且4≤L≤2^j/2，j为输入图像的宽度；

(2c)对每个方形子块区域进行方向采样，并将子块区域沿每个采样方向进行正交投影，得到投影信号；

(2d)对投影信号进行重新排序，得到一个一维离散信号f_d；

(2e)对一维离散信号进行一维离散小波变换，得到一维小波系数f_dR；

(2f)利用得到的一维离散信号f_d和一维小波系数f_dR建立Lagrangian目标函数，即

其中，T为门限，R_G是在使用熵编码器对几何特征参数d编码时所需的比特数，R_B表示对计算Bandelet系数的参数数目编码时所需的比特数，λ取3/28；

(2g)计算采样区域的每个采样方向对应的Lagrangian目标函数值，将使Lagrangian目标函数值最小的采样方向作为采样区域的最佳方向；

(2h)对有几何流的采样区域沿对应的最佳方向投影，并对投影信号重新排序得到一维离散信号，对该离散信号进行一维离散小波变换得到的一维小波系数作为Bandelet系数输出，对无几何流的区域则将二维小波变换得到的系数作为Bandelet系数输出；

(3)采用期望最大化EM算法对训练图像进行Bandelet域隐马尔科夫树模型训练，得到模型参数；

(4)利用模型参数采用隐马尔科夫树模型的似然算法，计算在不同尺度下输入图像的每个子块的似然函数值；

(5)采用高斯混合模型计算输入图像的像素级似然值；

(6)对输入图像每个子块的似然值和像素级似然值应用最大似然准则，得到输入图像的初始分割结果；

(7)按如下步骤对输入图像的分割结果进行多尺度融合：

(7a)计算在context-1模型下，上下文矢量为时，尺度j处第i个图像块属于类别c_i的概率即

p(ci=m|dij,vij)=pci(m)p(vi=v‾k|ci=m)f(dij|ci=m)Σl=1Ncpci(l)p(vi=v‾k|ci=l)f(dij|ci=l)]]>

式中，的上下文信息用上下文矢量v_i来代表，表示尺度j处的上下文矢量，j＝0，...，log₂(N)-1，N表示图像块的宽度；为多尺度似然计算得出的类别为c_i时的似然值；m＝S，L，代表节点的状态，S代表小状态，L代表大状态；是节点类别为c_i时的初始概率，N_c代表总的类别数，p(v_i|c_i)表示类别为c_i时v_i的概率；

(7b)根据得到的计算图像块的最大后验概率MAP，得到各节点的初始类标，即输入图像的第一次分割结果；

ciMAP=argmaxci∈{1,...,Nc}p(ci|dij,vij);]]>

(7c)利用context-2模型对第一次分割结果再次计算在上下文向量v′_i下二值图像块属于类别c_i′的概率即：

p′=(ci′=m|di′j,vi′j)=p′ci′(m)p(vi′=v‾k|ci=m)f(di′j|ci=m)Σl=1Ncp′ci′(l)p(vi′=v‾k|ci′=l)f(di′j|ci′=l);]]>

式中，表示第一次分割结果尺度j处的第i个图像块，代表对应的上下文矢量；是节点类别为c_i′时的初始概率；m＝S，L，代表节点的状态，S代表小状态，L代表大状态；p(v′_i|c_i′)表示节点类别为c_i′时v′_i的概率；代表类别为c_i′时像素块的似然值；

(7d)根据得到的再次计算图像块的最大后验概率，即得到输入图像的各尺度后分割结果；

(7e)将后分割结果中的像素级分割结果作为输入图像的最终分割结果输出。