[发明专利]基于高斯混合模型与支持向量机的彩色图像分割方法

权利要求书

1.一种基于高斯混合模型与支持向量机的彩色图像分割方法，其特征在于具有如下步骤：

S1.提取图像的颜色和纹理特征；

S2.利用提取的颜色和纹理特征，构建高斯混合模型，利用高斯模型对图像进行初始分割；

S3.利用支持向量机，将S2中初始分割后的图像，再进行分割，完成对图像的分割；

所述步骤S1提取图像的颜色和纹理特征具有如下步骤：

S101.颜色特征的提取；

S102.纹理特征的提取：利用Sobel算子表示梯度特征、对比度特征的提取和方向性的提取。

2.根据权利要求1所述的基于高斯混合模型与支持向量机的彩色图像分割方法，其特征还在于所述：所述高斯模型的建立具有如下步骤：

S201.利用非参数的混合模型初始化参数 

S202.利用EM算法训练得到最终参数值 

S203.将参数代入公式，求出后验概率 

S204.求得最大后验概率 

S201.建立高斯混合模型

设X＝{X_i|i＝1，2，...，N}(N是像素个数)是d维随机变量，此处d＝4，即 它的概率密度函数能写成k个成分分布的和

其中，参数Θ＝(α₁，...，α_k，θ₁，...，θ_k)，对每一个概率密度函数p_j，其参数θ_j＝{μ_j，∑_j}，μ_j为均值向量，∑_j为方差矩阵，α_j是每个成分的先验概率，满足

概率密度函数用d维高斯函数分布表示：

为求上述公式中的参数，一般采用迭代方法，即先建立样本的最大似然方程，然后采用EM算法对参数进行估计。

最大似然估计的基本假设是所有N个样本的集合X＝{X_i|i＝1，2，...，N}是独立的，其似然函数可定义为：

所谓最大似然估计，就是找到使上式的对数似然函数最大的Θ的估计值Θ^*，即

S202.E-step

首先初始化参数α_j、μ_j和∑_j，根据得到的参数计算样本属于第j类的后验概率：

S203.M-step

在第n+1步迭代中，得到新的参数值，具体公式为：

S204.循环迭代直到满足收敛条件。迭代收敛后，可以得到样本属于第j类的后验概率，这一结果可以用于数据分类、图像分割等。

根据贝叶斯规则进行分类：

其中j(X_i)表示像素X_i所属的类的标签。