[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

说明书

技术领域

本发明属于多媒体信息处理的图像分割技术领域，具体涉及一种结合高斯混合模型与支持向量机的彩色图像分割方法。 

背景技术

目前图像分割的方法有很多，早期的图像研究主要将分割方法分为两大类，一种是基于边界的分割方法，另一种是基于区域的分割方法。基于区域的分割方法依赖于图像的空间局部特征，如灰度、纹理及其他像素统计特性的均匀性等。典型的基于区域分割方法有区域生长、区域分裂及区域生长和分裂相结合的方法等。由于这些方法依赖于图像的灰度值，因此它们的主要优点是对噪声不敏感，但是这些方法常常造成图像的过分割问题，而且，分割结果很大程度依赖于种子点的选择，分割所得区域的形状也依赖于所选择的分割算法。基于边界的分割方法主要是利用梯度信息确定目标的边界，包括局部微分算子，如Roberts算子、Sobel算子、Prewitt梯度算子和Laplacian二阶差分算子等。这些方法不依赖于已处理像素的结果，适于并行化，但缺点是对噪声敏感，而且当边缘像素值变化不明显时，容易产生假(false)边界或不连续的边界。 

当前的图像分割研究已经进入了一个新的阶段，主要表现在统计工具的广泛使用。基于统计模型的图像分割方法包括基于多尺度变换域统计模型的图像分割方法和基于空域统计模型的图像分割方法，前者是在原始图像经过某一变换后，根据变换域信息进行建模，常见的有基于Wavelet、Contourlet等隐马尔可夫树模型(HMT)的分割方法；后者则是直接在原始图像基础上对感兴趣的特征进行建模，常见的有基于高斯混合模型(GMM)、基于空域马尔可夫随机场(MRF)模型的图像分割方法。这类分割方法借助统计模型捕获了图像的特征，相比于传统的分割方法，得到了更加准确的分割结果。 

发明内容

本发明针对以上问题的提出，而研制的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，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； 

高斯模型的建立具有如下步骤： 

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 

p(Xi|Θ)=Σj=1kαjpj(Xi|θj)]]>

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