[发明专利]将非监督聚类转化为自监督分类的图像分割方法

说明书

技术领域

本发明涉及一种将非监督聚类转化为自监督分类的图像分割方法。

背景技术

图像的分割分为完全分割与部分分割两种，完全分割对于图像的后续处理影响较大，故要求较高。但是，完全分割是建立在部分分割的基础上的，部分分割是形成针对于某一种特征同态区域的手段，这些区域与图像中的物体并不直接对应。为了从图像中获得水平较高的完全分割，可以先进行部分分割，然后在其基础上，使用与图像内容相关的高层知识进行处理。基于纹理特征的分割属于图像分割中的部分分割方法，它使用能够较好描述局部像素分布结构特征的纹理特征作为区域划分的标准，对图像进行部分分割。其在模式识别、图像理解、视频检索等方面都有着广泛的应用。

基于纹理特征的聚类方法是目前较为常用的非监督纹理分割方法，该方法的基本思想是首先以单个像素为单位，根据它以及它周围的像素灰度信息选择纹理特征；然后通过特征提取选择更利于分类的特征作为样本特征，形成特征空间；最后使用聚类方法对该空间中的每个样本进行聚类分析，以形成图像的区域分割。早期最有代表性的工作是Anil K.Jain等提出的非监督纹理分割方法。随后一些研究者在此基础之上，将Gabor变换，小波变换，laws纹理特征，马尔科夫随机场等用于分割过程，以提高分割的鲁棒性。M.A.Roula等使用EM算法估计每个纹理的分布情况，然后借助贝叶斯分类规则通过计算可能性函数来确定每个像素的类别，以改善分割效。Mohammad F.A.Fauzi等使用离散小波变换和均值漂移聚类方法，将分割划分为自顶向下的分解和自底向上的分割两个子过程，提出一种具有层次结构的分割算法，一方面减少了进行聚类的数据量，便于正确检测类别数量，缩短计算时间，另一方面均值漂移算法可以确定类别中心的位置，减少迭代计算的次数。Xiaomu Song等使用多种聚类方法获得像素的初始划分，然后再使用小波域上的隐含马尔科夫模型进行进一步的分割。这一方法将多分辨率分析技术用于纹理分割，因此得到了较好的分割效果。

尽管基于像素特征聚类方法进行纹理图像分割已经取得了一定的研究成果，但是由于纹理的多样性和不规则性，分割结果有时仍然难以接受。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种能够改善分割结果的将非监督聚类转化为自监督分类的图像分割方法。

为了实现上述技术目的，根据本发明，提供了一种将非监督聚类转化为自监督分类的图像分割方法，包括依次执行的下述步骤：第一步骤，用于首先借助模糊C均值方法根据样本的特征从图像中提取特定样本作为训练样本，将非监督聚类问题转化为自监督分类问题；第二步骤，用于在已经将非监督聚类问题转化为自监督分类问题的基础上，对样本进行子空间的划分，从而为自监督分类的每一个类别生成一个单独的子空间；第三步骤，用于在划分的子空间的基础上，借助多子空间KL变换，对特定样本之外的其余样本在迭代过程中进行类别划分。

优选地，在第一步骤中，借助Gabor小波变换对图像的样本的纹理特征进行描述，并且对纹理特征进行降维和平滑处理，此后对所有样本进行聚类以形成确定数量的类别，然后利用模糊C均值方法来通过计算每个样本的隶属度函数来衡量各个样本对于各个类别的典型性程度，而且将典型性程度超过预定阈值的样本作为训练样本。

优选地，在第二步骤中，采用符号表示由j类别的训练样本首次张成的子空间或表示在多子空间KL变换的迭代过程中由训练样本与划分在该子空间内的非训练样本非首次张成的子空间，对于每一个待分类的样本x_j，使用样本与子空间的距离对样本进行子空间的划分；