[发明专利]一种基于谱聚类和混合模型聚类的图像分割方法

说明书

技术领域

本发明属于谱聚类和混合模型聚类的图像分割领域，具体涉及一种基于谱聚类和混合模型聚类的图像分割方法。

背景技术

图像分割是图像分析中一个关键性的基础步骤，分割结果直接影响到后续图像识别以及语义内容的分析。在众多的图像分割方法中，有两种最为常见的分割方法，一个是基于像素统计特性的聚类方法，另一个是基于邻近像素相似性的谱聚类方法。

统计聚类中的代表为高斯混合模型，期望最大化(Expectation Maximization，EM)算法为模型参数提供了一种简单有效的最大似然迭代估计方法。但有限混合模型以像素的独立假设为前提，将其直接应用于图像分割，由于聚类过程只考虑了像素的统计特性，而没有考虑像素间的空间位置信息，导致同一物体区域的像素可能具有完全不同的类别标识，因此，独立混合模型有可能造成分割区域的空间混杂现象。为了在独立混合模型中引入像素空间位置的相关性，通常是将马尔科夫随机场(Markov Random Field，MRF)施加在混合模型中标识像素模型来源的隐含变量上，或施加在每个像素位置处作为选择模型分量的先验概率上，但由于参数之间的耦合性，导致混合模型的参数无法直接求解，使分割过程的运算复杂度激增，算法效率明显降低。

谱聚类方法较好的考虑了邻近像素的相关性，其代表性算法为N-Cut，带来的问题是需要较大的时空开销，例如对于一幅分辨率为N×N的图像来说，涉及到对一个N²×N²的亲和矩阵的存储和计算。由于采用了图的分割方式，谱聚类涉及到的另一个问题就是图像中的完整物体常常被任意分裂为多个区域，为了处理这个问题，同时也为了避免分割过程中出现欠分割现象，经常采用过分割方式，而这种过分割发展到一定程度，就导致了超级像素(super pixel)的出现。因此还得需要一个合理的有效的后续处理步骤，对过分割的区域或超级像素进行融合。

本专利将这两种常用的算法相融合，采用优势互补方式，消除彼此的局限性，进而获得合理的图像分割结果。

发明内容

本发明的目的在于提供一种采用优势互补方式，消除彼此的局限性，进而获得合理的图像分割结果的基于谱聚类和混合模型聚类的图像分割方法。

本发明的目的是这样实现的：

(1)读入一幅图像，将图像划分为固定大小相互不重叠的区域；

(2)将每个划分区域视为一幅单独的图像，采用N-Cut算法进行过分割，将原图像的像素描述方式X＝{x₁,x₂,…,x_N}，转变为图像的局部区域描述方式X＝{X₁,X₂,…,X_M}；

(3)将每个过分割区域内像素视为来源于同一模型分量，建立相应的高斯混合模型；

(4)采用机器学习中的EM算法来完成模型的参数求解过程：

(4.1)求取每个分割区域来源于每个模型分量的后验概率