一种基于EM算法图像分割改进技术.docVIP

一种基于EM算法的图像分割改进技术 　　摘要:图像分割是计算机视觉的基础,该文结合EM算法和PCA降维技术,给出了一种有效快速的进行图象分割的方法。该方法利用高斯混合模型对原始图像进行建模,通过EM算法将分割问题转化为参数最大似然估计的问题,同时采用PCA降维技术和随机采样来降低计算量。通过人工合成图象及真实图象的实际测试结果,验证了该算法的有效性和快速性。 　　关键词:EM算法;图像分割;特征提取 　　中图分类号:TP391文献标识码:A文章编号:1009-3044(2009)13-3508-03 　　 　　1 概述 　　图像分割是实现自动图像分析和模式识别的首要问题,它根据图像的某些特征或特征集合的相似性准则,对图像像素进行分组聚类,将图像划分为一系列“有意义”的不同区域。图像分割质量的优劣、区域界限定位的精度直接影响后续的区域描述及图像的分析和理解,是图象分析、处理、理解中一个举足轻重的技术环节。 　　传统的图像分割技术大致可以分为基于边缘的分割方法和基于区域的分割方法,前者是将图像中所要求分割的目标边缘提取出来,从而将目标分割出来。后者常通过图像的空间局部特征,如灰度、纹理及其它像素统计特性来确定目标的边界。EM算法是一种基于统计模式识别的区域的分割方法,它具有快速和适应性广泛的特点,是一种有效的图像分割方法。本文在此基础上提出了基于EM算法的图像分割改进技术,该方法首先对图像低层特征(亮度、颜色、纹理等)进行提取,根据实际分割目标的不同,可以采用不同的图像特征;采用PCA降维技术和随机采样来减少数据量,以降低计算的复杂度,然后利用EM算法实现图像分割。从实验结果可以看出,该方法应用广泛,易于实现,处理的结果清晰。 　　 　　2 高斯混合模型与EM算法 　　2.1 高斯混合模型GMM 　　算法利用高斯混合模型来对原始图像进行建模。图像中的每个象素均被认为是通过m个图像分割中的某一个的密度函数计算得到。假定选择第i个分割区域的概率为wi,则生成象素x的概率为: 　　■ 　　其中,分割区域的密度函数p(x|θi)采用高斯函数来建模: 　　■ 　　对于整副图象X(包含s个象素),其生成概率为: 　　■ 　　问题的求解即为参数■的最大似然估计问题。 　　2.2 EM算法 　　参数Θ和各个象素来源的分割区域均未知,将象素来源的分割区域信息L看做是丢失的数据,希望在丢失数据的情况下得到模型参数Θ的最大似然估计。该问题可以EM算法得以解决。其主要思想如下: 　　在给定不完备数据(L未知)的条件下,通过对参数Θ进行假设,从而获取丢失的数据L的估计(E步),然后用期望值E(L)来代替丢失的数据L,得到参数Θ的最大似然估计(M步)。通过交替执行期望阶段和最大化阶段,迭代直到收敛。 　　已证明[1],EM算法可以收敛到似然函数的某个(局部)最大值。 　　具体步骤见3.3。 　　 　　3 图像分割实现 　　实现框架如图1所示。 　　3.1 特征提取 　　图像中的每一个点用11维(灰度图象)或13维(彩色图像)的特征向量来表示:前两个特征表示像素间的空间关系,即归一化的像素点坐标;对于灰度图象,接下来的一维表示图像的亮度信息(对于彩色图像,采用R,G,B三个通道的颜色信息来表示接下来的三个维度);再接下来的八个维度表示图像的纹理特征。具体实现如下: 　　3.1.1. 归一化的图像坐标 　　假设图像大小为max_x*max_y,像素点i的坐标为xi,xj,则对于像素点i的特征向量Vi,其第一维和第二维分别为: 　　Vi[1]=xi/max_xVi[2]=yi/max_y 　　3.1.2 平均灰度信息(或色彩信息) 　　为了减少随机噪声的影响,同时保持图象中的边界等信息,先采用中值滤波器先对图象进行预处理,然后再采集对应的灰度值。实验中采用的是11*11的中值滤波器。灰度信息归一化后作为第三维(或彩色图象采用滤波后的R,G,B三个通道的归一化值作为第三至五维)。 　　3.1.3.纹理特征抽取 　　为了抽取纹理特征,采用线性滤波器DOG和DOOG[2]。 　　DOG滤波器主要响应圆形的区域,DOOG滤波器主要对于各个方向的边界进行响应。这里使用两个不同的DOG滤波器来响应两种不同的圆形区域,六个不同方向的DOOG滤波器来响应不同方向的边界。滤波器如图2所示: 　　■ 　　图2 DOG和DOOG滤波器 　　各个滤波器滤波后的归一化值作为接下来的八维的值。 　　3.2 减少复杂度的预处理 　　3.2.1 降特征维度 　　每个象素点都用一个11(或13)维的向量来表示,为了减少计算量,加快应用EM算法的速度,首先采用PCA算法[3]对11(或13)维向量降维。 　　PCA