基于Gabor特征稀疏表示纹理分割研究.docVIP

基于Gabor特征稀疏表示纹理分割研究 　　摘 要： 稀疏表示和字典学习在图像去噪、图像重建和模式识别等应用上取得了良好的效果，其利用稀疏系数和重构误差来作为模式分类的判别准则。稀疏表示纹理分割方法是将图像分割问题转换为像素点的分类问题。但通常稀疏表示分类方法是基于图像块特征，难以准确表征图像纹理信息。为了解决上述问题，提出基于Gabor特征的稀疏表示纹理分割方法。因为Gabor特征对图像纹理信息的鲁棒性，算法首先从每类纹理中选择一些像素点作为训练样本，计算其不同尺度和方向下的Gabor特征，将其作为初始化字典，通过判别性的字典学习算法（D?KSVD）更新字典，该字典学习算法在KSVD基础上使得字典更具有类别判别能力，最后以待分割图像的每个像素点作为测试样本，计算其Gabor特征。利用OMP算法得到测试样本在字典下的稀疏系数，根据稀疏系数得到类标签，进而对像素点进行分类，完成分割。通过在Brodatz纹理库上的实验结果表明，该方法有效提高了稀疏表示算法对纹理图像分割的正确率。 　　关键词： 稀疏表示； 字典学习； D?KSVD； Gabor 　　中图分类号： TN919?34 文献标识码： A 文章编号： 1004?373X（2015）10?0073?05 　　图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术。纹理作为物体表面的固有特征之一，是人们区分不同物体的重要因素，纹理可以提供图像区域的平滑、稀疏、规则等特性。例如医学图像中包含大量的纹理信息，不同部位、相同部位不同病灶的图像纹理存在一定差异。又如遥感图像中不同地貌呈现的纹理差异也很明显。 　　稀疏表示问题源于Bruno A.Olshausen和David J.Field在《NATURE》上提出的自然图像的稀疏编码理论[1]。其理论表明自然图像的稀疏编码，类似于哺乳动物初级视觉的简单细胞的工作原理。近年来，稀疏表示在模式识别中也得到了很好的应用。例如稀疏表示分类算法[2]（SRC）方法，它直接将训练样本作为字典，通过判断测试样本的相应特征与训练字典中的各类系数重建结果的误差来完成识别。SRC方法在人脸识别领域获得了很好的应用。在SRC方法的基础上，国内外一些学者通过增加不同类别子字典的约束条件，使其更好地进行模式识别。文献[3]和文献[4]通过增加不同类子字典的不相关约束条件使每类的子字典尽可能相互独立。文献[5]提出的FDDL方法在字典学习中加入Fisher判别准则，来提高字典的判别能力。文献[6]提出的D?KSVD方法通过增加训练样本预标签，与监督学习相结合，使得字典学习具有类别判别能力。上述方法在人脸识别等模式识别应用上取得了很好的识别性能，但其研究重心都是基于图像块的灰度特征。在人脸识别中，图像块特征可以较好地表示人脸的全局信息，但其在纹理分割应用难以准确表示纹理的局部信息。 　　针对上述问题，本文提出一种基于Gabor特征的稀疏表示分割方法。该方法通过对训练样本增加预标签，将稀疏表示过程与有监督学习过程相结合，使得字典学习具有类别判别能力。同时考虑到Gabor特征较好地模拟了人类视觉系统的视觉感受，是一种强大的纹理特征提取方法，其很好地表示图像的纹理信息。所以将Gabor特征引入稀疏表示分类方法中，以提高算法的识别率和鲁棒性。本文对Brodatz纹理图像进行分割实验，将图像块像素的灰度级联为特征做对照实验。实验结果表明基于Gabor特征的稀疏表示分割方法进一步提高了分割效果。 　　1 相关工作与背景 　　1.1 稀疏表示 　　1996年Bruno A.Olshausen和David J.Field在《NATURE》上首次提出了自然图像的稀疏编码[2]，其很好地解释了哺乳动物初级视觉的简单细胞工作原理。稀疏表示是指，对于一个给定信号或图像Y，其在一组过完备基D上有一个稀疏的表示。它的形式如下： 　　[Y=Dα， D∈Rm×n， m?n] （1） 　　稀疏表示问题就是要求解向量x，使x的非零项尽可能少。问题定义如下： 　　[minα0 s.t. Dα=Y] （2） 　　该问题是0范数最优化问题。1997年Gorodnitsky和Rao证明了在[σ（D）≥2α0]条件下，式（2）有惟一解[7]，[σ（D）]为最小的线性相关的列向量所含的向量个数，但上述问题仍是个NP问题。2006年Candes和Tao证明了当满足条件RIP，0范数最优化问题与1范数问题的解一致： 　　[minα1 s.t. Dα=Y] （3） 　　而1范数优化问题是凸优化问题，故有惟一解。当引入重建误差[ε]，式（2）可以写成： 　　[minY-Dα22+λα1 s.t.αT] （4） 　　1.2 稀疏表示分类 　　稀疏表示分类方法是基于测