一种基于局部区域能量的图像分割算法.docxVIP

一种基于局部区域能量的图像分割算法 图像分割是图像处理的基本问题之一，正确、快速的分割对更高的图像分析和理解具有重要意义。近年来，基于马尔科夫机场模型的数据处理技术发展迅速，但基于马尔科夫机场模型的共同特征无法充分反映自然图像丰富的统计特征。如果采用标准的无环信息传输方式（lbp）模型，计算量大，难以满足实际需要。最近，一些图像区域通常用于建模图像的局部结构，而图像的图像区域通常用于建模图像的局部结构，而图像的图像元素的关系通常用于建模。基于该区域相邻图的mrf模型提取结构信息，可以在一定程度上降低传统简单mrf分割策略的运算量，chen等人提出了基于pairwie磁共振成像模型的hooks模型（高度列表的非ighbohoms）模型，并在mrf中建立了一个低于区域的区域模型。王等人提出使用smpr模型（增强贫变模型）建立区域图像区域之间的关系。ja等人还提出了相似的模型。使用meanq算法提前分割图像，然后根据预先分配结果建立区域相邻模型，并使用lbp算法进行重复，以获得最终分割结果。 但是,这些基于LBP的分割算法,仍然存在收敛慢的问题,并且文献的分割算法易受预分割结果的影响.怎样选择预分割算法的参数仍是一个重要问题,同时基于这种区域模型的分割在区域之间容易产生假的边缘,因此本文在研究Pairwise MRF模型的基础上,提出了一种新的基于局部区域能量最小化的LBP算法,建立了局部交互的区域马尔可夫随机场分割模型,并且针对区域消息的传递,提出了一个有效的加速策略.实验结果表明,本文算法取得了较好的分割结果,并且有效抑制了图像噪声信号和纹理信号对分割结果的干扰. 1 图像分割能量模型 1.1 图像局部划分 本文使用马尔可夫随机场对图像进行建模. 如图1所示,令X={x1,x2,…,xN}表示一个待分割的观察图像,其中xi表示观察图像的第i个像素,N表示观察图像的像素总数,Y={y1,y2,…,yN}表示分割图像的类标号场,其中yi表示观察图像的第i个像素所对应的标号,且yi∈{1,2,…,L},L表示观察图像的分类总数. 对于观察图像X,在每一个像素上xi上定义一个大小为w×w的局部区域ri,则观察图像X被划分成了W×H个相互重叠的子图,W为图像的宽度,H为图像的高度. 对于划分的子图,假定子图内的像素是一个关于标号场Y的高斯条件分布,且任意观察图像像素之间的条件分布是独立的,即 pri(X|Y,θ)=∏i∈rip(xi|yi,θ)=exp[∑i∈rigi(xi,yi,θ)](1)pri(X|Y,θ)=∏i∈rip(xi|yi,θ)=exp[∑i∈rigi(xi,yi,θ)](1) 式中:gi(xi,yi,θ)=-log((2π)1/2σk)-12σ2k(yi-μk)2gi(xi,yi,θ)=?log((2π)1/2σk)?12σ2k(yi?μk)2;θ=(μ1σ21,μ2σ22,…,μLσ2L),μl、σ2l分别为第l类的高斯均值和方差. 标号场假定Y是一个马尔可夫随机场,根据Hammersley-Clifford定理,Y的先验概率分布可以用一个Gibbs分布来描述,即 Ρ(Y|β)=1Ζexp(β∑(ij)f(yi,yj))(2) 式中:β是一个超参数,控制着图像区域的同态性;Z为归一化常数;f(yi,yj)采用Potts类型先验,表示2个相邻像素倾向于取相同的标号值,即 f(yi,yj)={-1?yi=yj1?yi≠yj(3) 1.2 基于局部的mrf模型 图像分割问题常被看作一个标号分配问题,即给任意一个图像像素xi∈X分配一个标号yi∈L. 在MRF框架下,这个标号的分配问题常归结为一个MRF全局能量的最小化问题. 近年来,分块技术常用来建模图像的局部结构.Wang、Jia等人建立了基于区域邻接图的MRF模型,取得了较好的分割结果,但这种非重叠的区域模型常在图像局部区域之间产生假的边缘.本文基于Pairwise MRF模型,提出了一种局部交互的区域MRF能量模型. 基于1.1节中提出的局部区域MRF模型,以像素xi为局部区域的中心点,一个局部区域ri的能量模型定义为 Eri(x)=∑i∈riEi(xi)+∑?ij∈riEij(xi,xj)(4) 式中:∑i∈riEi(xi)为局部区域ri的似然能量,表示给一个局部区域ri中的每一个像素xi分配一个标号的似然能量之和,即∑i∈riEi(xi)=∑i∈rig(xi,yi,θi);∑?ij∈riEij(xi,xj)为局部区域ri的平滑能量,表示给局部区域ri中所有的邻域像素对ij分配两个标号的代价之和,即∑?ij∈riEij(xi,xj)=∑ij∈riβf(yi,yj). 对于整个图像来说,联合图像中所有的局部区域能量函数,可以得到基于MRF的全局能量模型 EGlobal