專利名稱：：基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及該技術(shù)在圖像分割中的應(yīng)用，具體地說(shuō)是一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法。該方法可用于解決無(wú)任何先驗(yàn)知識(shí)的紋理圖像分割問(wèn)題
背景技術(shù)：
紋理圖像分割是圖像處理中的一個(gè)基本問(wèn)題，它的主要任務(wù)是將圖像劃分成一組具有相對(duì)一致紋理特征的有限區(qū)域集。它需要解決的兩個(gè)核心問(wèn)題是紋理區(qū)域的一致性和相鄰區(qū)域邊緣的準(zhǔn)確性。根據(jù)紋理的基本特征，目前出現(xiàn)的紋理圖像分割方法主要有統(tǒng)計(jì)法、結(jié)構(gòu)法、模型法和空間/頻域聯(lián)合分析法等四類。統(tǒng)計(jì)法考慮的是紋理圖像中灰度的空間分布，該方法傾向于使用較大的特征提取窗口以提高分割結(jié)果的區(qū)域一致性，但卻無(wú)法保證對(duì)圖像邊緣的準(zhǔn)確定位；結(jié)構(gòu)法假設(shè)紋理圖像由精確定義的紋理基元組成，但現(xiàn)實(shí)中很多紋理都并不滿足這個(gè)條件，因此該方法現(xiàn)在已經(jīng)很少使用；模型法假設(shè)紋理圖像是以某種參數(shù)控制的分布模型方式形成的，從紋理圖像的實(shí)現(xiàn)來(lái)估計(jì)模型參數(shù)，以參數(shù)為特征或采用某種分類策略進(jìn)行圖像分割。該方法需要訓(xùn)練得到模型參數(shù)，且自然紋理很難用單一的模型表達(dá)，在某些應(yīng)用中具有局限性；空間/頻域方法主要包括基于Gabor變換和小波變換等多尺度分析的方法，它們與人類視覺(jué)過(guò)程相似，因此近年來(lái)常與模型法結(jié)合進(jìn)行紋理分析并能得到較好的效果，如小波域隱馬爾可夫樹(shù)模型等。但以上這些方法多數(shù)是有監(jiān)督的，即必須在已知類別數(shù)目等先驗(yàn)知識(shí)的條件下進(jìn)行分割。例如小波域隱馬爾可夫樹(shù)模型是基于窗口特征的似然比檢驗(yàn)的，其缺點(diǎn)和統(tǒng)計(jì)法相似，即窗口過(guò)大會(huì)淹沒(méi)小區(qū)域、不利于準(zhǔn)確定位分割邊緣，窗口過(guò)小又會(huì)影響結(jié)果的區(qū)域一致性，而且該方法不僅分類個(gè)數(shù)需要事先給定，還必須對(duì)每類紋理進(jìn)行訓(xùn)練以得到其模型參數(shù)，這些都限制了它們?cè)谧詣?dòng)圖像分割等方面的應(yīng)用。小波變換等多分辨率分析工具為我們開(kāi)辟了一條解決該問(wèn)題的新思路。它能夠在不同尺度上對(duì)圖像進(jìn)行表征和分析。為圖像紋理分析提供了一種集頻譜、結(jié)構(gòu)和統(tǒng)計(jì)方法于一體的綜合分析方法，具有良好的空間/頻率分解特性，而且能更好地與人類視覺(jué)系統(tǒng)相結(jié)合，隨著尺度由大到小變化，在各尺度上可以由粗及精的觀察圖像。大尺度時(shí)，觀察到圖像的基本特征，在小尺度的空間里，則可以觀察圖像的細(xì)節(jié)。法國(guó)的Mallat首先提出小波在紋理分析中的應(yīng)用，隨后人們又提出了許多基于小波變換的紋理分析方法。傳統(tǒng)的聚類算法如模糊C均值聚類FCM，是通過(guò)最大化類間距離和最小化類內(nèi)距離實(shí)現(xiàn)的，對(duì)凸數(shù)據(jù)更加有效,而圖像特征數(shù)據(jù)并不能總滿足該條件。均值漂移是美國(guó)的Fukunaga和Hostetler在1975年提出的一種目標(biāo)跟蹤和分類的方法，直到1999年美國(guó)的DorinComaniciu提出該方法可以成功的應(yīng)用于圖像處理領(lǐng)域，是一種無(wú)監(jiān)督、非參數(shù)的聚類算法，能夠自主決定圖像分割的類別數(shù)等問(wèn)題。美國(guó)的DorinComaniciu利用圖像灰度和位置信息進(jìn)行均值漂移可以得到較好的自然圖像分割結(jié)果，但是該方法很難直接用于紋理圖像分割。這是因?yàn)榧y理圖像灰度變化較快且不斷重復(fù)相似的紋理單元，如果僅僅使用圖像灰度值作為特征，均值漂移算法搜索概率密度時(shí)就會(huì)陷入紋理單元的局部極值點(diǎn)，產(chǎn)生過(guò)分割結(jié)果。這就必然要求使用一些更加有效的多維特征進(jìn)行分割。因此本發(fā)明使用了多維正交小波特征進(jìn)行均值漂移分割。實(shí)驗(yàn)證明，該方法用于無(wú)監(jiān)督圖像分割是有效的，并且優(yōu)于模糊c均值等無(wú)法處理非凸數(shù)據(jù)的傳統(tǒng)聚類算法。
發(fā)明內(nèi)容本發(fā)明的目的在于:為了克服己有技術(shù)的不足，解決常規(guī)方法中紋理圖像區(qū)域一致性和相鄰區(qū)域邊緣準(zhǔn)確性之間的矛盾，提出了本發(fā)明方法，以達(dá)到在無(wú)法獲得先驗(yàn)知識(shí)的情況下對(duì)圖像進(jìn)行有效分割的目的。本發(fā)明的技術(shù)方案是以正交小波變換為基礎(chǔ)，利用無(wú)監(jiān)督的均值漂移聚類實(shí)現(xiàn)小波變換系數(shù)特征在不同尺度上的分割，既不需要分割類別數(shù)等先驗(yàn)知識(shí)，又不需要進(jìn)行訓(xùn)練；通過(guò)不同尺度間特征的信息傳遞，自適應(yīng)的為圖像的不同區(qū)域選用合適的分割尺度，即紋理區(qū)域的內(nèi)部使用粗尺度特征，而不同紋理區(qū)域的交界部分使用較細(xì)尺度特征，這樣就能在保證區(qū)域一致性的同時(shí)更準(zhǔn)確的定位圖像邊緣，直至得到最終分割結(jié)果。本發(fā)明的技術(shù)方案具體實(shí)現(xiàn)過(guò)程如下(1)、對(duì)圖像進(jìn)行特征提取首先對(duì)圖像進(jìn)行四級(jí)正交小波變換，分別得到各級(jí)在不同尺度上的分組系數(shù)，每組系數(shù)包括低頻和高頻系數(shù)，然后對(duì)它們進(jìn)行特征提取，再對(duì)最粗尺度特征執(zhí)行步驟(2)，即把最粗尺度特征作為步驟(2)的輸入特征；(2)、對(duì)輸入特征使用均值漂移算法進(jìn)行無(wú)監(jiān)督分割，并判斷該輸入特征是否為圖像的最細(xì)尺度特征，若是則去除象素點(diǎn)個(gè)數(shù)少于區(qū)域大小閾值M的區(qū)域，輸出最終分割結(jié)果，否則將其余的無(wú)監(jiān)督分割結(jié)果輸入步驟(3);(3)、對(duì)不同尺度特征間的信息進(jìn)行傳遞對(duì)送來(lái)的無(wú)監(jiān)督分割結(jié)果進(jìn)行標(biāo)記，不同分割區(qū)域交界處的像素點(diǎn)標(biāo)記為0，分割區(qū)域內(nèi)部的像素點(diǎn)標(biāo)記為1，得到無(wú)監(jiān)督分割結(jié)果的標(biāo)記圖像，并把該標(biāo)記圖像擴(kuò)展為原來(lái)的二倍。根據(jù)該標(biāo)記圖像在較細(xì)尺度上形成的新特征，并將其送入步驟(2)，再進(jìn)行無(wú)監(jiān)督分割，直至完全得到最終分割結(jié)果。上述的一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法，所說(shuō)的對(duì)輸入特征使用均值漂移算法進(jìn)行無(wú)監(jiān)督分割，其方法如下令x,.和z,.分別表示輸入特征和濾波后圖像的象素，其中"l，...,n對(duì)每個(gè)象素進(jìn)行如下操作(1)、初始化循環(huán)，循環(huán)次數(shù)jVL，且漂移的位置為};,,1=;^(2)、用下式計(jì)算直至收斂到濾波后的位置y=^子ii2)5>(11112)(3)、令z,.=(《，《)，上標(biāo)s和r分別表示向量的空間域和特征域信息；(4)、把在特征域和空間域中與z,.距離分別小于空間域帶寬/^和特征域帶寬的點(diǎn)分為同一類；(5)、當(dāng)對(duì)最細(xì)尺度特征進(jìn)行分割時(shí)，設(shè)定區(qū)域大小閾值M-50，去除象素點(diǎn)個(gè)數(shù)少于M的類別。上述的一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法，所說(shuō)的不同尺度間特征的信息傳遞，其方法如下(1)、搜索分割結(jié)果中每個(gè)像素的鄰域，如果該像素與其鄰域被分為同一類，那么就認(rèn)為該像素屬于紋理區(qū)域的內(nèi)部并標(biāo)記為l，否則認(rèn)為該像素處于不同紋理區(qū)域的交界處，標(biāo)記為0，這樣就得到了分割結(jié)果的標(biāo)記圖像；(2)、為了使標(biāo)記圖像能夠和較細(xì)尺度的小波特征一一對(duì)應(yīng)，把標(biāo)記圖像的長(zhǎng)寬都擴(kuò)展為原來(lái)的二倍，擴(kuò)展前標(biāo)記圖像的每個(gè)元素都對(duì)應(yīng)擴(kuò)展后的四個(gè)元素，這樣就達(dá)到了較細(xì)尺度特征和標(biāo)記圖像像素對(duì)應(yīng)的效果；(3)、若較細(xì)尺度特征對(duì)應(yīng)標(biāo)記圖像中的1，則取該標(biāo)記為l的區(qū)域均值作為新特征，而對(duì)應(yīng)標(biāo)記為0的特征保持不變，這樣就產(chǎn)生了進(jìn)行下一尺度分割所需的新特征。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)1本發(fā)明對(duì)無(wú)先驗(yàn)知識(shí)的紋理圖像分割非常有效，不需要訓(xùn)練，也不需要分割類別數(shù)，在普通紋理圖像和真實(shí)紋理圖像分割問(wèn)題中都能得到理想的效果；2本發(fā)明應(yīng)用小波系數(shù)特征的不相關(guān)性，有效的降低了多維數(shù)據(jù)的均值漂移聚類的算法復(fù)雜度；3本發(fā)明應(yīng)用小波的多尺度分析特征，提出了一種類似于人類視覺(jué)系統(tǒng)的分割模型，能夠在不同觀測(cè)尺度上對(duì)圖像進(jìn)行無(wú)監(jiān)督分割。圖1是本發(fā)明實(shí)現(xiàn)步驟的流程2是合成紋理圖像及其對(duì)應(yīng)的多尺度自適應(yīng)特征分析窗口示意圖'圖3是特征窗口的四鄰域和八鄰域示意圖'圖4是本發(fā)明方法對(duì)兩類紋理合成圖由粗到細(xì)四個(gè)不同尺度下的分割結(jié)果5是本發(fā)明方法對(duì)三類紋理合成圖由粗到細(xì)四個(gè)不同尺度下的分割結(jié)果6是本發(fā)明方法對(duì)四類紋理合成圖由粗到細(xì)四個(gè)不同尺度下的分割結(jié)果7是本發(fā)明方法對(duì)五類紋理合成圖由粗到細(xì)四個(gè)不同尺度下的分割結(jié)果8是兩類合成紋理圖像分割對(duì)比實(shí)驗(yàn)結(jié)果圖圖9是三類合成紋理圖像分割對(duì)比實(shí)驗(yàn)結(jié)果圖圖IO是四類合成紋理圖像分割對(duì)比實(shí)驗(yàn)結(jié)果圖圖11是五類合成紋理圖像分割對(duì)比實(shí)驗(yàn)結(jié)果12是Berkeley圖像數(shù)據(jù)庫(kù)中真實(shí)紋理圖像由粗到細(xì)四個(gè)不同尺度下的分割結(jié)果圖具體實(shí)施方式參照?qǐng)Dl，它是本發(fā)明實(shí)現(xiàn)步驟的流程圖，首先對(duì)圖像進(jìn)行四級(jí)小波變換并提取各尺度特征，然后對(duì)最粗尺度特征中應(yīng)用均值漂移進(jìn)行分割并標(biāo)記；再把標(biāo)記圖像擴(kuò)展為原來(lái)的二倍，在較細(xì)尺度上把標(biāo)記為0區(qū)域的特征換成其對(duì)應(yīng)較細(xì)尺度的特征。而標(biāo)記為1的區(qū)域作為一個(gè)整體，使用該區(qū)域內(nèi)的特征均值做進(jìn)一步分割，直到得出最高分辨率下的分割結(jié)果。從圖1中可以看出本發(fā)明的具體實(shí)現(xiàn)過(guò)程如下1.對(duì)圖像進(jìn)行特征提取.對(duì)圖像進(jìn)行特征提取的基本思想是首先^t.圖像進(jìn)行四級(jí)正交小波變換得到三組不同尺度上的系數(shù)，對(duì)每個(gè)尺度上系數(shù)的低頻部分取滑動(dòng)窗口內(nèi)的系數(shù)均值作為特征，高頻系數(shù)取滑動(dòng)窗口內(nèi)系數(shù)的laws能量作為特征。小波變換是使用小波函數(shù)族及其相應(yīng)的尺度函數(shù)將原始信號(hào)分解成不同的頻帶，函數(shù)/00的連續(xù)小波變換為<formula>formulaseeoriginaldocumentpage8</formula>(1)其中^是母小波函數(shù)，a為伸縮因子，b為平移因子。對(duì)連續(xù)小波變換的尺度伸縮進(jìn)行二進(jìn)離散化，同時(shí)也對(duì)巻積進(jìn)行平移離散化，即fl=2)=2^，'7"EZ，這樣就可以得到對(duì)尺度-時(shí)間都離散化的小波變換。本發(fā)明采用金字塔結(jié)構(gòu)的小波變換，即遞歸分解圖像的低頻部分生成下一尺度的各頻帶輸出。由于小波變換的分層與特征空間的維數(shù)有關(guān)，故它可以利用正交鏡像低通和正交鏡像高通濾波器的濾波來(lái)實(shí)現(xiàn)。圖像數(shù)據(jù)需要進(jìn)行二維小波變換，就是首先將高通和低通濾波器同時(shí)作用于水平和垂直方向，然后對(duì)每個(gè)輸出進(jìn)行取樣，這樣就生成了四個(gè)頻帶的小波系數(shù)LL、HL、LH、HH，若反復(fù)對(duì)LL頻帶進(jìn)行遞歸二維小波分解就構(gòu)成了二維金字塔結(jié)構(gòu)小波分解。在紋理分割中，小波基的選取要從特征提取的角度出發(fā)，并著重考慮小波基的正交性，從而使得所提取的紋理特征之間不相關(guān)，提高特征的有效性和分割性能。本發(fā)明從小波的正交性、緊致性和低復(fù)雜性考慮，選用Daubechies4小波系數(shù)。對(duì)圖像的正交小波變換系數(shù)進(jìn)行特征提取，具體方法如下低頻系數(shù)的均值特征是在低頻系數(shù)內(nèi)取大小為(2ni+l)x(2ni+1)的滑動(dòng)窗口內(nèi)的特征求均值，即特征<formula>formulaseeoriginaldocumentpage8</formula>,其中g(shù)(yt,/)是窗口內(nèi)的特征。高頻系數(shù)的特征是首先在大小為(2ni+l)x(2ni+1)窗口內(nèi)取高頻系數(shù)的方差，即特征啦/卜7^^§§Ig(A:,/)-沖',川，其中g(shù)&，/)是窗口內(nèi)的特征，(2"1+1)*幺1!=么m(/,;')為窗口內(nèi)特征的平均值。由于紋理區(qū)域邊緣附近像素鄰域內(nèi)，屬于不同紋理的象素，會(huì)導(dǎo)致得到的紋理測(cè)度出現(xiàn)偏離"期望"的數(shù)值。因此，有必要對(duì)上述特征作進(jìn)一步的窗口平滑，該窗口大小為(2i^+l)x(2i^+l)，即可得到lawS能量特征為^，;')=7r^52難,Z)。(2"2+1)2.對(duì)特征進(jìn)行無(wú)監(jiān)督分割對(duì)特征進(jìn)行無(wú)監(jiān)督分割就是對(duì)每個(gè)尺度上的小波特征使用均值漂移算法進(jìn)行無(wú)監(jiān)督分割。均值漂移算法是一種基于非參數(shù)的核密度估計(jì)理論，是在概率空間中求解概率密度極值的優(yōu)化算法。它讓每個(gè)點(diǎn)都"漂移"到密度函數(shù)的局部極大值處，即均值漂移向量的方向是和數(shù)據(jù)的密度梯度估計(jì)方向一致。這種方法可以實(shí)現(xiàn)無(wú)監(jiān)督、非參數(shù)的聚類。使用核密度估計(jì)，即模式分類中的Parzen窗法進(jìn)行數(shù)據(jù)的概率密度估計(jì)時(shí)，假設(shè)特征維數(shù)為d，概率密度/(力的一組取樣點(diǎn)為義-{^...,;^}(=^，那么使用核函數(shù)K(x)和大小為h的窗口在x點(diǎn)得到的概率密度估計(jì)為#(子)(2)為了找到概率密度最大點(diǎn)，我們對(duì)上式求導(dǎo)并令其導(dǎo)數(shù)為0，艮P:2》(n子i卩)訂^)訓(xùn)"l，卩)][^^T-]ip、(3)=0其中，核函數(shù)g(x)--r(x)。從上式可以看出第一部分與在x處用核函數(shù)g進(jìn)行概率密度估計(jì)的結(jié)果成正比，第二部分就是均值漂移向量m^，艮口；5;》(11子1卩)上式說(shuō)明均值漂移向量指向的是概率密度的最大增量方向。因此，實(shí)際應(yīng)用中使用以下的迭代公式力+1=1x:^卜1,2，…(5)(1l弓l12)其中)V]是第j次迭代得到的特征，x是當(dāng)前數(shù)據(jù)點(diǎn)。若序列^.能夠收斂到y(tǒng)'，則該/點(diǎn)被稱為數(shù)據(jù)x對(duì)應(yīng)的"模式"。在圖像處理問(wèn)題中，除了提取的小波系數(shù)特征外，每個(gè)像素點(diǎn)的空間信息也是很重要的，因此有必要把圖像的空間信息加入特征向量組中，這時(shí)核函數(shù)為^")=^"《112)"《1卩)(6)其中，？是空間位置特征，V是本發(fā)明提取的特征，^和^分別是？和Z使用的帶寬，C是歸一化常數(shù)。使用均值漂移對(duì)一組特征進(jìn)行分割的過(guò)程為令A(yù)和A分別表示輸入特征和濾波后圖像的象素，其中"1，...,《對(duì)每個(gè)象素進(jìn)行如下操作(1)、初始化循環(huán)，循環(huán)次數(shù)jVL，且漂移的位置為3^-x,.(2)、用下式計(jì)算^+1直至收斂到濾波后的位置);=3^2Xu子II2)(3)、令4=((《)，上標(biāo)s和r分別表示向量的空間域和特征域信息;(4)、把在特征域和空間域中與z,.距離分別小于空間域帶寬&和特征域帶寬的點(diǎn)分為同一類；(5)、當(dāng)對(duì)最細(xì)尺度特征進(jìn)行分割時(shí)，設(shè)定區(qū)域大小閾值M-50，去除象素點(diǎn)個(gè)數(shù)少于M的類別。理論上，正交小波分解的三個(gè)子帶系數(shù)是相互獨(dú)立的，故對(duì)三個(gè)子帶系數(shù)進(jìn)行線性變換，得到的特征相互間也是不相關(guān)的。另一方面，均值漂移算法就是在多維特征空間中求解聯(lián)合概率密度的極值，對(duì)于如正交小波這種互不相關(guān)的特征，并不需要考慮其多維特征空間，而只需要分別估計(jì)各特征的概率密度，并相乘即可得到所需的聯(lián)合概率密度。若n個(gè)像素點(diǎn)的特征空間為Rd，特征為xf,i=l,...，nd-l,...，m，則式(2)變?yōu)?1"Y〗—Y1nXd—Xd/(x〗，...，xd)二AyK(iLJi)…，K(^i)ndhd1、h,^hnV2^h，…，hJ令上式求導(dǎo)為0，得到概率密度的導(dǎo)數(shù)m^Oc)5>.gd(ii^i^ii2,""ii^^ii2)附wW--^---x2:,d(llll2"."II^HI2)(8)(9)即在各個(gè)特征空間內(nèi)分別進(jìn)行均值漂移，用上一次迭代得到的特征組合進(jìn)行下一輪迭代，最終得到所需"模式"。多維均值漂移算法的時(shí)間復(fù)雜度，主要取決于在特征空間中尋找每個(gè)數(shù)據(jù)的近鄰點(diǎn)這一操作，因此n個(gè)d維數(shù)據(jù)均值漂移聚類算法復(fù)雜度達(dá)到0(d"2)。在本發(fā)明中，由于空間位置信息的加入，縮小了近鄰點(diǎn)尋找的范圍，算法復(fù)雜度被降低至0(^/0，其中^是空間帶寬。3.對(duì)不周尺度特征間的信息進(jìn)行傳遞不同尺度特征間的信息傳遞的基本思想是自適應(yīng)為圖像的不同區(qū)域選用合適的分割尺度，即紋理區(qū)域的內(nèi)部使用粗尺度特征，而不同紋理區(qū)域的交界處使用較細(xì)尺度的特征，這樣就能夠在保證區(qū)域一致性的同時(shí)更準(zhǔn)確的定位圖像邊緣，直至得到最終分割結(jié)果。本發(fā)明所采用的自適應(yīng)分析窗口如圖2所示，其中圖2(a)是合成紋理圖像，圖2(b)繪出了圖2(a)對(duì)應(yīng)的自適應(yīng)分析窗口，即A"，圖中的每個(gè)方格都表示大小不同的分析窗口。當(dāng)Aw較大時(shí)，接近紋理邊緣處的窗口會(huì)因?yàn)榘喾N紋理而導(dǎo)致誤分割；Aw較小時(shí)雖然能提高邊緣的分割準(zhǔn)確度，但圖像的區(qū)域一致性反而會(huì)變差。因此進(jìn)行自適應(yīng)特征分析是解決該問(wèn)題的有效途徑。自適應(yīng)特征分析的核心思想是如果Aw中含有圖像邊緣，則縮小該窗口直至其不再包含任何邊緣為止。該思想是通過(guò)搜索當(dāng)前窗口的初分割鄰域性質(zhì)實(shí)現(xiàn)的，即如果當(dāng)前窗口和其鄰域窗口在粗尺度特征空間中的分割結(jié)果都被分為同一類，那么就認(rèn)為該窗口內(nèi)不包含邊緣并標(biāo)記為1。否則，若當(dāng)前窗口和其鄰域窗口不屬于同一類則標(biāo)記為0。我們認(rèn)為標(biāo)記為0的區(qū)域是不同紋理間的交界區(qū)，應(yīng)使用下一級(jí)更細(xì)尺度的特征進(jìn)行分割，.而標(biāo)記為1的區(qū)域作為一個(gè)整體參與更細(xì)尺度的分割。也就是說(shuō)特征分析窗Aw的大小是由其上一級(jí)分割的區(qū)域一致性及其鄰域特性決定的。在本發(fā)明中，最小特征分析窗口取為l，即為一個(gè)特征點(diǎn)。參照?qǐng)D3，其中圖3(a)為圖像中心特征s的四鄰域，圖3(b)為圖像中心特征s的八鄰域，本發(fā)明使用八鄰域搜索。具體過(guò)程是搜索較粗尺度分割結(jié)果中每個(gè)像素的八鄰域，如果該像素與其鄰域被分為同一類，那么就認(rèn)為該像素屬于紋理區(qū)域的內(nèi)部并標(biāo)記為1，否則認(rèn)為該像素處于不同紋理區(qū)域的交界處，標(biāo)記為o，這樣就得到了分割結(jié)果的標(biāo)記圖像。由于金字塔結(jié)構(gòu)的小波變換得到的每層系數(shù)矩陣大小，都是該系數(shù)對(duì)應(yīng)的較細(xì)尺度系數(shù)的一半，即每個(gè)小波系數(shù)都對(duì)應(yīng)較細(xì)尺度的四個(gè)系數(shù)。因此把標(biāo)記結(jié)果進(jìn)行擴(kuò)展，使之和下一級(jí)較細(xì)尺度特征相對(duì)應(yīng)，把標(biāo)記為0的區(qū)域特征換成該特征對(duì)應(yīng)較細(xì)尺度的特征。而標(biāo)記為1的區(qū)域作為一個(gè)整體使用該區(qū)域內(nèi)的特征均值，這樣就形成了新的特征，可以做進(jìn)一步分割，直至得出最高分辨率下的最終分割結(jié)果。仿真實(shí)驗(yàn)如圖4~圖7，是在奔騰IV，2.4GHz，1G內(nèi)存的計(jì)算機(jī)上進(jìn)行的，編程環(huán)境為Matlab7.0。實(shí)驗(yàn)中選用8幅Brodatz紋理庫(kù)中的紋理合成的圖像，如圖4圖7中的各圖(a)所示，它們的大小都是256*256，分別是二類、三類、四類和五類紋理的合成圖像。進(jìn)行四級(jí)Daubechies4正交小波變換，對(duì)這四層小波分變換得到的高頻系數(shù)分別提取(ripi^)-"3，1)，(3，1)，(3，3)，(5，3)}的laws能量特征，低頻系數(shù)提取窗口w-{1,3,3,5}的系數(shù)均值特征，然后使用本發(fā)明方法進(jìn)行無(wú)監(jiān)督分割，其中每層均值漂移帶寬參數(shù)的選擇如表1中所示。本發(fā)明方法各尺度的分割結(jié)果如圖4~圖7中的圖(b)圖(e)所示，各尺度分割錯(cuò)誤率、類別數(shù)及運(yùn)行時(shí)間如表l所示。表l本發(fā)明方法在合成紋理圖像分割中的實(shí)驗(yàn)結(jié)果<table>tableseeoriginaldocumentpage13</column></row><table>從圖4~圖7中的圖(b)圖(e)和表1中可以看出，本發(fā)明方法對(duì)合成紋理圖像能最終得到正確的分割類別數(shù)和較為理想分割結(jié)果，并且對(duì)規(guī)則紋理和不規(guī)則紋理都有較好的分割效果。從圖4(b)、圖5(b)、圖6(b)和表l都可以看出該方法粗尺度的分割錯(cuò)誤率較高，均值漂移搜索得到的類別數(shù)也過(guò)多，而且還產(chǎn)生了鋸齒形的分割邊緣。但隨著尺度的降低，之前過(guò)分割的類別逐漸相互合并，分割邊緣的準(zhǔn)確度也在不斷提高，同時(shí)也保證了區(qū)域一致性不被破壞。圖4(e)、圖5(e)、圖6(e)都得到了理想的分割結(jié)果，并且得出了正確的分割類別數(shù)。參照?qǐng)D8圖11，它們是本發(fā)明方法和幾個(gè)相關(guān)方法分割結(jié)果的比較。其中各圖(a)是采用的不同的原始圖像，各圖(b)、圖(c)、圖(d)分別是直接使用均值漂移方法、FCM方法和本發(fā)明方法對(duì)之前對(duì)應(yīng)的原始圖像的分割結(jié)果。對(duì)比圖8~圖11中的圖(b)、圖(c)和圖(d)，可以看出直接使用均值漂移算法對(duì)紋理圖像的分割效果較差，只能得到過(guò)分割的結(jié)果，使用FCM方法的結(jié)果雖然優(yōu)于直接使用均值漂移方法的結(jié)果，但是在區(qū)域一致性和邊界準(zhǔn)確度方面仍然不及本發(fā)明方法。這是因?yàn)閳D像數(shù)據(jù)并不完全是凸數(shù)據(jù)集，但FCM算法只對(duì)凸數(shù)據(jù)有效，而本發(fā)明是一種基于數(shù)據(jù)密度的聚類算法，對(duì)凸數(shù)據(jù)集和非凸數(shù)據(jù)集同樣有效。另外，F(xiàn)CM算法雖然不需要訓(xùn)練，但是必須事先給定分割類別數(shù)，而本發(fā)明算法可以自主決定類別，并且在以上實(shí)驗(yàn)中都得到了正確的類別數(shù)，因此本發(fā)明方法優(yōu)于另外兩種紋理圖像分割算法。參照?qǐng)D12，它是Berkeley圖像數(shù)據(jù)庫(kù)中真實(shí)紋理圖像由粗到細(xì)四個(gè)不同尺度下的分割結(jié)果圖，是采用本發(fā)明方法對(duì)真實(shí)紋理圖像的分割實(shí)驗(yàn)。圖12中的圖(a)和圖(f)取自Berkeley圖像數(shù)據(jù)庫(kù)，為了能夠提取該圖像的正交小波特征，截取原圖的320*320部分進(jìn)行分割，對(duì)四級(jí)小波分解的低頻系數(shù)取特征提取窗口大小分別為l，3，3，5，對(duì)這四級(jí)高頻系數(shù)分別提取(rvn,)^(3，1)，(3，1)，(3，1)，(5，3)}的laws能量特征，各層均值漂移帶寬系數(shù)都為(、/0=(5,0.14)。圖12(a)的實(shí)驗(yàn)結(jié)果如圖(b)圖(e)所示，圖12(f)的實(shí)驗(yàn)結(jié)果如圖(g)圖CD所示。可以看出本發(fā)明方法不僅對(duì)合成紋理圖像有效，對(duì)真實(shí)紋理圖像也能得到較為理想的效果。實(shí)驗(yàn)表明，這種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法能夠得到較理想的分割結(jié)果，其區(qū)域一致性和邊緣準(zhǔn)確度都比較高。而且該方法不需要任何有關(guān)類別數(shù)的先驗(yàn)知識(shí)，也不需要訓(xùn)練，有很強(qiáng)的實(shí)用性，是一種非常有效的紋理分割方法。權(quán)利要求1.一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法，其具體實(shí)現(xiàn)過(guò)程如下(1)、對(duì)圖像進(jìn)行特征提取首先對(duì)圖像進(jìn)行四級(jí)正交小波變換，分別得到各級(jí)在不同尺度上的分組系數(shù)，每組系數(shù)包括低頻和高頻系數(shù)，然后對(duì)它們進(jìn)行特征提取，再對(duì)最粗尺度特征執(zhí)行步驟(2)，即把最粗尺度特征作為步驟(2)的輸入特征；(2)、對(duì)輸入特征使用均值漂移算法進(jìn)行無(wú)監(jiān)督分割，并判斷該輸入特征是否為圖像的最細(xì)尺度特征，若是則去除象素點(diǎn)個(gè)數(shù)少于區(qū)域大小閾值M的區(qū)域，輸出最終分割結(jié)果，否則將其余的無(wú)監(jiān)督分割結(jié)果輸入步驟(3)；(3)、對(duì)不同尺度特征間的信息進(jìn)行傳遞對(duì)送來(lái)的無(wú)監(jiān)督分割結(jié)果進(jìn)行標(biāo)記，不同分割區(qū)域交界處的像素點(diǎn)標(biāo)記為0，分割區(qū)域內(nèi)部的像素點(diǎn)標(biāo)記為1，得到無(wú)監(jiān)督分割結(jié)果的標(biāo)記圖像，并把該標(biāo)記圖像擴(kuò)展為原來(lái)的二倍；根據(jù)該標(biāo)記圖像在較細(xì)尺度上形成的新特征，并將其送入步驟(2)，再進(jìn)行無(wú)監(jiān)督分割，直至完全得到最終分割結(jié)果。2、根據(jù)權(quán)利要求1所述的一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法，所說(shuō)的對(duì)輸入特征使用均值漂移算法進(jìn)行無(wú)監(jiān)督分割，其方法如下令《和a分別表示輸入特征和濾波后圖像的象素，其中"對(duì)每個(gè)象素進(jìn)行如下操作-(1)、初始化循環(huán)，循環(huán)次數(shù)』'=1，且漂移的位置為)^-x,.;(2)、用下式計(jì)算直至收斂到濾波后的位置y=&2X"Tii2)(3)、令4上標(biāo)s和r分別表示向量的空間域和特征域信息；(4)、把在特征域和空間域中與z'距離分別小于特征域閾值&和空間域閾值/v的點(diǎn)分為同一類；(5)、當(dāng)對(duì)最細(xì)尺度特征進(jìn)行分割時(shí)，設(shè)定區(qū)域大小閾值M:50，去除象素點(diǎn)個(gè)數(shù)少于M的類別。3、根據(jù)權(quán)利要求1所述的一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法，所說(shuō)的對(duì)不同尺度特征間的信息進(jìn)行傳遞，其方法如下(1)、搜索分割結(jié)果中每個(gè)像素的鄰域，如果該像素與其鄰域被分為同一類，那么就認(rèn)為該像素屬于紋理區(qū)域的內(nèi)部并標(biāo)記為1，否則認(rèn)為該像素處于不同紋理區(qū)域的交界處，標(biāo)記為0，這樣就得到了分割結(jié)果的標(biāo)記圖像；(2)、為了使標(biāo)記圖像能夠和較細(xì)尺度的小波特征一一對(duì)應(yīng)，把標(biāo)記圖像的長(zhǎng)寬都擴(kuò)展為原來(lái)的二倍，擴(kuò)展前標(biāo)記圖像的每個(gè)元素都對(duì)應(yīng)擴(kuò)展后的四個(gè)元素，這樣就實(shí)現(xiàn)了較細(xì)尺度特征和標(biāo)記圖像像素對(duì)應(yīng)的效果；若較細(xì)尺度特征對(duì)應(yīng)標(biāo)記圖像中的1，則取該標(biāo)記為1的區(qū)域均值作為新特征，而對(duì)應(yīng)標(biāo)記為0的特征保持不變，這樣就產(chǎn)生了進(jìn)行下一尺度分割所需的新特征。全文摘要本發(fā)明公開(kāi)了一種基于小波和均值漂移的自適應(yīng)多尺度紋理圖像分割方法，它涉及圖像處理
技術(shù)領(lǐng)域：
。其目的在于解決常規(guī)方法中紋理圖像區(qū)域一致性和相鄰區(qū)域邊緣準(zhǔn)確性之間的矛盾，以達(dá)到在無(wú)法獲得先驗(yàn)知識(shí)的情況下對(duì)圖像進(jìn)行有效分割的效果。該方法的實(shí)現(xiàn)過(guò)程是以正交小波變換為基礎(chǔ)，利用無(wú)監(jiān)督的均值漂移聚類實(shí)現(xiàn)小波變換系數(shù)特征，在不同尺度上的分割；通過(guò)不同尺度間特征的信息傳遞，自適應(yīng)的為圖像的不同區(qū)域選用合適的分割尺度，即紋理區(qū)域的內(nèi)部使用粗尺度特征，而不同紋理區(qū)域的交界處使用較細(xì)尺度特征，這樣就能在保證區(qū)域一致性的同時(shí)更準(zhǔn)確的定位圖像邊緣，直至得到最終分割結(jié)果。本發(fā)明可用于解決無(wú)任何先驗(yàn)知識(shí)的紋理圖像分割問(wèn)題。文檔編號(hào)G06K9/46GK101251893SQ20081001783公開(kāi)日2008年8月27日申請(qǐng)日期2008年3月28日優(yōu)先權(quán)日2008年3月28日發(fā)明者彪侯,芳劉,玉夏,梁建華,焦李成,爽王,馬文萍申請(qǐng)人:西安電子科技大學(xué)