专利汇可以提供基于小波域多尺度Markov网模型的图像分割方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及 图像处理 技术领域,具体涉及一种基于小波域多尺度Markov网模型的 图像分割 方法,包括从待分割图像中截取Nc类具有均一区域的训练图像 块 ;对每类训练图像块进行训练,按照同尺度频带间小波系数的 位置 对应关系构造该尺度每一位置的 特征向量 ,使用最小二乘法估计对应尺度上的高斯 马 尔科夫模型参数;对待分割图像,进行J层 小波变换 ;根据给定多尺度特征网模型初始的尺度间参数α,自底向上计算每一尺度上的特征向量对于每一类型纹理的多尺度似然值自顶向下估计尺度间交互参数α,建立多尺度标记场网络模型,并进行图像分割。本发明能获取更精确的分割结果,可用于纹理影像和航拍图像的分割。,下面是基于小波域多尺度Markov网模型的图像分割方法专利的具体信息内容。
1.一种基于小波域多尺度Markov网模型的图像分割方法,其特征在于:包括如下步骤:
步骤1,从待分割图像中截取Nc类具有均一区域的训练图像块;
步骤2,对每类训练图像块进行训练,按照同尺度频带间小波系数的位置对应关系构造该尺度每一位置的特征向量,使用最小二乘法估计对应尺度上的高斯马尔科夫模型参数,记为Θc={Θ0,c,Θ1,c,…,ΘJ,c},其中J为给定小波变换的尺度数,c∈{1,2,…,Nc};
步骤3,对待分割图像,进行J层小波变换,计算待分割图像与训练块间的相似程度,根据Θc计算每一尺度每一位置的特征向量的似然值 来表征,其中j=0,1,…,J;
步骤4,给定多尺度特征网模型初始的尺度间参数αj;
步骤5,根据αj按照自底向上的过程,即j=0→J,计算每一尺度上的特征向量对于每一类型纹理的多尺度似然值
步骤6,按照自顶向下的过程,即j=J→0,估计尺度间交互参数α,并建立多尺度标记场网络模型,并进行图像分割。
2.根据权利要求1所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:还包括步骤7,重复执行一次步骤5和步骤6,尺度j=0上的最终分割结果即为本算法的最后结果。
3.根据权利要求1或2所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤2中,每一分辨率尺度的高斯马尔科夫模型参数 的具体
计算过程如下:
步骤2.1,尺度j第c类纹理的均值向量为:
j j
其中R 为第c类纹理训练图像块在尺度j上对应的样本块,N 为其包含的样本个数,s代表一个像素位置,ws为该位置上的特征向量;
步骤2.2,采用二阶半对称邻域,则尺度j上第c类纹理的邻域相关系数矩阵为:
其中,qs=col[ws+r-ws-r],r为位置s在同一尺度上的邻域位置的偏移量,如果用二维坐标表示,则r在集合ηs={(-1,-1),(-1,0),(-1,1),(0,-1)}中取值;
步骤2.3,尺度j上第c类纹理的残差协方差矩阵为:
4.根据权利要求1或2所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤4中,给定的多尺度特征网模型初始的尺度间参数为α=[α0,α1,…,αJ-1]=[1,1,…,1],其中αj表示特征网模型中尺度j与尺度(j-1)的对应位置间的交互参数,其取值表示初始情况下位置s的标记取其父节点的标记的概率。
5.根据权利要求1或2所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤5中,对于第c类纹理的多尺度似然的具体计算步骤如下:
步骤5.1,令j=0,根据第c类纹理的训练参数Θ0,c计算原始分辨率尺度上每一特征向量的似然值,即
其中, 为s位置的二阶半对称邻域位置上的特征向量集合;
步骤5.2,令j=j+1,判断j>J是否成立,如果成立则继续执行步骤6;否则,执行步骤5.3;
步骤5.3,根据多尺度特征网尺度间交互参数αj和如下公式计算多尺度似然,执行完毕后返回步骤5.2,
其中, 表示尺度j上s位置对应的小波系数向量树, 通过自底向
上的递归过程来计算,child(s)表示位置s的四个孩子节点的位置, 为尺
度间的标记转移概率,采用下式进行计算:
其中δk,c为单位采样函数,αj∈[0,1]也表示尺度j上的位置r与其在尺度(j+1)上的父节点位置s的标记交互参数,它取值越大则标记 与 具有相同标记的概率越大。
6.根据权利要求1或2所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤6中,进行图像分割的具体步骤如下:
步骤6.1,令j=J,根据下式计算尺度j上的分割结果,
其中, 为只考虑双点势团的Potts模型所描述的先验概率,
其中,ni(xi)是位置i的邻域集合ηs中标记不等于c的像素个数,β为双点势函数,该参数在试验中根据经验给定;
步骤6.2,令j=j-1,判断j<0是否成立,如果成立,则分割过程结束,尺度0上的分割结果即为所求;否则,通过计算尺度j上的多尺度标记向量场 迭代计算尺度j上的分割结果。
7.根据权利要求6所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤6.2中,所述通过计算尺度j上的多尺度标记向量场 迭代计算尺度j上的分割结果的步骤,进一步包括
步骤6.2.1,使用EM算法,计算尺度间交互参数αj和中间分割结果 ;
j
步骤6.2.2,将上述EM算法迭代结束时的分割结果x,作为尺度j上的中间分割结果 步骤6.2.3,根据 和所有更低分辨率尺度的分割结果xj+1,xj+2,…,xJ对应位置的标记向量组成多尺度标记向量场 即
2 a
其中,p(s)表示s的父节点位置,p(s)表示s的父节点的父节点的位置,p(s)表示s的第a代祖先节点的位置,a=1,2,…,J-j;
接着将Potts模型扩展到向量空间,即
(m) m
其中,D=J-j+1表示尺度j上变尺度标记向量的大小;weight =0.5 表为变尺度标记向量的第m个元素的权值,表明距离尺度j越近的高分辨率尺度上祖先节点的标记对势函数的取值影响越大;β为根据经验给定的模型参数;Lm按下式计算,
{·}(m)表示变尺度向量{·}的第m个元素,从而基于多尺度Potts模型的局部马尔可夫条件概率为,
步骤6.2.4,迭代执行下式,计算尺度j上的分割结果,在xj趋于稳定后迭代停止,即两j -7
次迭代中x 标记发生改变的像素所占的比例小于给定阈值10 ,获取尺度j上的最终分割结果:
8.根据权利要求7所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤6.2.1进一步包括:
步骤6.2.1.1,EM算法初始化:设置迭代次数t=0,并根据下式计算尺度j上的初始j
分割结果x(t)
其中 表示位置s上的当前分割结果;
步骤6.2.1.2,执行如下的EM迭代:
j
E-步骤:根据x(t),计算尺度间交互参数αj
M-步骤:使用新的尺度间交互参数αj(t+1),根据下式计算新的分割结果:
j
步骤6.2.1.3,令t=t+1,如果迭代次数已经达到设定的最大值或x 趋于稳定,即两j -7
次迭代中x 标记发生改变的像素所占的比例小于给定阈值10 ,则迭代停止,否则,继续执行步骤6.2.1.2。
9.根据权利要求7所述的基于小波域多尺度Markov网模型的图像分割方法,其特征在于:所述步骤3中 的具体计算采用:
其中, 为尺度j上第c类纹理的残差协方差矩阵,P为位置s上特征向量的长度, 为s位置的二阶半对称邻域位置上的特征向量集合, 为由下式计算的
位置s上的残差向量,一般将其假设为零均值的高斯噪声向量:
其中,p=1,2,…,P, 为第c类纹理的在尺度j上的均值向量;
为第c类纹理类型对应的高斯马尔科夫随机场模型GMRF中第p维特征与第i维特征的邻域交互系数向量。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于调Q小波变换和高阶累积量的J波检测及分类方法 | 2020-11-27 | 1 |
一种船舶轨迹预测方法 | 2020-12-25 | 2 |
基于非下采样小波变换的改进四阶偏微分图像去噪方法 | 2021-01-13 | 2 |
设备状态检测装置 | 2021-06-06 | 2 |
用于封锁开关的方法 | 2021-10-03 | 1 |
一种利用暂态能量的交流输电线路故障选相方法 | 2021-09-18 | 2 |
Image watermarking based on sequency and wavelet transforms | 2022-02-20 | 0 |
Brain wave data processor and recording medium | 2023-03-15 | 2 |
워터마킹을 사용한 디지털 영상 코딩 장치와 디코딩 장치 및 그 방법 | 2023-03-25 | 2 |
便携式无创血糖检测设备及方法 | 2020-08-15 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。