一種基于貝葉斯概率與神經網絡的圖像分割方法技術

本發明專利技術公開一種基于貝葉斯概率與神經網絡的圖像分割方法，包括：為每個像素定義一個后驗概率能量函數，通過利用基于貝葉斯概率計算的形態學膨脹方法對每個像素的相鄰像素進行計算，然后對該像素的進行膨脹，使具有相似或者相同的后驗概率分布的像素作為對分割分類的神經網絡的輸入。通過將該像素及其自適應的相鄰像素輸入到一個多層的神經網絡中，提取判別性的特征判斷是否為待分割圖像的前景或背景，達到有效分割的效果。

【技術實現步驟摘要】
一種基于貝葉斯概率與神經網絡的圖像分割方法
本專利技術涉及計算機視覺領域，更具體地，涉及一種基于貝葉斯概率與神經網絡的圖像分割方法。
技術介紹
目前，攝像設備已經普及到了各種應用場合，隨之產生了海量的圖像數據。與之同時，計算機視覺，圖像處理技術廣泛地應用到多個領域。圖像分割方法作為一種提取感興趣的圖像區域信息的方法也被應用到各種場景中，對這種技術的需求量廣泛。圖像分割技術就是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程，并且已經成為從圖像處理到圖像分析的關鍵步驟。經過了多年的技術發展與更新，圖像分割逐步形成了自己的科學體系，已然成為了一個跨學科的領域，并且引起了各個領域的研究和應用人士的廣泛關注，如醫學領域，航空航天遙感領域，工業檢測，安防與軍事領域等。圖像分割算法有基于邊緣檢測的圖像分割方法，根據圖像中相鄰區域邊界部分灰度值的不連續性來包括各種梯度算子、二階導數算子、canny算子等。基于區域相似性的圖像分割方法，此方法基于圖像中屬于同一目標的像素存在某種圖像特征上的一致性這樣一個假設。基于圖像閾值分割方法包括基于直方圖形狀的閾值分割，基于聚類的閾值分割，基于熵的閾值分割，基于屬性相似性的閾值分割，基于空間信息的方法，基于局部信息的動態閾值分割。然而，在這些分割算法中還存在一些尚未完全解決的問題，這些問題影響了基于圖像分割方法在實際應用中發揮其固有的優勢。其一，在硬劃分分割算法中，高精度與低計算復雜度往往是一對矛盾。其二，制約圖像分割中應用的一個主要因素是算法對圖像中噪聲干擾的抑制能力。收到上面兩點的約束，上述方法大多不能在圖像分割上取得很好的效果，需要對這些方法優化。
技術實現思路
為了克服上述現有技術的不足，本專利技術提供了一種基于貝葉斯概率與神經網絡的圖像分割方法。本方法引入了待分割像素的空間信息將對噪聲的干擾具有更強的抑制能力，達到更好的圖像分割效果。為了達到上述目的，本專利技術采用的技術方案是：一種基于貝葉斯概率與神經網絡的圖像分割方法，包括如下步驟：(1)對于圖像每一個像素，計算該像素的后驗概率能量函數，得到該像素的能量值；(2)以該像素為中心，向該像素的鄰域擴展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關系，選擇后驗概率大的M個像素；(3)設定高斯分布函數作為被選擇的M個像素的條件概率密度函數，然后使用K-means聚類算法對M個像素進行聚類，包括中心點的初始化和聚類收斂。(4)根據聚類結果，選擇類別大的一類的聚類中心點為中心，計算N個到該中心最近的點作為神經網絡的輸入數據。(5)將最終被選取的N個像素輸入到神經網絡中，提取判別性特征判斷該像素屬于前景還是背景。優選的，步驟(1)中，對于每一個像素，計算該像素的后驗概率能量函數，得到該像素的能量值。利用形態學膨脹的思想將同一區域中鄰域像素間的空間關系引入到像素的先驗概率分布中。能量函數的計算公式為其中P為高斯函數，將圖像中的像素分為K個類別，需要K個高斯函數作為混合條件概率密度函數，P(Ωj|xi)表示后驗概率，xi表示待分類的像素。優選的，步驟(2)中，以待計算的像素為中心，向該像素的鄰域擴展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關系，選擇后驗概率大的M個像素。優選的，步驟(3)中，設定高斯分布函數作為被選擇的M個像素的條件概率密度函數，然后使用K-means聚類算法對這M個像素進行聚類，包括中心點的初始化和聚類收斂。在本方法中，選擇K-means++作為中心點的初始化方法，并且選擇MacQueen的k-means方法作為聚類收斂的方法。優選的，步驟(4)中，根據聚類結果，剔除相關性不大的被選中的像素，具體做法是選擇類別大的一類的聚類中心點為中心，計算N個到該中心最近的點作為神經網絡的輸入數據。這就意味著被選中的N個像素具有大的相關性，能夠代表待分類的像素的計算結果。優選的，步驟(5)中，將最終被選取的N個像素輸入到神經網絡中，提取判別性特征判斷該像素屬于前景還是背景。在本方法中，神經網絡為一個3層的網絡，第一層為90個神經元，第二層為70個神經元，第三層為50個神經元，最后接一個SVM分類器。本專利技術相對于現有技術具有如下的優點及效果：1、本專利技術提出了一種新的基于貝葉斯概率與神經網絡的圖像分割方法。2、本專利技術將基于形態學的膨脹思想的貝葉斯計算融入的圖像分割方法中。3、本專利技術通過神經網絡提取判別性特征對圖像分割。附圖說明圖1為本專利技術的總體流程圖。圖2為神經網絡結構圖。具體實施方式為了使本專利技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本專利技術進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本專利技術，并不用于限定本專利技術。此外，下面所描述的本專利技術各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。附圖給出了本專利技術的操作過程，如圖1所示，一種基于貝葉斯概率與神經網絡的圖像分割方法，包括以下步驟：(1)對于每一個像素，計算該像素的后驗概率能量函數，得到該像素的能量值。(2)以該像素為中心，向該像素的鄰域擴展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關系，選擇后驗概率大的M個像素。(3)設定高斯分布函數作為被選擇的M個像素的條件概率密度函數，然后使用K-means聚類算法對M個像素進行聚類，包括中心點的初始化和聚類收斂。(4)根據聚類結果，選擇類別大的一類的聚類中心點為中心，計算N個到該中心最近的點作為神經網絡的輸入數據。(5)將最終被選取的N個像素輸入到神經網絡中，提取判別性特征判斷該像素屬于前景還是背景。步驟(1)中的具體過程如下：利用形態學膨脹的思想將同一區域中鄰域像素間的空間關系引入到像素的先驗概率分布中。能量函數的計算公式為其中P為高斯函數，將圖像中的像素分為K個類別，需要K個高斯函數作為混合條件概率密度函數，P(Ωj|xi)表示后驗概率，xi表示待分類的像素。步驟(2)中的具體過程如下：以待計算的像素為中心，向該像素的鄰域擴展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關系，選擇后驗概率大的M個像素。步驟(3)中的具體過程如下：設定高斯分布函數作為被選擇的M個像素的條件概率密度函數，然后使用K-means聚類算法對這M個像素進行聚類，包括中心點的初始化和聚類收斂。在本方法中，選擇K-means++作為中心點的初始化方法，并且選擇MacQueen的k-means方法作為聚類收斂的方法。步驟(4)中的具體過程如下：根據聚類結果，剔除相關性不大的被選中的像素，具體做法是選擇類別大的一類的聚類中心點為中心，計算N個到該中心最近的點作為神經網絡的輸入數據。這就意味著被選中的N個像素具有大的相關性，能夠代表待分類的像素的計算結果。步驟(5)中的具體過程如下：將最終被選取的N個像素輸入到神經網絡中，提取判別性特征判斷該像素屬于前景還是背景。在本方法中，神經網絡為一個3層的網絡，第一層為90個神經元，第二層為70個神經元，第三層為50個神經元，最后接一個SVM分類器。本文檔來自技高網...

【技術保護點】
一種基于貝葉斯概率與神經網絡的圖像分割方法，其特征在于，包括以下步驟：(1)對于圖像的每一個像素，計算該像素的后驗概率能量函數，得到該像素的能量值；(2)以該像素為中心，向該像素的鄰域擴展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關系，選擇后驗概率大的M個像素；(3)設定高斯分布函數作為被選擇的M個像素的條件概率密度函數，然后使用K?means聚類算法對M個像素進行聚類，包括中心點的初始化和聚類收斂；(4)根據聚類結果，選擇類別大的一類的聚類中心點為中心，計算N個到該中心最近的像素點作為神經網絡的輸入數據；(5)將最終被選取的N個像素點作為神經網絡的輸入數據，提取判別性特征，根據SVM分類器判斷該像素屬于前景還是背景，實現圖像分割。

【技術特征摘要】
1.一種基于貝葉斯概率與神經網絡的圖像分割方法，其特征在于，包括以下步驟：(1)對于圖像的每一個像素，計算該像素的后驗概率能量函數，得到該像素的能量值；(2)以該像素為中心，向該像素的鄰域擴展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關系，選擇后驗概率大的M個像素；(3)設定高斯分布函數作為被選擇的M個像素的條件概率密度函數，然后使用K-means聚類算法對M個像素進行聚類，包括中心點的初始化和聚類收斂；(4)根據聚類結果，選擇類別大的一類的聚類中心點為中心，計算N個到該中心最近的像素點作為神經網絡的輸入數據；(5)將最終被選取的N個像素點作為神經網絡的輸入數據，提取判別性特征，根據SVM分類器判斷該像素屬于前景還是背景，實現圖像分割。2.根據權利要求1所述的基于貝葉斯概率與神經網絡的圖像分割方法，其特征在于，所述步驟(1)中，對于每一個像素，計算該像素的后驗概率能量函數，得到該像素的能量值；其能量函數E的計算公式為：其中P為高斯函數，將圖像中的像素分為K個類別，需要K個高斯函數作為混合條件概率密度函數，P(Ωj|xi)表示后驗概率，xi表示待分類的像素。3.根據權利要求1所述的基于貝葉斯概率與神經網絡的圖像分割方法，其特征在于，所述步驟(...

【專利技術屬性】
技術研發人員：胡海峰，李昊曦，顧建權，謝斯岳，
申請(專利權)人：廣東順德中山大學卡內基梅隆大學國際聯合研究院，中山大學，
類型：發明
國別省市：廣東,44