專利名稱：利用稀疏表示與字典學(xué)習(xí)進行圖像分割的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種圖像的分割方法，可用于對紋理圖像進 行分割。
背景技術(shù)：
圖像分割是圖像處理和計算機視覺中基本而關(guān)鍵的技術(shù)之一，其目的是將目標(biāo)和 背景分離。圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過 程，為后續(xù)的分類、識別和檢索提供依據(jù)。這里特性可以是像素的灰度、顏色、紋理等，預(yù)先 對應(yīng)的目標(biāo)可以對應(yīng)單個區(qū)域，也可以對應(yīng)多個區(qū)域。圖像分割的應(yīng)用非常廣泛，幾乎出現(xiàn) 在有關(guān)圖像處理的所有領(lǐng)域，例如醫(yī)學(xué)影像分析，軍事研究領(lǐng)域，遙感氣象領(lǐng)域，交通圖像 分析等，圖像分割方法也成為人們研究的熱點。圖像分割的方法有很多種，例如稀疏表示分 類器，K均值算法等。Wright等人提出的稀疏表示分類器就是一種有監(jiān)督的分類器，有監(jiān)督是利用已知 數(shù)據(jù)的信息來預(yù)測未知數(shù)據(jù)并給出測試結(jié)果，該算法用訓(xùn)練數(shù)據(jù)作為基，利用稀疏表示的 誤差來對圖像進行分類。該方法的不足之處是正確率比較依賴于基的選擇，當(dāng)選擇了比較 好的樣本作為基的時候，該方法能取得比較好的分割效果，并且，稀疏表示分類器是有監(jiān)督 方法，它需要樣本標(biāo)簽，因此這個方法在得不到樣本標(biāo)簽的時候并不適用。而K均值算法不需要已知樣本，直接根據(jù)未知數(shù)據(jù)特征進行分割，但不足的地方 是由于初始點的選擇是隨機的，因此結(jié)果并不穩(wěn)定。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的缺點，提出了一種利用稀疏表示與字典學(xué) 習(xí)進行圖像分割的方法，以在不需要樣本標(biāo)簽的情況下，利用圖像特征的稀疏表示進行分 割，從而提高分割的效果和增加結(jié)果的穩(wěn)定性。為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是首先通過K均值算法得到原圖像的一個K 類的聚類結(jié)果，然后將每類結(jié)果中的一部分做為訓(xùn)練樣本，訓(xùn)練得到K個字典，再利用字典 對每個未知標(biāo)簽的特征點做稀疏表示，得到K個誤差，利用誤差的大小來進行分類。具體步 驟包括(1)輸入一幅NXN的待分割圖像，對該待分割圖像依次進行三層小波變換、提取 待分割圖像的小波特征以及計算灰度共生矩陣，并從灰度共生矩陣中提取灰度共生特征， 得到每個點對應(yīng)的10X1維的小波特征向量以及12X1維的灰度共生特征，組成特征向量 總維數(shù)為22X1，大小為22XN2維的特征矩陣M;(2)利用特征矩陣M，用K均值算法對待分割圖像進行聚類，將其分成K類，并從這 K類點所對應(yīng)的特征向量中分別選取50%的特征向量作為對應(yīng)的K個訓(xùn)練樣本集Y = Y1, Y2. . . YK, Yi是從第i類特征向量中選取的50%的特征向量，i = 1,2,L,K；(3)利用 KSVD 算法解式min||Y-DX|U Subjectto V/,||Q < T0，得到目標(biāo)訓(xùn)練字典D = [D1, D2. . . DJ，Di是第i類訓(xùn)練樣本集Yi訓(xùn)練得到的字典，i = 1，2，L，K式中，X為稀疏系數(shù)矩陣，mini | · | |表示讓括號里面的值達到最小，Subject to
表示約束條件，v/為任意第i列，&為稀疏系數(shù)矩陣的第i列，11 · I Io為向量的0范數(shù)，|·￡ 為矩陣的2范數(shù)的平方，T0為稀疏度控制系數(shù)；(4)利用 BP 算法解式min| Xi Subject to Mj = DiXi, i = 1，2，L，K，更新 K 個 稀疏系數(shù)矩陣X= 1，^..&]，&是第1類字典對應(yīng)的稀疏系數(shù)矩陣，1 = 1，2，L，K，式中，Mj為特征矩陣中M的第j個列向量，即為特征向量，j = 1，2，L，N2，N2為待 分割圖像的維數(shù)；(5)利用 identify (Mj) = HiinlMrDiXj, i = 1，2，L，K 分別計算特征向量 Mj 在 K 類字典下的稀疏表示誤差，將特征向量％對應(yīng)的點分到使稀疏表示誤差值最小的字典所對 應(yīng)的那一類中去，式中，Identify(Mj)為特征向量化所屬的類別；(6)重復(fù)步驟(5)直到圖像中所有的點都分類完畢，根據(jù)像素點所屬的類別，對圖 像進行分割，即用不同的顏色將不同類別的像素點表示出來。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(1)本發(fā)明由于利用KSVD算法得到較好的字典，使得圖像分割效果更穩(wěn)定；(2)本發(fā)明由于利用K均值對圖像進行初始聚類，使得該方法成為無需樣本標(biāo)簽 的分割方法，使得算法適用面更廣；(3)本發(fā)明由于在聚類的基礎(chǔ)上采取了稀疏表示分割的方法，使得該方法的分割 結(jié)果更為準(zhǔn)確。


圖1是本發(fā)明的總流程圖；圖2是本發(fā)明對于testl，test2兩幅合成紋理圖像分割結(jié)果與現(xiàn)有三種方法分割 結(jié)果對比圖；圖3是本發(fā)明對于test3，test4, test5三幅紋理圖像分割結(jié)果與現(xiàn)有三種方法分 割結(jié)果對比圖。具體實施方法參照附圖1，本發(fā)明的具體步驟包括步驟1.輸入大小為NXN的待分割圖像，提取待分割圖像的特征矩陣M本發(fā)明對待分割圖像提取的紋理特征包括灰度共生特征和小波特征la)使用灰度共生矩陣對待分割圖像進行特征提取對待分割的圖像生成灰度共生矩陣Pij(s，θ )，其中s是像素點Xi和\之間的距 離，θ的取值為4個離散的方向0°，45°，90°，135°，在每個方向上取三個統(tǒng)計量角二 階矩，同質(zhì)區(qū)，對比度，每個統(tǒng)計量按照以下公式進行計算角二階矩:/
權(quán)利要求
1.一種利用稀疏表示與字典學(xué)習(xí)進行圖像分割的方法，包含以下步驟(1)輸入一幅NXN的待分割圖像，對該待分割圖像依次進行三層小波變換、提取待分 割圖像的小波特征以及計算灰度共生矩陣，并從灰度共生矩陣中提取灰度共生特征，得到 每個點對應(yīng)的10X1維的小波特征向量以及12X1維的灰度共生特征，組成特征向量總維 數(shù)為22 X 1，大小為22 X N2維的特征矩陣M ；(2)利用特征矩陣M，用K均值算法對待分割圖像進行聚類，將其分成K類，并從這K 類點所對應(yīng)的特征向量中分別選取50%的特征向量作為對應(yīng)的K個訓(xùn)練樣本集Y = Y1, Y2. . . YK, Yi是從第i類特征向量中選取的50%的特征向量，i = 1,2,L,K；(3)利用KSVD算法解式
2.根據(jù)權(quán)利要求書1所述的圖像分割方法，其中步驟(1)所述的對待分割圖像依次進 行三層小波變換、提取待分割圖像的小波特征，按照如下步驟進行2a)對待分割圖像中以待提取特征的像素點為中心，在設(shè)定的特征窗口內(nèi)的圖像子塊 沿χ方向和y方向分別進行一維濾波，再把每一尺度分解成四個子帶LL、HL、LH和HH，分別 表征圖像的低頻信息及水平、垂直和斜方向上的細節(jié)，把第一層的LL子帶進行分解，得到 第二層的四個子帶LL、HL、LH和HH，再對第二層的LL子帶進行分解，得到第三層的四個子 帶LL、HL、LH和HH,三層共得到10個子帶；2b)按式
3.根據(jù)權(quán)利要求書1所述的圖像分割方法，其中步驟(1)所述的計算灰度共生矩陣，并 從灰度共生矩陣中提取灰度共生特征，按照如下步驟進行3a)對待分割的圖像生成灰度共生矩陣pu(s，θ )，其中s是像素點Xi和&之間的距 離，θ的取值為4個離散的方向0°，45°，90°，135° ；3b)在每個方向上取三個統(tǒng)計量角二階矩，同質(zhì)區(qū)，對比度，每個統(tǒng)計量按照以下公 式進行計算 角二階矩
4.根據(jù)權(quán)利要求書1所述的圖像分割方法方法，其中步驟(2)所述的利用特征矩陣M， 用K均值算法對待分割圖像進行聚類，按照如下步驟進行4a)從特征矩陣M的N2列中隨機選取K列作為K個初始聚類中心，記為C= [Ci;C2,L, CJ，每一個列向量Ci都是22X1維的，i = 1,2,L,K；4b)對特征矩陣M中的特征向量i = 1，2，L，N2,利用公式
全文摘要
本發(fā)明公開了一種利用稀疏表示與字典學(xué)習(xí)進行圖像分割的方法，主要解決現(xiàn)有技術(shù)在不需要樣本標(biāo)簽的情況下分割結(jié)果不穩(wěn)定的問題，其實現(xiàn)過程是(1)輸入待分割圖像并對待分割圖像提取灰度共生特征和小波特征；(2)利用所得特征對待分割圖像進行K均值聚類得到K類特征點；(3)利用KSVD方法得到K類特征點所對應(yīng)的K個字典；(4)利用BP算法在K個字典上對所有特征進行稀疏分解，得到稀疏系數(shù)矩陣；(5)對每一個特征點計算各類字典的稀疏表示誤差，并將該特征對應(yīng)的點劃分到字典誤差最小的類別中；(6)重復(fù)步驟(5)直到所有點都得到標(biāo)簽值，完成最后的分割。本發(fā)明與現(xiàn)有技術(shù)相比顯著的提高了圖像的穩(wěn)定性能以及分割性能，可用于目標(biāo)檢測與背景分離。
文檔編號G06K9/46GK102096819SQ20111005919
公開日2011年6月15日 申請日期2011年3月11日 優(yōu)先權(quán)日2011年3月11日
發(fā)明者侯彪, 劉芳, 朱君林, 楊淑媛, 焦李成, 王爽, 緱水平, 胡在林, 韓月 申請人:西安電子科技大學(xué)