專利名稱：利用增量字典學(xué)習(xí)與稀疏表示進(jìn)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(duì)紋理圖像進(jìn) 行分割。
背景技術(shù)：
圖像分割是圖像處理和計(jì)算機(jī)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(shí)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(duì)應(yīng)的目標(biāo)可以對(duì)應(yīng)單個(gè)區(qū)域，也可以對(duì)應(yīng)多個(gè)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(diǎn)。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是用訓(xùn)練數(shù)據(jù)作為基，利用稀疏表示的誤差來 對(duì)圖像進(jìn)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(shí)候，該方法能取得比較好的分割效果。而K均值算法速度比較快，雖然可以取得較好的分割結(jié)果，但不足的地方是由于 初始點(diǎn)的選擇是隨機(jī)的，因此分割結(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(diǎn)，提出了一種利用增量字典學(xué)習(xí)與稀 疏表示進(jìn)行圖像分割的方法，以實(shí)現(xiàn)對(duì)每一幅圖像的稀疏表示，從而提高分割的效果和增 加分割結(jié)果的穩(wěn)定性。為實(shí)現(xiàn)上述目的，首先通過K均值算法得到待分割圖像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)練樣本集，訓(xùn)練得到K個(gè)字典，再利用字典對(duì)每個(gè)未知標(biāo)簽的特 征點(diǎn)做稀疏表示，得到K個(gè)稀疏表示誤差，利用稀疏表示誤差的大小進(jìn)行分類，在這個(gè)分類 結(jié)果的基礎(chǔ)上選擇進(jìn)行增量學(xué)習(xí)的訓(xùn)練樣本集，重新訓(xùn)練得到K個(gè)字典，再利用字典對(duì)每 個(gè)輸入信號(hào)做稀疏表示，得到K個(gè)稀疏表示誤差，利用誤差來進(jìn)行圖像的最終分割。具體步 驟包括(1)輸入一幅NXN的待分割圖像，對(duì)該待分割圖像依次進(jìn)行三層小波變換、提取 待分割圖像的小波特征以及計(jì)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(gè)點(diǎn)對(duì)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 XI，大小為22XN2維的特征矩陣M，所述的灰度共生特征包括在0°，45°，90°，135°四個(gè)方向上的角二階矩、同 質(zhì)區(qū)f2和對(duì)比度f3三個(gè)統(tǒng)計(jì)量，在4個(gè)方向上分別計(jì)算這些統(tǒng)計(jì)量，得到特征數(shù)據(jù)ν =
(f 1'‘亡2，…，f"l2)‘(2)利用特征矩陣M，用K均值算法對(duì)待分割圖像進(jìn)行聚類，將其分成K類，并從這K類點(diǎn)所對(duì)應(yīng)的特征向量中分別選取50%的特征向量作為對(duì)應(yīng)的K個(gè)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(hào)里面的值達(dá)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(gè) 稀疏系數(shù)矩陣X= 1，^..&]，&是第1類字典對(duì)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(gè)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(jì)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(duì)應(yīng)的點(diǎn)分到使稀疏表示誤差值最小的字典所對(duì) 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(diǎn)都分類完畢，根據(jù)像素點(diǎn)所屬的類別，對(duì)圖 像進(jìn)行分割，得到K類初始分割結(jié)果；(7)在K類初始分割結(jié)果中，根據(jù)已有標(biāo)簽，將分割結(jié)果中分類正確的點(diǎn)選出來， 在這些分類正確的點(diǎn)中，當(dāng)該點(diǎn)與其鄰域窗口內(nèi)的點(diǎn)類別一致時(shí)，選擇該點(diǎn)對(duì)應(yīng)的特征向 量作為該類的訓(xùn)練樣本，將每一類選取樣本總數(shù)的50%作為訓(xùn)練樣本，得到K類訓(xùn)練樣本
崔入 Y /V/ V/ .
朱 口 11，1 2· · · 1 K (8)重復(fù)步驟(3)到步驟(6)，得到圖像最終分割結(jié)果，并用不同的顏色將不同類 別的像素點(diǎn)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(diǎn)(1)本發(fā)明由于利用KSVD算法訓(xùn)練字典，使得該方法的分割結(jié)果更穩(wěn)定；(2)本發(fā)明由于采取了增量學(xué)習(xí)的方法，使得該方法的分割結(jié)果更準(zhǔn)確。


圖1是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是本發(fā)明與現(xiàn)有K均值算法、KNSC算法對(duì)兩類紋理圖像testl的分割結(jié)果對(duì) 比圖；圖3是本發(fā)明與現(xiàn)有K均值算法、KNSC算法對(duì)三類紋理圖像test2的分割結(jié)果對(duì) 比圖；圖4是本發(fā)明與現(xiàn)有K均值算法、KNSC算法對(duì)四類紋理圖像test3的分割結(jié)果對(duì) 比圖；圖5是本發(fā)明與現(xiàn)有K均值算法、KNSC算法對(duì)四類紋理圖像test4的分割結(jié)果對(duì) 比圖；圖6是本發(fā)明與現(xiàn)有K均值算法、KNSC算法對(duì)四類紋理圖像test5的分割結(jié)果對(duì) 比圖。
具體實(shí)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(duì)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(duì)待分割圖像進(jìn)行特征提取對(duì)待分割的圖像生成灰度共生矩陣pu(s，θ )，其中s是像素點(diǎn)Xi和\之間的距 離，θ的取值為4個(gè)離散的方向0°，45°，90°，135°，在每個(gè)方向上取三個(gè)統(tǒng)計(jì)量角二 階矩，同質(zhì)區(qū)，對(duì)比度，每個(gè)統(tǒng)計(jì)量按照以下公式進(jìn)行計(jì)算 角二階矩
權(quán)利要求
1.一種利用增量字典學(xué)習(xí)與稀疏表示進(jìn)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(duì)該待分割圖像依次進(jìn)行三層小波變換、提取待分 割圖像的小波特征以及計(jì)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(gè)點(diǎn)對(duì)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,所述的灰度共生特征包括在0°，45°，90°，135°四個(gè)方向上的角二階矩&、同質(zhì)區(qū) f2和對(duì)比度f3三個(gè)統(tǒng)計(jì)量，在4個(gè)方向上分別計(jì)算這些統(tǒng)計(jì)量，得到特征數(shù)據(jù)ν = (f1 ， f*2，…，f 12)‘(2)利用特征矩陣M，用K均值算法對(duì)待分割圖像進(jìn)行聚類，將其分成K類，并從這K 類點(diǎn)所對(duì)應(yīng)的特征向量中分別選取50%的特征向量作為對(duì)應(yīng)的K個(gè)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|USubjectto 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 I · I I表示讓括號(hào)里面的值達(dá)到最小，Subject to表示 約束條件，力+為任意第i列，&為稀疏系數(shù)矩陣的第i列，I I · I I。為向量的0范數(shù)，|·β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(gè)稀疏 系數(shù)矩陣X= 1，^..&]，&是第1類字典對(duì)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(gè)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) = HiiniMrDiXj , i = 1,2, L, K 分別計(jì)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(duì)應(yīng)的點(diǎn)分到使稀疏表示誤差值最小的字典所對(duì)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( 直到圖像中所有的點(diǎn)都分類完畢，根據(jù)像素點(diǎn)所屬的類別，對(duì)圖像進(jìn) 行分割，得到K類初始分割結(jié)果；(7)在K類初始分割結(jié)果中，根據(jù)已有標(biāo)簽，將分割結(jié)果中分類正確的點(diǎn)選出來，在這 些分類正確的點(diǎn)中，當(dāng)該點(diǎn)與其鄰域窗口內(nèi)的點(diǎn)類別一致時(shí)，選擇該點(diǎn)對(duì)應(yīng)的特征向量作 為該類的訓(xùn)練樣本，將每一類選取樣本總數(shù)的50%作為訓(xùn)練樣本，得到K類訓(xùn)練樣本集合y ‘ y ‘y ‘1 1 9 1 2· · · 1 K ‘(8)重復(fù)步驟(3)到步驟(6)，得到圖像最終分割結(jié)果，并用不同的顏色將不同類別的 像素點(diǎn)表示出來。
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(duì)待分割圖像依次進(jìn) 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(jìn)行2a)對(duì)待分割圖像中以待提取特征的像素點(diǎn)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(jìn)行一維濾波，再把每一尺度分解成四個(gè)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(xì)節(jié)，把第一層的LL子帶進(jìn)行分解，得到 第二層的四個(gè)子帶LL、HL、LH和HH，再對(duì)第二層的LL子帶進(jìn)行分解，得到第三層的四個(gè)子 帶LL、HL、LH和HH,三層共得到10個(gè)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)所述的角二階矩按如下 公式計(jì)算
4.根據(jù)權(quán)利要求書1所述的圖像分割方法，其中步驟(1)所述的同質(zhì)區(qū)f2，按如下公 式計(jì)算
5.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(duì)比度f3，按如下公 式計(jì)算
6.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(3)所述的利用KSVD算法解 式
全文摘要
本發(fā)明公開了一種利用增量字典學(xué)習(xí)與稀疏表示進(jìn)行圖像分割的方法，主要解決現(xiàn)有技術(shù)在類別間相似度增大時(shí)稀疏表示分割結(jié)果正確率降低較快的問題。其實(shí)現(xiàn)過程是首先通過K均值算法得到待分割圖像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)練樣本集，訓(xùn)練得到K個(gè)字典；再利用字典對(duì)每個(gè)未知標(biāo)簽的特征點(diǎn)做稀疏表示，得到K個(gè)稀疏表示誤差；利用稀疏表示誤差的大小進(jìn)行分類，在這個(gè)分類結(jié)果的基礎(chǔ)上選擇進(jìn)行增量學(xué)習(xí)的訓(xùn)練樣本集，重新訓(xùn)練得到K個(gè)字典；再利用字典對(duì)每個(gè)輸入信號(hào)做稀疏表示，得到K個(gè)稀疏表示誤差；利用誤差進(jìn)行圖像的最終分割。本發(fā)明與現(xiàn)有的技術(shù)相比顯著提高了圖像的分割性能，可用于目標(biāo)檢測(cè)與背景分離。
文檔編號(hào)G06T7/00GK102122353SQ20111005920
公開日2011年7月13日 申請(qǐng)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(qǐng)人:西安電子科技大學(xué)