專利名稱：非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法的制作方法
技術(shù)領域：
本發(fā)明涉及一種紋理圖像分割算法，尤其涉及一種局部區(qū)域特征的非下采樣Contourlet變換的圖像分割算法。
背景技術(shù)：
圖像分割在計算機視覺、物體識別等方面有著廣泛的應用，分割好壞對于其后的處理結(jié)果有著非常重要的影響。圖像的分割方法由于應用的不同方法也不同。近年來，隨著小波變換的流行，基于變換域的多尺度分割方法的應用越來越多。例如劉國英等人在文獻
I“基于小波域分層Markov模型的紋理分割”(武漢大學學報.信息科學版，2009，34(5))利用小波域分層Markov模型實現(xiàn)紋理圖像的分割。雖然小波變換能夠?qū)D像分解到不同的尺度和方向上，但二維小波的小波基支撐空間為正方形，只擁有水平、垂直、對角三個方向，方向數(shù)有限，導致方向選擇性差，而且不具有移不變、旋轉(zhuǎn)不變等特性，不能有效地捕捉輪廓信息，也不能夠很好地刻畫圖像的紋理特性，并且小波方法沒能考慮到圖像的空間位置信息。非下采樣Contourlet變換是近年發(fā)展起來的一種多尺度、多方向性的圖像表示方法，它在圖像融合、圖像去噪、物體識別等方面有著非常好的應用前景，多尺度的紋理分割效果也很好，王志國等人在文獻2 “基于非下采樣Contourlet和MRF的紋理圖像分割”(計算機應用與軟件，2009，26 (10))利用多尺度的基于非下采樣Contourlet提取紋理特征，并使用MRF最終實現(xiàn)紋理圖像的分割。但多尺度分割常常因為統(tǒng)計信息不充分而難以獲得準確的分割結(jié)果，尤其是局部統(tǒng)計信息不足，會導致最終分割結(jié)果難以形成大而一致的紋理區(qū)域。圖像局部標準差，也叫圖像局部標準差梯度，它反映了在一幅圖像當中局部區(qū)域?qū)Ρ榷鹊淖兓谴翱谥腥肯袼攸c的共同貢獻。圖像灰度起伏較大的區(qū)域，出現(xiàn)圖像邊緣的幾率會增大，標準差也會相應的變大，相反，圖像灰度變化平緩的區(qū)域，標準差小，出現(xiàn)圖像邊緣的幾率小。孫偉等人在文獻3 “基于標準差梯度的模糊邊緣檢測算法”(紅外與激光工程，2005，34 (4))利用標準差算子實現(xiàn)紅外圖像的目標邊緣檢測。這種思想對于采用標準差進行圖像分割有很大的啟發(fā)。同時考慮到信號的小波變換極大值描述(圖像多尺度邊緣描述)是信號的一種穩(wěn)定的精確描述，信號的小波變換極大值表不能夠以10-2級均方誤差近似地重構(gòu)原信號，從圖像的多尺度便于可以得到視覺質(zhì)量良好的原圖像的近似。尋找各個尺度下小波變換的局部極大等價于多尺度的canny邊緣檢測算子。局部極值可以很好的描述多尺度圖像的邊緣信息，而局部標準差可以反應圖像局部區(qū)域?qū)Ρ榷惹闆r，二者結(jié)合適合描述多尺度圖像特征。

發(fā)明內(nèi)容
本發(fā)明的 目的是提供一種非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法，該算法采用多尺度、多方向性的圖像表示方法非下采樣Contourlet變換對圖像進行變換，在各子帶空間提取局部區(qū)域特征后，使用聚類方法實現(xiàn)對特征向量的分類，并最終完成對紋理凸顯改的分割。算法同時兼顧了多尺度、多方向性的圖像空間位置信息，又兼顧了局部區(qū)域的統(tǒng)計信息，而且算法計算簡單，分割效果好。為了達到上述目的，本發(fā)明采用如下技術(shù)方案:非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法,包括以下步驟:(I)對待分割圖像進行非下采樣Contourlet變換，得到低頻子帶和各高頻子帶；對子帶進行非線性變換、平滑操作，提取各子帶鄰域內(nèi)的局部極大、局部極小和局部方差作為特征向量；(2)將提取的特征向量組成三維特征向量，對特征向量使用聚類方法實現(xiàn)紋理圖像的分割，并進行濾波去除小的噪點，得到最終的分割圖像，算法結(jié)束。算法所述(I)的各子帶鄰域內(nèi)的特征提取方法按如下公式提取:假設x(i, j)為圖像中某點的灰度值，則以i，j為中心的(2n+l) X (2n+l)的鄰域D的極值點定義為f (i, j) = max (ormin) {f (x, y) | (x, y) e D},局部標準差的定義為
權(quán)利要求
1.非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法,包括以下步驟: (1)對待分割圖像進行非下采樣Contourlet變換，得到低頻子帶和各高頻子帶；對各子帶進行非線性變換、平滑操作，提取各子帶鄰域內(nèi)的局部極大、局部極小和局部方差作為特征向量； (2)將提取的特征向量組成三維特征向量，對特征向量使用聚類方法聚類從而實現(xiàn)紋理圖像的分割，并進行濾波去除小的噪點，得到最終的分割圖像，算法結(jié)束。
2.如權(quán)利要求1所述的非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法，其特征在于，所述步驟(I)的各子帶鄰域內(nèi)的特征提取方法按如下公式提取:假設X (i, j)為圖像中某點的灰度值，則以i，j為中心的(2n+l) X (2n+l)的鄰域D的極值點定義為
3.如權(quán)利要求1所述的非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法,其特征在于，所述步驟(2)的提取的特征按照公式
全文摘要
非下采樣Contourlet變換局部區(qū)域特征的圖像分割算法包括以下步驟首先對圖像進行非下采樣Contourlet變換，然后利用局部極值和局部標準差對圖像邊緣的表示能力，在各個子帶提取局部標準差和局部極值作為特征向量，對特征向量使用FCM分類，從而實現(xiàn)對圖像的分割。本發(fā)明的方法能夠有效地對多類組合的紋理圖像進行分割，具有很高的分割效果，分割性能優(yōu)越，算法即考慮到多尺度性的分割，有考慮到圖像局部區(qū)域統(tǒng)計特征，是一種有發(fā)展前途的圖像分割技術(shù)。
文檔編號G06T7/00GK103247052SQ201310181100
公開日2013年8月14日 申請日期2013年5月16日 優(yōu)先權(quán)日2013年5月16日
發(fā)明者任洪娥, 王海豐 申請人:東北林業(yè)大學