基于指數(shù)矩像素分類的彩色圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于多媒體信息處理的圖像分割技術(shù)領(lǐng)域，尤其是一種利用指數(shù)矩分解求 矩值作為像素的特征，描述圖像能力強并且能很好刻畫像素特征的基于指數(shù)矩像素分類的 彩色圖像分割方法。
【背景技術(shù)】
[0002] 圖像分割是圖像處理和計算機視覺中的一個基礎(chǔ)而關(guān)鍵的熱點研究問題。在許多 圖像處理任務(wù)中，往往只有圖像中的某些部分才是研究人員感興趣的，為了達到對這些視 覺目標的識別和分析，需要通過圖像分割算法將它們從圖像中分離出來，并在分割出來的 目標上進一步實現(xiàn)圖像的其它處理。因此，圖像分割方法是將圖像分成若干個互不相交且 具有獨特性的區(qū)域并將人們感興趣的目標提取出來。但是由于圖像的復雜性，目前還沒有 一種標準的分割方法適合所有不同種類的圖像。為了確保圖像分割的準確性和高效性，大 量的算法及相應(yīng)的改進算法被提出。彩色圖像分割問題也可以看成圖像像素級特征的分類 問題，但目前提出的大部分特征刻畫圖像的像素能力不強，本文提出基于指數(shù)矩像素分類 的彩色圖像分割方法能夠很好的刻畫像素特征。彩色圖像分割問題也可以看成圖像像素級 特征的分類問題，但目前提出的大部分特征刻畫圖像的像素能力不強。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明是為了解決現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種利用指數(shù)矩分解求 矩值作為像素的特征，描述圖像能力強并且能很好刻畫像素特征的基于指數(shù)矩像素分類的 彩色圖像分割方法。
[0004] 本發(fā)明的技術(shù)解決方案是:一種基于指數(shù)矩像素分類的彩色圖像分割算法， 其特征在于包括： 步驟1:將彩色圖像的RGB三個分量分別進行指數(shù)矩分解，選取求出的矩值作為圖像的 像素級特征； 步驟2:利用Otsu閾值法選取訓練樣本，創(chuàng)建訓練集； 步驟3:使用訓練集進行TSVM模型訓練，以訓練后的TSVM模型預測剩余像素的類標簽， 合并訓練集和測試集的類標簽向量，得到最后的分割結(jié)果。
[0005] 所述步驟1如下： 步驟11:對于一幅彩色圖像先分解成RGB三個通道； 步驟12:對RGB中的每個通道構(gòu)造每個像素點·分的局部窗口 ，選取 以點飫/?為中心的3 X 3局部窗口 :??辦 步驟13:計算每個局部窗口的指數(shù)矩； 步驟14:通過指數(shù)矩對彩色圖像求出的矩值，選取四個矩 值點作為像素特征，窗口大小選取為3 X 3，階數(shù)為3。
[0006] 所述步驟13如下： 步驟131:假定/tr;為極坐標下的圖像，定義指數(shù)矩如下
其中湊.|為徑向基函數(shù)，k的取值范圍是所有整數(shù)；
步驟132:1是定義在單位圓內(nèi)極坐標下的積分運算，而數(shù)字圖像函數(shù)#(??是定 義在直角坐標下的，所以計算圖像,錢4||的指數(shù)矩首先要把直角坐標系下的函數(shù)/1_轉(zhuǎn) 換為極坐標系下的圖像函數(shù)#先將單位圓內(nèi)的極坐標轉(zhuǎn)化為直角坐標：
其中r的變化范圍為δ玄r玉1，鐵的變化范圍是1爸Sir，x和y的變化范圍是 <__1; 步驟133:再將坐標(X4)轉(zhuǎn)化為像素坐標1?:
其中，W為取整運算，取為不小于X的整數(shù)，根據(jù)上述公式4k/:i的圖像函數(shù)值#C4·: 就是a點的圖像函數(shù)值我r3_:
步驟134:離散的積分函數(shù):表達式為：
用離散的積分函數(shù):名&虞|將步驟131的公式化為求和形式：
[0007] :??痛）的傅里葉變換就是的指數(shù)矩，利用二維快速傅里葉變換的 方法計算得到的結(jié)果就是圖像的指數(shù)矩。
[0008] 所述步驟2如下： 步驟21:定義一個以(?.^為中心，大小為$><&(此處為3X3)的窗口 ，在位置 (Xj)，像素的平均灰度級為：
其中：[k/2]表示對k/2取整;若;的灰度級為的灰度級也為L，記像素 灰度值為i且鄰域平均灰度值為j的像素點個數(shù)為％，則相應(yīng)的概率密度為：
步驟22:設(shè)區(qū)域0和區(qū)域1的概率分別為和·冷，可以表示為：
步驟23:0tsu閾值法的目標和背景（即區(qū)域0和區(qū)域1)可以分別寫成如下形式：
步驟24:定義目標和背景的類間離散測度矩陣：
步驟25:采用矩陣％:的跡11???作為目標和背景的類間距離測度函數(shù)：
顯然測度函數(shù)大小只與錢_3，爲_,_，幾_;◎這3個量有關(guān)，二維Otsu算法的分割 閾值||_端)取在矩陣的跡為最大時。即測度函數(shù)取最大時，可求得最佳閾值：
[0009] 所述步驟3如下： 步驟31:利用最佳閾值分割結(jié)果選?。€目標像素和，個背景像素作為訓練樣本，所 有的訓練樣本一起構(gòu)成完整的訓練集，剩下的像素作為測試集； 步驟32:TSVM模型訓練，使用上步創(chuàng)建的訓練集訓練TSVM模型(分類器）； 步驟33:使用訓練后的TSVM模型預測測試集的類標簽，合并訓練集和測試集的類標簽 向量，作為最后的圖像分割結(jié)果。
[0010] 本發(fā)明像素級特征提取的過程中，在RGB通道上使用指數(shù)矩計算彩色圖像像素的 矩值來刻劃像素的特征，計算二維〇tsu快速閾值法做初分割，并用其進行訓練樣本的選取， 結(jié)合TSVM支持向量機理論，對樣本進行訓練，得出訓練模型，從而對像素進行分類，最終得 到分割結(jié)果。利用指數(shù)矩提取特征，能夠更好的描述圖像，而且核函數(shù)簡單，數(shù)值計算穩(wěn)定， 噪聲敏感性低，能夠很好的刻劃圖像像素的特征;而TSVM的分類器使用非平行平面，通過為 兩類數(shù)據(jù)分別構(gòu)造單獨的超平面，并盡可能使每個超平面距離本類樣本近，距它類樣本遠， 進而獲得更好的分類模型，且速度明顯比傳統(tǒng)分類器更快。
【具體實施方式】
[0011] 基于指數(shù)矩像素分類的彩色圖像分割算法，其特征在于包括： 步驟1:將彩色圖像的RGB三個分量分別進行指數(shù)矩分解，選取求出的矩值作為圖像的 像素級特征，具體如下： 步驟11:對于一幅彩色圖像先分解成RGB三個通道； 步驟12:對RGB中的每個通道構(gòu)造每個像素點gj的局部窗口 :???，選取 以點_:/》為中心的3X3局部窗口 ; 步驟13:計算每個局部窗口的指數(shù)矩： 步驟131:假定/為極坐標下的圖像，定義指數(shù)矩如下
其中|為徑向基函數(shù)，k的取值范圍是所有整數(shù)；
步驟132: 是定義在