基于参数初始化Contourlet HMT模型的图像分割

CHMT

基于参数初始化Contourlet HMT模型的图像分割1

焦李成，侯彪，徐婧

西安电子科技大学智能信息处理研究所和智能感知与图像理解教育部重点实验室，

西安(710071)

E-mail:

摘 要：基于Contourlet的多尺度和多方向性，本文提出了一种改进的Contourlet域HMT模型的图像分割方法(Improve Contourlet-domain hidden markov tree model, ICHMT)。我们采用一种参数初始化规则对训练图像进行HMT模型的参数初始化估计，并结合上下文模型JMCMS(a Joint Multicontext and Multiscale)对CHMTseg(Contourlet-domain hidden markov tree image segmentation)方法进行改进。为说明本方法的有效性，我们分别对纹理图像和SAR图像进行与CHMTseg方法的对比实验。实验结果表明我们的分割方法对粗分割的分割质量有较好的改良作用，并能在多尺度融合中更充分的利用多背景信息得到较好的分割效果。实验结果证明了方法的有效性。

关键词：图像分割；CHMT；参数初始化；JMCMS

中图分类号：TP751.1

1．引言

图像分割是将图像划分为若干有意义的区域。图像分割在图像处理、分析和理解中是十分重要的技术环节，图像分割的质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解。近年来，随着各学科许多新理论和方法的提出，人们也提出了许多结合一些特定理论、方法和工具的分割技术，例如隐马尔科夫树（HMT）模型。HMT模型是近年来发展起来并应用于图像处理的一种参数统计模型，该模型可以充分挖掘小波系数之间的统计特性，从而将小波系数分布的求解问题转化为HMT中对应的隐状态确定问题。2001年，Choi提出了小波域隐马尔科夫树模型的图像分割方法WD-HMTseg[1]。该方法中，隐马尔科夫树模型利用了小波的的多尺度特性，使系数之间的关系转变成隐状态的归属问题，然后对不同尺度的小波系数进行粗分割。在粗分割的基础上对在不同尺度的粗分割结果进行上下文分析，融合，并结合最大后验概率对图像进行分割，得到最终的分割结果。Choi在分割中结合了小波系数。小波对含点状奇异的目标函数是最优的基，在分析这类目标时小波系数是稀疏的，但对具有线状奇异的函数，小波系数则不再稀疏。在高维情况下，小波分析不能充分利用数据本身所特有的几何特征，不能够很好的挖掘图像中方向边缘信息，容易产生方块效应[2]。小波基较差的角度分辨率也决定了它不能充分捕捉图像中的高维奇异性信息，分割结果图像中容易产生方向边缘成分模糊和奇异性扩散现象。小波存在的这种问题，推动了多尺度几何分析（MGA）的发展。脊波对具有直线奇异的多变量函数具有很好的逼近性能，但对含曲线奇异的多变量函数逼近性能只相当于小波变换，不具有最优非线性逼近误差衰减阶。单尺度脊波解决了含曲线奇异的多变量函数的稀疏逼近问题，但基本尺度是固定的。Curvelet变换则在所有尺度上分解，遗憾的是Randon变换的存在决定了单尺度脊波和Curvelet的计算复杂度和冗余度都很高，这样大大限制了他们的应用。2002年，M.M.Do等人提出了一种“ 真正”的图像二维表示方法：Contourlet 变换[3]。它是利用塔形分解（LP）和方向滤波器组（DFP）实现的一种多分辨的、局域的、方向的图像表示方法，继承了Curvelet 变换的各向异性的多尺度关系，在某种意义上可以认为是Curvelet 变换的另一种快速有效1本课题得到高等学校博士学科点专项科研基金（20050701013）的资助。

CHMT

的数字实现。

Contourlet变换是一种不可分离的多尺度信号表征方法[3]，能有效的“跟踪”图像中的线奇异性特征，“捕捉”自然图像本身所固有的光滑边缘等几何结构。并且不仅具有多分辨性(multiresolution)和时频局部性(time-frequency locality)，而且有很好的各向异性(anisotropy)，从而可以更全面地表征图像本身的几何特征。这种模型与小波域HMT模型的主要区别在于前者不但可以描述尺度间(interscale)和子带内(intra-subband)系数之间的相关性，而且可以同时描述不同方向间系数的相关性，而后者只具有描述前两种相关性的能力[4]。基于Contourlet变换的优点，2004年，B.S. Raghavendra提出一种基于Cotourlet域CHMT模型的多尺度纹理分割方法[5]。该方法结合上下文关系的隐马尔可夫树模型及Contourlet变换，进行了对于纹理图像的亚像素级分割，并给出了不同尺度上的分割结果。该方法在不同尺度上对合成纹理图像的分割明显优于小波的同类方法视觉及参数评价效果。但是此方法只给出了粗分割的结果，并没有给出像素级的最终分割结果。对于这种情况，2005年，沙宇恒提出了基于Contourlet域HMT模型的图像分割方法CHMTseg[2]，并提出一种新的上下文模型进行基于上下文模型的图像融合，得到最终的分割结果。该方法为了更有效保持Contourlet 域不同尺度间的信息，提出一种新的加权邻域背景模型，给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法。该方法不论从纹理图，航拍图还是SAR图像的分割结果来看，都优于WD-HMT模型的图像分割结果。根据Contourlet变换的特点，图像的边缘信息保持较好，但是对于均一区域，图像分割的结果并未显示明显的优点。中立的参数初始化使得参数训练的效率及精度得到降低，产生误差。上下文也不能充分的利用不同尺度间系数之间的关系。

根据CHMTseg的不足，本文结合文献[6]提出的参数初始化规则和文献[7]提出的上下文模型JMCMS，提出一种改进的Contourlet域HMT模型的图像分割方法， ICHMTseg（Improve Contourlet-domain hidden markov tree model for image segmentation）。参数初始化规则是2001年，Guo Liangfan在文献[6]提出的。这种规则改变了以往HMT模型参数训练按中值选取初始参数值的方法，而使用结合多尺度变换系数层间和层内的关系进行初始值计算的方法。这种方法能大大提高训练参数的效率和质量。使后续工作能较完美的进行。JMCMS模型能充分利用上下文之间的关系进行粗尺度的融合，可以得到较好的分割效果。本文方法有效的解决了参数的训练效率，并保证了一定的精度。而且更能较好的利用不同尺度间系数的关系融合更多的上下文信息，对分割结果进行改善。实验结果表明本文方法较CHMTseg能更有效的进行图像分割。

2．CHMT模型训练参数的初始化规则

为了得到一个有效的参数初始设置，文献[5]提出了一个对EM算法的初始规则。这个初始化规则能有效的对参数模型进行训练。我们首先将Contourlet系数根据不同尺度划分为若干不同的组，每组系数为同一尺度下的Contourlet系数。根据每个组的局部统计特性决来判断作为局部起始点的组。两个相邻组之间的转移概率由他们对应的统计特性得到。因此，整个Contourlet系数组的CHMT训练由这些局部初始点和他们的初始概率关系开始。和文献[6]一样，我们只考虑两状态M=2且均值为零的情况。给定在尺度J上的一组Contourlet系数c，初始化由两部分：水平扫描和垂直计算完成。前一部分估计不同尺度上高斯混合模型的初始

,n设置，后一部分估计初始的转移概率εm

j,j+1。

CHMT

2.1 水平扫描

假设水平扫描中，Contourlet系数在相同层有相同的密度，因此系数可以依照它们的尺度被分组到不同的分类中，并且每组用两状态的高斯混合模型刻画。水平扫描的任务是找到合适的两状态高斯混合模型参数πj={pSj(m),μj,m=0,γ2

j,m|m=S,L} (m=S,L表示Contourlet系

数在HMT模型中 …… 此处隐藏：9530字，全部文档内容请下载后查看。喜欢就下载吧 ……