專利名稱：基于高斯混合模型與支持向量機(jī)的彩色圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于多媒體信息處理的圖像分割技術(shù)領(lǐng)域，具體涉及一種結(jié)合高斯混合模型與支持向量機(jī)的彩色圖像分割方法。
背景技術(shù)：
目前圖像分割的方法有很多，早期的圖像研究主要將分割方法分為兩大類，一種是基于邊界的分割方法，另一種是基于區(qū)域的分割方法?；趨^(qū)域的分割方法依賴于圖像的空間局部特征，如灰度、紋理及其他像素統(tǒng)計特性的均勻性等。典型的基于區(qū)域分割方法有區(qū)域生長、區(qū)域分裂及區(qū)域生長和分裂相結(jié)合的方法等。由于這些方法依賴于圖像的灰度值，因此它們的主要優(yōu)點(diǎn)是對噪聲不敏感，但是這些方法常常造成圖像的過分割問題，而且，分割結(jié)果很大程度依賴于種子點(diǎn)的選擇，分割所得區(qū)域的形狀也依賴于所選擇的分割算法?；谶吔绲姆指罘椒ㄖ饕抢锰荻刃畔⒋_定目標(biāo)的邊界，包括局部微分算子，如Roberts算子、Sobel算子、Prewitt梯度算子和Laplacian 二階差分算子等。這些方法不依賴于已處理像素的結(jié)果，適于并行化，但缺點(diǎn)是對噪聲敏感，而且當(dāng)邊緣像素值變化不明顯時，容易產(chǎn)生假(false)邊界或不連續(xù)的邊界。當(dāng)前的圖像分割研究已經(jīng)進(jìn)入了一個新的階段，主要表現(xiàn)在統(tǒng)計工具的廣泛使用?；诮y(tǒng)計模型的圖像分割方法包括基于多尺度變換域統(tǒng)計模型的圖像分割方法和基于空域統(tǒng)計模型的圖像分割方法，前者是在原始圖像經(jīng)過某一變換后，根據(jù)變換域信息進(jìn)行建模，常見的有基于Wavelet、Contourlet等隱馬爾可夫樹模型(HMT)的分割方法；后者則是直接在原始圖像基礎(chǔ)上對感興趣的特征進(jìn)行建模，常見的有基于高斯混合模型(GMM)、基于空域馬爾可夫隨機(jī)場(MRF)模型的圖像分割方法。這類分割方法借助統(tǒng)計模型捕獲了圖像的特征，相比于傳統(tǒng)的分割方法，得到了更加準(zhǔn)確的分割結(jié)果。

發(fā)明內(nèi)容
本發(fā)明針對以上問題的提出，而研制的一種基于高斯混合模型與支持向量機(jī)的彩色圖像分割方法，具有如下步驟SI.提取圖像的顏色和紋理特征；S2.利用提取的顏色和紋理特征，構(gòu)建高斯混合模型，利用高斯模型對圖像進(jìn)行初始分割;S3.利用支持向量機(jī)，將S2中初始分割后的圖像，再進(jìn)行分割，完成對圖像的分割;所述步驟SI提取圖像的顏色和紋理特征具有如下步驟S101.顏色特征的提??；S102.紋理特征的提取利用Sobel算子表示梯度特征、對比度特征的提取和方向性的提??；高斯模型的建立具有如下步驟
S201.建立高斯混合模型設(shè)X = (Xi |i = 1,2, , N} (N是像素個數(shù))是d維隨機(jī)變量，此處d = 4，即
權(quán)利要求
1.ー種基于高斯混合模型與支持向量機(jī)的彩色圖像分割方法，其特征在于具有如下步驟·51.提取圖像的顔色和紋理特征；·52.利用提取的顔色和紋理特征，構(gòu)建高斯混合模型，利用高斯模型對圖像進(jìn)行初始分割;·53.利用支持向量機(jī)，將S2中初始分割后的圖像，再進(jìn)行分割，完成對圖像的分割；所述步驟SI提取圖像的顔色和紋理特征具有如下步驟·5101.顏色特征的提??；·5102.紋理特征的提取利用Sobel算子表示梯度特征、對比度特征的提取和方向性的 提取。
2.根據(jù)權(quán)利要求I所述的基于高斯混合模型與支持向量機(jī)的彩色圖像分割方法，其特 征還在于所述所述高斯模型的建立具有如下步驟s201.利用非參數(shù)的混合模型初始化參數(shù)
全文摘要
本發(fā)明公開了一種結(jié)合高斯混合模型(Gaussian Mixture Model，GMM)和支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行彩色圖像分割的方法。主要包括圖像特征的提取、高斯混合模型的建立以及利用支持向量機(jī)進(jìn)行分類。具體流程包括首先對圖像進(jìn)行顏色特征和紋理特征的提??；然后建立高斯混合模型，將提取的原始特征利用高斯混合模型得到新特征；其次由新特征得到初分割結(jié)果；最后根據(jù)初分割結(jié)果選取訓(xùn)練樣本，利用支持向量機(jī)進(jìn)行分類得到最終的分割結(jié)果。在進(jìn)行特征描述時，不再以原始特征為基礎(chǔ)，而是根據(jù)經(jīng)過高斯混合模型(GMM)得到的新特征來進(jìn)行初始分割，進(jìn)而利用支持向量機(jī)(SVM)得到最終分割結(jié)果。本發(fā)明充分利用了圖像的時空域信息，彌補(bǔ)了高斯混合模型(GMM)僅采用時域信息對復(fù)雜背景建模的不足，有效的提高了分割的準(zhǔn)確性。
文檔編號G06T7/00GK102637298SQ20111045921
公開日2012年8月15日 申請日期2011年12月31日 優(yōu)先權(quán)日2011年12月31日
發(fā)明者王向陽, 王欽琰 申請人:遼寧師范大學(xué)