本發(fā)明涉及計算機(jī)視覺領(lǐng)域，更具體地，涉及一種基于貝葉斯概率與神經(jīng)網(wǎng)絡(luò)的圖像分割方法。

背景技術(shù)：

目前，攝像設(shè)備已經(jīng)普及到了各種應(yīng)用場合，隨之產(chǎn)生了海量的圖像數(shù)據(jù)。與之同時，計算機(jī)視覺，圖像處理技術(shù)廣泛地應(yīng)用到多個領(lǐng)域。圖像分割方法作為一種提取感興趣的圖像區(qū)域信息的方法也被應(yīng)用到各種場景中，對這種技術(shù)的需求量廣泛。圖像分割技術(shù)就是把圖像分成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程，并且已經(jīng)成為從圖像處理到圖像分析的關(guān)鍵步驟。經(jīng)過了多年的技術(shù)發(fā)展與更新，圖像分割逐步形成了自己的科學(xué)體系，已然成為了一個跨學(xué)科的領(lǐng)域，并且引起了各個領(lǐng)域的研究和應(yīng)用人士的廣泛關(guān)注，如醫(yī)學(xué)領(lǐng)域，航空航天遙感領(lǐng)域，工業(yè)檢測，安防與軍事領(lǐng)域等。

圖像分割算法有基于邊緣檢測的圖像分割方法，根據(jù)圖像中相鄰區(qū)域邊界部分灰度值的不連續(xù)性來包括各種梯度算子、二階導(dǎo)數(shù)算子、canny算子等?；趨^(qū)域相似性的圖像分割方法，此方法基于圖像中屬于同一目標(biāo)的像素存在某種圖像特征上的一致性這樣一個假設(shè)?；趫D像閾值分割方法包括基于直方圖形狀的閾值分割，基于聚類的閾值分割，基于熵的閾值分割，基于屬性相似性的閾值分割，基于空間信息的方法，基于局部信息的動態(tài)閾值分割。

然而，在這些分割算法中還存在一些尚未完全解決的問題，這些問題影響了基于圖像分割方法在實際應(yīng)用中發(fā)揮其固有的優(yōu)勢。其一，在硬劃分分割算法中，高精度與低計算復(fù)雜度往往是一對矛盾。其二，制約圖像分割中應(yīng)用的一個主要因素是算法對圖像中噪聲干擾的抑制能力。

收到上面兩點(diǎn)的約束，上述方法大多不能在圖像分割上取得很好的效果，需要對這些方法優(yōu)化。

技術(shù)實現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于貝葉斯概率與神經(jīng)網(wǎng)絡(luò)的圖像分割方法。本方法引入了待分割像素的空間信息將對噪聲的干擾具有更強(qiáng)的抑制能力，達(dá)到更好的圖像分割效果。

為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：

一種基于貝葉斯概率與神經(jīng)網(wǎng)絡(luò)的圖像分割方法，包括如下步驟：

(1)對于圖像每一個像素，計算該像素的后驗概率能量函數(shù)，得到該像素的能量值；

(2)以該像素為中心，向該像素的鄰域擴(kuò)展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關(guān)系，選擇后驗概率大的M個像素；

(3)設(shè)定高斯分布函數(shù)作為被選擇的M個像素的條件概率密度函數(shù)，然后使用K-means聚類算法對M個像素進(jìn)行聚類，包括中心點(diǎn)的初始化和聚類收斂。

(4)根據(jù)聚類結(jié)果，選擇類別大的一類的聚類中心點(diǎn)為中心，計算N個到該中心最近的點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

(5)將最終被選取的N個像素輸入到神經(jīng)網(wǎng)絡(luò)中，提取判別性特征判斷該像素屬于前景還是背景。

優(yōu)選的，步驟(1)中，對于每一個像素，計算該像素的后驗概率能量函數(shù)，得到該像素的能量值。利用形態(tài)學(xué)膨脹的思想將同一區(qū)域中鄰域像素間的空間關(guān)系引入到像素的先驗概率分布中。能量函數(shù)的計算公式為

其中P為高斯函數(shù)，將圖像中的像素分為K個類別，需要K個高斯函數(shù)作為混合條件概率密度函數(shù)，P(Ω_j|x_i)表示后驗概率，x_i表示待分類的像素。

優(yōu)選的，步驟(2)中，以待計算的像素為中心，向該像素的鄰域擴(kuò)展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關(guān)系，選擇后驗概率大的M個像素。

優(yōu)選的，步驟(3)中，設(shè)定高斯分布函數(shù)作為被選擇的M個像素的條件概率密度函數(shù)，然后使用K-means聚類算法對這M個像素進(jìn)行聚類，包括中心點(diǎn)的初始化和聚類收斂。在本方法中，選擇K-means++作為中心點(diǎn)的初始化方法，并且選擇MacQueen的k-means方法作為聚類收斂的方法。

優(yōu)選的，步驟(4)中，根據(jù)聚類結(jié)果，剔除相關(guān)性不大的被選中的像素，具體做法是選擇類別大的一類的聚類中心點(diǎn)為中心，計算N個到該中心最近的點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。這就意味著被選中的N個像素具有大的相關(guān)性，能夠代表待分類的像素的計算結(jié)果。

優(yōu)選的，步驟(5)中，將最終被選取的N個像素輸入到神經(jīng)網(wǎng)絡(luò)中，提取判別性特征判斷該像素屬于前景還是背景。在本方法中，神經(jīng)網(wǎng)絡(luò)為一個3層的網(wǎng)絡(luò)，第一層為90個神經(jīng)元，第二層為70個神經(jīng)元，第三層為50個神經(jīng)元，最后接一個SVM分類器。

本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：

1、本發(fā)明提出了一種新的基于貝葉斯概率與神經(jīng)網(wǎng)絡(luò)的圖像分割方法。

2、本發(fā)明將基于形態(tài)學(xué)的膨脹思想的貝葉斯計算融入的圖像分割方法中。

3、本發(fā)明通過神經(jīng)網(wǎng)絡(luò)提取判別性特征對圖像分割。

附圖說明

圖1為本發(fā)明的總體流程圖。

圖2為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

附圖給出了本發(fā)明的操作過程，

如圖1所示，一種基于貝葉斯概率與神經(jīng)網(wǎng)絡(luò)的圖像分割方法，包括以下步驟：

(1)對于每一個像素，計算該像素的后驗概率能量函數(shù)，得到該像素的能量值。

(2)以該像素為中心，向該像素的鄰域擴(kuò)展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關(guān)系，選擇后驗概率大的M個像素。

(3)設(shè)定高斯分布函數(shù)作為被選擇的M個像素的條件概率密度函數(shù)，然后使用K-means聚類算法對M個像素進(jìn)行聚類，包括中心點(diǎn)的初始化和聚類收斂。

(4)根據(jù)聚類結(jié)果，選擇類別大的一類的聚類中心點(diǎn)為中心，計算N個到該中心最近的點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

(5)將最終被選取的N個像素輸入到神經(jīng)網(wǎng)絡(luò)中，提取判別性特征判斷該像素屬于前景還是背景。

步驟(1)中的具體過程如下：利用形態(tài)學(xué)膨脹的思想將同一區(qū)域中鄰域像素間的空間關(guān)系引入到像素的先驗概率分布中。能量函數(shù)的計算公式為

其中P為高斯函數(shù)，將圖像中的像素分為K個類別，需要K個高斯函數(shù)作為混合條件概率密度函數(shù)，P(Ω_j|x_i)表示后驗概率，x_i表示待分類的像素。

步驟(2)中的具體過程如下：以待計算的像素為中心，向該像素的鄰域擴(kuò)展，利用貝葉斯概率計算其相鄰像素與該像素的相鄰關(guān)系，選擇后驗概率大的M個像素。

步驟(3)中的具體過程如下：設(shè)定高斯分布函數(shù)作為被選擇的M個像素的條件概率密度函數(shù)，然后使用K-means聚類算法對這M個像素進(jìn)行聚類，包括中心點(diǎn)的初始化和聚類收斂。在本方法中，選擇K-means++作為中心點(diǎn)的初始化方法，并且選擇MacQueen的k-means方法作為聚類收斂的方法。

步驟(4)中的具體過程如下：根據(jù)聚類結(jié)果，剔除相關(guān)性不大的被選中的像素，具體做法是選擇類別大的一類的聚類中心點(diǎn)為中心，計算N個到該中心最近的點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。這就意味著被選中的N個像素具有大的相關(guān)性，能夠代表待分類的像素的計算結(jié)果。

步驟(5)中的具體過程如下：將最終被選取的N個像素輸入到神經(jīng)網(wǎng)絡(luò)中，提取判別性特征判斷該像素屬于前景還是背景。在本方法中，神經(jīng)網(wǎng)絡(luò)為一個3層的網(wǎng)絡(luò)，第一層為90個神經(jīng)元，第二層為70個神經(jīng)元，第三層為50個神經(jīng)元，最后接一個SVM分類器。