專利名稱：基于廣義模糊隨機場的圖像優化分割方法
技術領域：
本發明涉及一種實用、高效無監督圖像優化分割方法，尤其涉及一種適合于醫學圖像、氣象衛星圖像、航空航片等感興趣區目標精確提取的一種基于廣義模糊隨機場的圖像優化分割方法。
背景技術：
分割技術是圖像分析與理解的基礎，因此，其在科學研究、生產活動等領域均有廣泛運用。如臨床神經外科手術前的病灶評估，氣象云圖中不同云彩類型的區域分類，航片中不同農作物的精確統計等都急需有一種快速、穩健的分割技術。然而，在目前眾多的分割技術中，由于在獲取中由于種種不同原因，或多或少均帶有噪聲，獲得的圖像是退化的，這給分割帶來諸多不便，使分割效果不甚理想，從而對分割方法的要求也更為苛刻，致使有些分割方法的適用性將產生一定變數，甚至失效。
當前，針對圖像的退化問題，從模型上講，大體包括如下兩個方面的研究先驗模型的研究與似然模型的研究。通常，似然模型的研究往往較前者困難，原因是要提供一種適合描述退化圖像模型是相當困難的，而且對這種模型所提供的多項式求解往往是費時的，甚至要去求解病態方程。相反，從計算量和復雜程度上講，設計一種合理的先驗模型卻經濟的多。它主要通過引入一些合理的自然規律或先驗知識理論，使得在求解過程中只要對圖像數據加于適當約束，就能如解決沒有退化圖像問題一樣簡單易行，且可根據具體問題具體分析、處理，表現出較強的適用性和靈活性等優點。對于分割問題，人們往往將待分割物體表面假設成光滑的情況作為模型的先驗知識。
對于先驗模型的建立，國際上在這方面的研究極為活躍，而在圖像分割領域，以馬爾科夫隨機場(Markov Random Fields，MRF)和吉伯斯(Gibbs)隨機場為主要代表的隨機場先驗模型最為引人注目，這類隨機場模型解決的正是為了使分割結果表面更為光滑、連續。以時下最流行且行之有效的吉伯斯隨機場為例，該模型在解決一般噪聲性退化圖像問題時，有較好分割表現，然而，由于傳統吉伯斯隨機場模型僅在確定類上有定義，而在模糊類上未曾涉及，屬“硬分類”，這使得對那些在不同類型附近(或交界區域)象素點的定義上，表現出刻畫不夠精細等不足。因為這些區域中象素點的歸屬問題較難確定，屬于模糊區域，從而導致對它們的標記問題得不到更合理解決，這在衛星云圖和航空航片上非常普遍，針對這種“硬分類”的先天不足，國際上許多著名的研究單位與實驗室，包括美國航天局(NASA)，偏向于采用模糊隨機場模型方法，即所謂的“軟分類”方法，這在二值分割問題上，雖已取得階段性進展，然而，由于這種“軟分類”方法需用迭代條件估算(Iterative Conditional Estimation，ICE)算法來估計模型的參數，計算量較大且不易擴展到多值問題，目前在多值模糊分割問題上仍處于研究和探討階段，對多值圖像的模糊分割，國際尚無相關報道。
發明內容
本發明的旨在提供一種基于廣義模糊隨機場的圖像優化分割方法，該方法可方便克服分割過程中因圖像退化所帶來的一系列分割困難。
本發明所提供的優化分割方法是依據統計意義上的貝葉斯(Bayesian)規則。假設X為待分割的原始圖像，Y為分割后的標記圖像，則圖像的分割問題就轉為求解概率意義上的條件概率問題，即求解后驗概率P(Y/X)，根據貝葉斯規則，后驗概率等價于先驗概率與似然概率的乘積。其中先驗概率描述的是分割結果中包含不同類型的成份，顯然這在分割結束前是無法得知的，只能期望其在分割結果中的某些屬性符合一定的客觀實際，因而在先驗模型的設計上就應體現這種約束，如在分割過程中經常將同一類型物體表面假設為平滑或連續等符合客觀實際的性質；而似然概率描述的是圖像數據間的某種相關關系，因此，其似然模型常以高斯分布，泊松分布等模型加于刻畫。概而言之，要得到一種合理的分割，實際是求解概率意義上的先驗概率與似然概率乘積的一個最大化過程，即通過設計先驗模型和似然模型，并通過尋優方式得到后驗概率最大化(Maximum aposteriori，MAP)過程，因此，相應的分割也稱最大后驗分割。
基于上述分析討論，將本發明的優化分割方法包括如下步驟1、讀入退化的、待分割的灰度圖像，將圖像的灰度信息讀出并存儲于某一數組A中，并將所有象素點的灰度值變換到0～255的范圍內2、將讀出的灰度信息按正弦變換或線性變換，變換到廣義模糊隸屬度[-1，1]間，得到關于圖像的廣義模糊集，用另一數組B表示；3、通過在傳統吉伯斯隨機場模型基礎上，加上一個表示廣義模糊特性的廣義模糊勢能項，建立圖像的廣義模糊隨機場模型，具體過程為在步驟2所得的廣義模糊集中，通過對集團中的不同閥勢能進行累加得到廣義模糊勢能項，將傳統隨機場模型中的勢能項更改為確定類的勢能項與廣義模糊勢能項的總和。該模糊勢能項通過在廣義模糊集團的閥勢能上給予模糊定義，使得所建立的廣義模糊隨機場模型在描述象素間相關約束方面，更為細膩、精確有效；4、建立圖像的似然模型并取得相應的模型參數，即得到關于步驟2所述的廣義模糊集中象素點的密度函數；該密度函數用于描述圖像數據間的相關關系；獲得描述這種密度函數的相關參數，如高斯分布中的均值和方差等，通過對圖像求直方圖或執行K均值或模糊C均值聚類方法得到；5、根據貝葉斯規則、步驟3和步驟4所獲得的圖像廣義模糊隨機場模型與圖像似然模型，完成對圖像的最大后驗標記；這可以通過條件迭代模式(IterativeConditional Mode，ICM)的尋優過程得以實現；6、將標記后的圖像廣義模糊集，按步驟2的逆變換變換回灰度區間，得到標記的灰度圖像，從而實現對圖像的分割。
由于本發明通過對灰度圖像進行適當的變換，取得關于圖像的廣義模糊隸屬度，然后利用該廣義模糊隸屬度來擴展傳統模糊分割模型中的隸屬度，不僅可以充分利用傳統模糊分割的優點，而且這樣的擴展能夠直接運用于多值的模糊分割。本發明方法首次將廣義模糊集(Generalized Fuzzy Sets，GFS)概念與模糊隨機場(Fuzzy Random Field，FRF)完美融合在一起，創造一種適合描述多值模糊分割的廣義模糊隨機場(Generalized Fuzzy Random Fields，GFRF)新框架，通過在廣義模糊框架下，實現與圖像數據更貼切的上下文約束先驗模型的構造、圖像特征參數的設計，并最終完成對圖像的優化分割，從而首次突破實驗階段的二值分割限制，實現了真正具有實際應用價值的多值模糊分割。本發明方法在無需人工干預和預處理條件下能自動實現對模糊圖像的自動、精確分割，且表現出良好的魯棒性。
利用不同分割方法，針對一幅大小為256*256，8比特的MR退化圖像的分割結果，見圖2、圖3、圖4。
下表1為本發明分割算法與傳統確定類分割算法分割MR退化圖像中灰質、腦脊液、白質三種不同區域的重疊率(重疊率為國際標準之一，其中重疊率越高，反映其分割的精確性越高)。
表1 兩類不同分割算法得到三種不同區域的重疊率通過附圖2、圖3、圖4和表1的實驗數據，可以清晰地得到本發明方法在退化圖象的分割問題上有其獨到之處。
圖1為本發明的流程框圖；圖2為一幅待分割的大小為256*256，8比特的MR退化圖像(該圖像目標中包含背景、灰質、腦脊液、白質4種不同的區域)；圖3為利用傳統確定類吉伯斯隨機場的分割結果圖；圖4為利用本發明模糊優化分割方法得到的分割結果圖。
步驟1，讀入退化灰度圖像Brain4.bmp，然后將圖像的灰度信息存儲于數組A中，可以根據圖像的不同比特數，通過線性變換將其限制到規定的灰度值0～255范圍內；由于所讀入的灰度圖像為8比特，因此，這里不需要變換圖像的灰度值；步驟2，按正弦變換將灰度圖像變換成廣義模糊圖像，得到圖像的廣義模糊集。通過對圖像中的所有象素按表達式為T(xij)=sin[π2(1-xmax-xminD)]]]>的正弦變換規則，將灰度圖像映射到廣義模糊隸屬度[-1，1]間，其中正弦變換規則表達式中的xmax和xmin為圖像中灰度的極大值(xmax＝255)和極小值(xmin＝0)，且滿足D>xmax-xmin2;]]>另外也可以用線性變換T(xij)=1-xmax-xijD,]]>完成將圖像灰度信息轉化成廣義模糊集，用另一數組B表示；
步驟3，通過在傳統吉伯斯隨機場模型基礎上，加上一個表示廣義模糊特性的廣義模糊勢能項，建立圖像的廣義模糊隨機場模型。具體過程為在步驟2所得的廣義模糊集中，通過對集團中的不同閥勢能φ(Ys，Yt)進行累加得到廣義模糊勢能項Uf(x)，將傳統隨機場模型中的勢能項更改為確定類的勢能項Uh(x)與廣義模糊勢能項Uf(x)的總和。與傳統確定類勢能項類似的是，廣義模糊勢能項Uf(x)也通過對集團中的不同閥勢能φ(Ys，Yt)進行累加得到，閥勢能表達式為φ(Ys，Yt)＝-β.(1-2×|Ys，Yt|)；不同的是，傳統確定類中Ys和Yt僅在0或1兩者之間選擇，而在本步驟中，其選擇范圍擴展到[-1，1]之間，從而通過不同的隸屬度，得到不同的集團勢能，很顯然其鄰域間不同象素點的刻畫程度將更為細膩、可靠；步驟4，建立圖像的似然模型并取得相應的模型參數，即得到關于步驟2所述的廣義模糊集中象素點的密度函數。對于一般的分割問題，通常可以設定圖像的密度函數滿足高斯分布，根據對圖像求直方圖或執行K均值或模糊C均值的聚類方式求出四種不同類型的均值和標準差，它們分別為(-0.9779，0.032)、(-0.396，0.261)、(0.008，0.173)、(0.336，0.083)；然后根據高斯分布函數公式得出相應的密度函數。另外也可根據圖像具體的情況而定，設定圖像的密度函數滿足泊松分布，此時可按泊松分布來獲得參數，并求得象素點的密度函數；步驟5，根據貝葉斯(Bayesian)規則、步驟3中獲得的圖像廣義模糊隨機場模型、步驟4中獲得的圖像似然模型，并通過條件迭代模式的尋優過程，實現對圖像的最大后驗標記；步驟6，將標記后的圖像廣義模糊集，按步驟二的逆變換變換回灰度區間，得到標記的灰度圖像，從而實現對圖像的分割。
權利要求
1.一種基于廣義模糊隨機場的圖像優化分割方法，其特征在于包括如下步驟(1)讀入退化的、待分割的灰度圖像，將圖像的灰度信息讀出并存儲于某一數組A中，并將所有象素點的灰度值變換到0～255的范圍內；(2)將讀出的灰度信息按變換規則變換到廣義模糊隸屬度[-1，1]間，得到關于圖像的廣義模糊集，用另一數組B表示；(3)通過在傳統吉伯斯隨機場模型基礎上，加上一個表示廣義模糊特性的廣義模糊勢能項，建立圖像的廣義模糊隨機場模型，具體過程為在步驟2所得的廣義模糊集中，通過對集團中的不同閥勢能進行累加得到廣義模糊勢能項，將傳統隨機場模型中的勢能項更改為確定類的勢能項與廣義模糊勢能項的總和；(4)建立圖像的似然模型并取得相應的模型參數，即得到關于步驟2所述的廣義模糊集中象素點的密度函數；該密度函數用于描述圖像數據間的相關關系；(5)根據貝葉斯規則、步驟3所獲得的圖像廣義模糊隨機場模型和步驟4圖像似然模型，通過條件迭代模式的尋優過程完成對圖像的最大后驗標記；(6)將標記后的圖像廣義模糊集，按步驟二的逆變換變換回灰度區間，得到標記的灰度圖像，從而實現對圖像的分割。
2.根據權利要求1所述的基于廣義模糊隨機場的圖像優化分割方法，其特征在于步驟2中所述的變換規則為正弦變換或線性變換。
3.根據權利要求1所述的基于廣義模糊隨機場的圖像優化分割方法，其特征在于步驟4中所述密度函數的相關參數通過對圖像求直方圖或執行K均值或模糊C均值聚類方法得到。
全文摘要
本發明公開了一種基于廣義模糊隨機場的圖像優化分割方法，包括以下步驟1、讀入退化的、待分割的灰度圖像；2、將讀出的灰度信息變換到廣義模糊隸屬度[－1，1]間，得到關于圖像的廣義模糊集；3、建立圖像的廣義模糊隨機場模型；4、建立圖像的似然模型并取得相應的模型參數；5、根據貝葉斯規則、步驟3和步驟4所獲得的模型，完成對圖像的最大后驗標記；6、將標記后圖像的廣義模糊集，按步驟二的逆變換變換回灰度區間，得到標記的灰度圖像，從而實現對圖像的分割。本發明通過在廣義模糊框架下，完成對圖像的優化分割，從而突破實驗階段的二值分割限制，實現了真正具有實際應用價值的多值模糊分割；而且分割精確，魯棒性好。
文檔編號G06T17/05GK1489115SQ03140159
公開日2004年4月14日 申請日期2003年8月14日 優先權日2003年8月14日
發明者林亞忠, 陳武凡 申請人:中國人民解放軍第一軍醫大學