本文提出了一種新的基于期望最大化以及貝葉斯信息準(zhǔn)則的圖像分割方法。首先，運(yùn)
用K 均值方法初始化圖像分布，運(yùn)用期望最大算法估計(jì)輸入圖像參數(shù)數(shù)據(jù)，且圖像中類的數(shù)目由貝葉斯消息準(zhǔn)則自動(dòng)確定。運(yùn)用最大似然標(biāo)準(zhǔn)將像素歸類于最相近的類中。本法的優(yōu)點(diǎn)在于不過(guò)分依賴于原始估計(jì)，可以用來(lái)進(jìn)行無(wú)監(jiān)督的圖像的分割。運(yùn)用兩幅真實(shí)圖像進(jìn)行了實(shí)驗(yàn)，結(jié)果表明此方法有效。
關(guān)鍵詞 期望最大 貝葉斯信息準(zhǔn)則 圖像分割
圖像分割技術(shù)被用于很多實(shí)際應(yīng)用中。根據(jù)分割結(jié)果，我們就有可能識(shí)別出感興趣的區(qū)
域或者復(fù)雜背景下的目標(biāo)。這對(duì)圖像的進(jìn)一步分析和解釋很有幫助。例如很多通信技術(shù)都需要很高的壓縮比來(lái)節(jié)省網(wǎng)絡(luò)資源。從圖像中識(shí)別分離出目標(biāo)并僅對(duì)目標(biāo)進(jìn)行壓縮，這是一條有效的節(jié)省網(wǎng)絡(luò)資源的方法。所以，圖像分割在信息分離領(lǐng)域尤其重要。圖像分割可以定義為：將圖像分割成具有相同性質(zhì)的各個(gè)區(qū)域的過(guò)程。對(duì)于灰度圖分割，通常有三種常用的方法：直方圖門限法，基于邊緣的方法，基于區(qū)域的方法。近來(lái)，隨著高斯混合模型理論的發(fā)展，基于此理論的圖像分割方法也經(jīng)常用到[1][2]。
有些文獻(xiàn)提出了一種基于極大似然估計(jì)的圖像分割方法，觀測(cè)到的圖像被看作是多變量
密度的混合體，運(yùn)用最大期望算法估計(jì)混合參數(shù)。最后利用最大似然估計(jì)將像素點(diǎn)分類。實(shí)驗(yàn)結(jié)果表明，這是一種有效并且穩(wěn)定的圖像分割方法[3]。但它的一個(gè)主要的缺點(diǎn)是認(rèn)為高斯混合模型的各類已知，故不能認(rèn)為此方法是完全的無(wú)監(jiān)督圖像分割方法。圖像分割中期望最大方法的另一個(gè)問(wèn)題是參數(shù)的初始估計(jì)，這在很大程度上影響著分割結(jié)果。隨機(jī)抽樣是一種簡(jiǎn)單的方法，當(dāng)抽樣的數(shù)據(jù)較大時(shí)這種方法的分割結(jié)果較好，但卻大大延長(zhǎng)了計(jì)算時(shí)間。在抽樣數(shù)目較小的時(shí)候，很多小的區(qū)域可能抽取不到，這就導(dǎo)致分割的結(jié)果比較粗糙[4]。
在本文的方法中，運(yùn)用K 均值算法對(duì)高斯混合參數(shù)進(jìn)行初始化。在期望最大算法中引入
貝葉斯信息準(zhǔn)則可以實(shí)現(xiàn)對(duì)混合模型類的數(shù)目的自動(dòng)計(jì)算。這種方法集參數(shù)估計(jì)與模型選擇于一體，這樣，才是真正的無(wú)監(jiān)督分割方法。本文第二部分，簡(jiǎn)述有限高斯混合模型并提出了“期望最大+貝葉斯信息準(zhǔn)則”算法。在第三部分，給出了完整的分割方法。第四部分為實(shí)驗(yàn)，運(yùn)用合成圖像及真實(shí)圖像進(jìn)行分割。最后為結(jié)論。