CN103093465A - 基于纹理特征空间l0优化的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于纹理特征空间L₀优化的图像分割方法。它根据图像选取Gabor滤波器对其进行滤波，并根据平均梯度对滤波结果进行进一步筛选，最后通过L₀对降维后的高维图像进行平滑进而实现纹理分割。本发明能够降低减少图像的噪声影响，从而取得更好的分割效果。

Description

基于纹理特征空间L0优化的图像分割方法

技术领域

本发明属于图像处理相关的多媒体技术领域，特别是涉及基于纹理特征空间L₀优化的图像分割方法。

背景技术

近年来，随着计算机技术的发展和其应用的推进，尤其是Internet和多媒体网络的飞速发展，图像数据的海量式增长和广泛应用，图像分析、图像分类、图像检索变得迫切的需要。

图像特征提取是图像识别的关键步骤。可以说图像特征提取的效果好坏直接决定了图像识别的最终效果。目前，从图像特征角度分类，图像模式识别大致可归纳为：1)颜色或灰度的统计特征；2)纹理、边缘特征；3)代数特征；4)变换系数特征或滤波器系数特征。这些特征中纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。

目前在纹理分析领域，研究人员们提出了各种各样的分析方案。基于统计的分析方法、基于模型的分析方法、基于结构的分析方法和基于信号处理的分析方法。

基于信号处理的方法又称为基于变换的方法，信号处理家族方法都有一个共同点，那就是基于信号处理的方法都是作用在某种特征变换、一系列的滤波器把时空中的纹理转到其他特征空间，然后在这些特征空间通过得到的结果提取我们的纹理信息，这种方法变化复杂，而且手段多种多样，是图像分割方法中的常青树，一直备受关注。

其中，Gabor滤波器的空域特征轮廓与人类视觉***的初级视皮层简单细胞的感受野的轮廓有着先天性的相似度，因此Gabor滤波方法在纹理描述方法中是有着相当重要的地位。Gabor变换属于加窗口的傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。Gabor滤波方法的主要思想是：不同纹理一般具有不同的中心频率及带宽，根据这些频率和带宽可以设计一组Gabor滤波器对纹理图像进行滤波，每个Gabor滤波器只允许与其频率相对应的纹理顺利通过，而使其他纹理的能量受到抑制，从各滤波器的输出结果中分析和提取纹理特征，用于之后的分类或者其他分割任务。

由于Gabor滤波每个通道是提取一个固定方向和固定频率的纹理，而现实中的纹理不可能是按照非常规律的排列出现，而且参数也不会正好取到了精确的方向和频率，所以最后对于一块纹理而言，最能与其匹配的通道滤波结果也会产生很多噪音。

为了降低噪音给后续操作带来的干扰问题，通常采用Gaussian滤波来降噪，但是对于每个通道来说，Gaussian滤波的方法不可避免的会模糊掉本来就不清楚的边缘，在这之后一般使用的方法是对每个点提取一个多通道的特征向量，通过对这些特征向量的分析从而得到分割结果。

由于采用Gaussian滤波的降噪阶段是单通道处理方式，很多最原始的信息在这一步被破坏了，即使改进后面的分割分析算法，也很难得到满意的分割结果了。

另一方面，采用Gaussian滤波及其后续复杂先进的分割分析算法，两阶段都是计算量很大的过程，这也使得实验室的算法很难被应用到工程领域当中，所以一直以来都急需一种简单快速高效的图像分割方法。这也一直是努力的方向。

发明内容

本发明针对现有技术的不足，提供了一种基于纹理特征空间L₀优化的图像分割方法。

本发明解决其技术问题所采用的技术方案如下：

1)对于输入图像I，我们首先使用一组Gabor滤波器来对图像进行滤波，Gabor滤波器的频率按照公式(1)确定:

                                                        

     

                    (1) 其中L是图像高度和宽度中较小值，是向下取整函数。Gabor滤波器的方向按照公式(2)选取20个角度：

  

    

                               (2)

我们用上述频率和方向进行组合，得到

个Gabor滤波器，然后用这些滤波器对输入图像I进行滤波，得到

个滤波响应图像

,其中i,j分别表示所使用频率和方向的索引。

2)对于每幅响应图像

，计算其平均梯度

,然后从中选出平均梯度最小的8个

，将其合并为一个高维图像H；H的每个像素H(x,y)由

拼接而成。然后，用已有的PCA、流形学***滑技术对

进行平滑，并通过阈值划分区域进行分割。

同传统的纹理分割方法如高斯滤波、聚类等相比，本发明方法更加具有鲁棒性，在识别率、边缘的稳定性与平滑性等方面有明显的提高，分割结果更加准确。

具体实施方式

在实施基于纹理特征空间L₀优化的图像分割方法时，我们的操作是基于Gabor滤波侦测纹理后的结果来进行的，同时也采用了我们自适应的方式来设定Gabor滤波的频率和方向。下面描述都是针对灰度图像，如果输入图像是彩色图像，我们分别对R、G、B通道进行处理。

具体过程如下：

第一步,通过自适应的方式设定的Gabor滤波来侦测纹理，Gabor滤波器的公式表示如下：

其中

,

，而

是我们设定的参数。我们使用设定的一组Gabor滤波器来对图像进行滤波，从而得到一组滤波结果。

第二步，对于上述滤波响应图像，我们统计其平均梯度，对于响应图像O其平均梯度为：

其中

是O的像素数, 

是O在点的像素值。然后，取平均梯度最小的8个响应图像，组成一个高维图像H，其中H的每个像素由这8个响应图像的像素拼接而成。

第三步，使用PCA、流形学***滑技术对

进行平滑；最后使用基于阈值的区域划分技术完成图像分割。

Claims (1)

1. 基于纹理特征空间L₀优化的图像分割方法，其特征在于该方法包括如下步骤：

1)对于输入图像I，使用一组Gabor滤波器来对图像进行滤波，Gabor滤波器的频率                                               

按照公式(1)确定:

       

       

                       (1) 其中L是图像高度和宽度中较小值，

是向下取整函数；Gabor滤波器的方向按照公式(2)选取20个角度：

     

     

                          (2)

用上述频率和方向进行组合，得到个Gabor滤波器，然后用这些滤波器对输入图像I进行滤波，得到

个滤波响应图像

,其中

分别表示所使用频率和方向的索引；

2)对于每幅响应图像

，计算其平均梯度

,然后从中选出平均梯度最小的八个响应图像，将其合并为一个高维图像H；H的每个像素H(x,y)由这八个响应图像的像素拼接而成；然后，用降维技术将高维图像H的像素进行降维，形成一个灰度图像

；最后，通过L ₀ 平滑技术对灰度图像

进行平滑，并通过阈值划分区域进行分割。