CN105740867A - 图像纹理窗口形状与尺度的选择方法 - Google Patents

Abstract

图像纹理窗口形状与尺度的选择方法，属于图像处理领域。为了解决采用固定纹理窗口提取纹理特征时存在边缘定位误差和纹理描述的冗余问题。所述选择方法包括：将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择，包括：对每个图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；采用期望最大化算法，求取混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；根据确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。本发明应用于图像纹理的提取与描述领域。

Description

图像纹理窗口形状与尺度的选择方法

技术领域

本发明属于图像处理领域，具体应用于图像纹理的提取与描述领域。

背景技术

纹理是图像的一种重要视觉描述性特征，自然场景图像中经常会出现一些天然或人工的纹理区域，如动物的皮毛、植物的景观、人类衣物的花纹以及建筑物的外观。由于纹理在局部区域上会呈现出较大的视觉差异性，而这种视觉差异，在整体上又会体现出一定的规律性，因此对包含纹理视觉效果的图像进行描述，通常需要一个额外的纹理特征的提取过程。常见的处理方式是以像素为中心，提取该像素一定邻域窗口范围内所有像素的统计分布特征，作为该像素的纹理描述。传统纹理窗口通常选择为固定的矩形窗口，若窗口位于不同物体区域的边缘，必然会影响到纹理特征描述的有效性，同时也会造成纹理边缘定位的误差，导致对图像内容进行分析时边缘定位精度的下降。另外，由于纹理是一个与尺度密切相关的概念，准确的纹理描述依赖适当窗口尺度的选择，为了获取合理的纹理描述，通常的做法是提取图像在不同尺度下的纹理特征，这无疑会带来纹理信息描述的冗余，降低了纹理描述的有效性，同时增加了计算的时空开销。本发明目的是根据图像数据内容，自适应地确定纹理窗口的形状和尺度，克服固定纹理窗口方式给纹理描述带来的诸多问题。

发明内容

本发明的目的是为了解决采用固定纹理窗口提取纹理特征时存在边缘定位误差和纹理描述的冗余问题，本发明提供一种图像纹理窗口形状与尺度的选择方法。

本发明的图像纹理窗口形状与尺度的选择方法，所述选择方法包括：

将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择。

所述对每个图像分块进行纹理窗口形状与尺度的选择的具体过程包括：

步骤一：对图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；

步骤二：采用期望最大化算法，求取步骤一中混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；

步骤三：根据步骤二确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。

所述步骤一包括如下步骤；

步骤一一：针对每个像素，选取一个邻域，计算每个像素与其选取邻域范围内像素的视觉差异；再根据获得的视觉差异，确定每个像素的视觉采样权值；

步骤一二：设定初始的纹理窗口数目K，建立图像分块生成的混合概率模型，则每个图像分块被视为由该混合概率模型生成。

所述每个像素与其选取邻域范围内像素的视觉差异为：

$d_i=\underset{j}{\Σ}|x_i-x_j|;$

x_i代表第i个像素的颜色值，x_j代表当前像素的第j个邻近像素的颜色值；

每个像素的视觉采样权值：

$w_i=e^{-(d_i-\mathrm{\μ})/2{\mathrm{\σ}}^2}$

其中，μ和σ分别是视觉差异d_j分布的平均值和标准差。

所述混合概率模型生成每个像素(x_i,y_i)的概率密度函数为：

$h(x_i,y_i|\Π,\mathrm{\Θ})=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{f}_k{\left(x_i\right|{\mathrm{\θ}}_k)}^{w_i}{g}_k\left(y_i\right|{\mathrm{\φ}}_k);$

其中，y_i代表第i个像素的空间位置信息，高斯模型g_k(y_i|φ_k)表示纹理窗口在图像分块空间中的分布，参数 为空间位置的高斯分布的均值，表示纹理窗口的中心位置，为空间位置的协方差矩阵，表示纹理窗口的空间延展量；f_k(x_i|θ_k)表示纹理窗口内颜色的分布，参数 为颜色的高斯分布的均值向量，为颜色的高斯分布的协方差矩阵；Π＝{π_k}和Θ＝{θ_k,φ_k}；π_k为第k个纹理窗口分量混合比的先验概率，起到调节纹理窗口尺度的作用，满足0≤π_k≤1和限制，K为图像分块中的纹理窗口数目。

所述步骤二包括如下步骤；

步骤二一：设定混合概率模型参数的随机初始值、混合概率模型参数的期望最大化迭代收敛阈值、最大迭代次数和纹理窗口融合的判别阈值，迭代次数的初值置为t＝1；

步骤二二：期望最大化的E步骤，在获得第t次混合概率模型参数的极大似然估计值下，求取第t次迭代的期望似然函数值，确定每个像素针对每个纹理窗口的后验概率；

步骤二三：期望最大化的M步骤，根据E步骤获得的每个像素针对每个纹理窗口的后验概率，计算第t+1次的混合概率模型参数的极大似然估计值；

步骤二四：计算第t与第t+1两次迭代的期望似然函数值，判断其比值是否小于设定的期望最大化迭代收敛阈值，若否，则t＝t+1，转入步骤二五；若是，则转入步骤二六；

步骤二五：判断当前迭代次数t是否达到最大迭代次数，若是，则转入步骤二六；若否，则转入步骤二二；

步骤二六：计算每两个纹理窗口在空间域内的相关度，判断所述相关度是否大于设定的纹理窗口融合的判别阈值，若是，则转入步骤二七；若否，则转入步骤三；

步骤二七：将两个纹理窗口合并成一个纹理窗口，在将要合并的纹理窗口所对应的两个混合分量中，任意选择一个分量，将其删除，K＝K-1，t＝1，转入步骤二二。

所述步骤二二中，在获得第t次混合概率模型参数估值下，求取第t次迭代的期望似然函数值：

$Q(\Π,\mathrm{\Θ}|{\Π}^{\left(t\right)},{\mathrm{\Θ}}^{\left(t\right)})={\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{k=1}^K{p}_i^{k^{\left(t\right)}}\·\[{{\mathrm{log\π}}_k}^{\left(t\right)}+w_i{\mathrm{logf}}_k\left(x_i\right|{{\mathrm{\θ}}_k}^{\left(t\right)})+{\mathrm{logg}}_k\left(y_i\right|{{\mathrm{\φ}}_k}^{\left(t\right)})\];$

其中每个像素针对每个纹理窗口的后验概率为： $p_i^{k^{\left(t\right)}}=\frac{{{\mathrm{\π}}_k}^{\left(t\right)}{f}_k{\left(x_i\right|{{\mathrm{\θ}}_k}^{\left(t\right)})}^{w_i}{g}_k\left(y_i\right|{{\mathrm{\φ}}_k}^{\left(t\right)})}{{\mathrm{\Σ}}_{l=1}^K{{\mathrm{\π}}_l}^{\left(t\right)}{f}_l{\left(x_i\right|{{\mathrm{\θ}}_l}^{\left(t\right)})}^{w_i}{g}_l\left(y_i\right|{{\mathrm{\φ}}_l}^{\left(t\right)})}.$

求得第t+1次的混合概率模型参数的极大似然估计值；

${{\mathrm{\π}}_k}^{(t+1)}={\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}/N$

${\mathrm{\μ}}_k^{x^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}{x}_i}{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}}$

${\mathrm{\Σ}}_k^{x^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}(x_i-{\mathrm{\μ}}_k^{x^{\left(t\right)}})\·{(x_i-{\mathrm{\μ}}_k^{x^{\left(t\right)}})}^T}{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}}$

${\mathrm{\μ}}_k^{y^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}{y}_i}{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}}$

${\mathrm{\Σ}}_k^{y^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}(x_i-{\mathrm{\μ}}_k^{y^{\left(t\right)}})\·{(x_i-{\mathrm{\μ}}_k^{y^{\left(t\right)}})}^T}{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}}.$

所述两个纹理窗口在空间域内的相关度为：

$J_{merge}(m,n)=\frac{g_m{(\·|{\mathrm{\φ}}_m)}^T{g}_n(\·|{\mathrm{\φ}}_n)}{\left|\right|g_m(\·|{\mathrm{\φ}}_m)\left|\right|\left|{\lg }_n(\·|{\mathrm{\φ}}_n)\right||}---\left(12\right)$

上式中的分母起到归一化作用，其中||·||代表2-范数，J_merge(m,n)表示两个纹理窗口在空间域内的相关度，其中m＝1,2…,K；n＝1,2…,K；m≠n。

本发明的有益效果在于，本发明将纹理窗口选择为高斯窗，从图像空间和颜色空间中建立一个混合概率生成模型，模型参数的不同取值对应着不同的具体图像。在图像空间中，每个纹理窗口对应模型的一个混合分量，窗口的位置、形状与尺度由高斯函数的参数和混合分量比所决定。这样窗口形状与尺度的选择可视为：在观测到的真实图像数据情况下，关于高斯后验概率的优化问题。高斯窗口函数会根据实际图像数据进行形状和尺度的调节，收敛后的窗口边缘会在空间域内与图像中物体边缘相吻合，在提高窗口边缘定位准确度的同时，保证整个窗口内的区域具有统一的纹理描述，避免了纹理窗口内每个像素纹理特征的重复计算。

附图说明

图1为具体实施方式所述的图像纹理窗口形状与尺度的选择方法的流程示意图。

具体实施方式

结合图1说明本实施方式，本实施方式所述的图像纹理窗口形状与尺度的选择方法，所述方法包括如下步骤：

步骤1：将待处理图像分成多个图像分块。

由于待处理图像的混合概率模型的每个分量对应一个纹理窗口，对整幅图像来说，分量的数目过多，而期望最大化算法在迭代过程中，针对每个纹理窗口参数的学习，将会计算整幅图像中所有像素。事实上，纹理窗口仅仅局限在图像空间中的一个较小的局部范围内，而远离窗口的像素对参数的学习基本没有影响，为此本实施方式将待处理图像划分为多个图像分块，在划分时，尽量均匀划分，将每个图像分块视为一幅单独的图像，针对每个图像分块单独进行参数学习，这样可以消除大量冗余无意义的运算，极大提高算法的执行速度。由于不同图像分块之间参数之间不存在耦合现象，参数学习不会互相影响，因此还可以采取并行的学习方式，进一步提高程序的运行速度。

步骤2：对每个图像分块，建立一个图像生成的混合概率模型：

步骤21：以一个图像分块为例，采用y_i代表第i个像素的空间位置信息，x_i代表该像素的颜色值，采用一个高斯模型g_k(y_i|φ_k)描述纹理窗口在图像空间中的分布，用整数k标识不同的纹理窗口，高斯函数的参数控制窗口尺寸和形状，其中为空间位置的高斯分布的均值，对应纹理窗口的中心位置；为空间位置的协方差矩阵，对应纹理窗口的空间延展量，与邻近纹理窗口相互作用下，确定纹理窗口形状。纹理窗口内颜色的分布则采用另外的高斯分布函数f_k(x_i|θ_k)来拟合，参数为颜色的高斯分布的均值向量和协方差矩阵。由于每个纹理窗口内的像素属于同一纹理区域，空间域内高斯函数能够起到增加窗口区域内像素凝聚力的作用。对于一个具有K个分量的混合模型来说，每个分量对应一个纹理窗口区域，则每个像素可以用一个点对(x_i,y_i)来对其进行描述，作为一个生成模型，生成每个像素的概率密度函数可以用一个高斯混合密度函数来描述：

$h(x_i,y_i|\Π,\mathrm{\Θ})=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{f}_k\left(x_i\right|{\mathrm{\θ}}_k)g_k\left(y_i\right|{\mathrm{\φ}}_k)---\left(1\right)$

其中，参数π_k代表第k个窗口分量混合比的先验概率，起到调节纹理窗口尺度的作用，满足0≤π_k≤1和限制。在与邻近纹理窗口相互作用下，由π_k以及纹理分量参数确定纹理窗口的尺度、位置与形状。

步骤22：由于同一纹理区域的在颜色空间中可能会存在很大的视觉差异，纹理窗口在空间域内对应的高斯分布函数，它所起到的凝聚力可能也无法将这种视觉差异抵消，这会导致一个完整的纹理窗口被分成不同的区域。为了解决这个问题，本专利采取了一个视觉加权的混合模型方案，即在模型参数的学习过程中，按照像素的邻域视觉差异，对参数学习像素的颜色分布进行加权采样，将与邻域内像素具有一致视觉分布的视为代表性样本，在参与参数学习过程中，赋值以较高的权值，反之则将其视为非代表性样本，以较小的权值参加参数学习，以弱化其在参数学习过程中所起的作用。对应视觉加权混合概率模型而言，每个像素(x_i,y_i)的概率密度函数表示为：

$h(x_i,y_i|\Π,\mathrm{\Θ})=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{f}_k{\left(x_i\right|{\mathrm{\θ}}_k)}^{w_i}{g}_k\left(y_i\right|{\mathrm{\φ}}_k)---\left(2\right)$

与公式(1)相比，公式(2)对视觉分布的概率分布函数进行了加权处理，针对每个像素引入了权值w_i，该值为第i个像素的颜色视觉样本的权值。

步骤23：w_i是通过判别它与邻域内像素的颜色差异来获取，计算w_i首先要计算当前像素与其邻近像素的视觉差异，所述领域的范围为3×3,或5×5像素；

$d_i=\underset{j}{\Σ}|x_i-x_j|---\left(3\right)$

这里x_j代表当前像素的第j个邻近像素的颜色值，并按(4)式对其进行归一化处理：

$w_i=e^{-(d_i-\mathrm{\μ})/2{\mathrm{\σ}}^2}---\left(4\right)$

这里w_i即为第i个像素的视觉权值，其中，u和σ分别是视觉差异d_j分布的平均值和标准差。

步骤3：对每个图像分块，采用期望最大化算法求取步骤2中混合概率模型参数的最大似然估计值。期望最大化是一种标准的混合模型参数的求解方法，它是由E步骤和M步骤的迭代过程所构成。为了描述上的简便，下面分别采用Π＝{π_k}和Θ＝{θ_k,φ_k}，分别代表先验概率集和分量参数集。

步骤31：对混合概率模型参数给定一组随机初始值，设置期望最大化迭代收敛阈值、最大迭代次数和纹理窗口融合的判别阈值，迭代次数的初值置为t＝1。

步骤32：算法的E步骤对应计算在第t次模型参数的极大似然估计值条件下的期望似然函数值：

$Q(\Π,\mathrm{\Θ}|\Π\left(t\right),\mathrm{\Θ}\left(t\right))={\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{k=1}^K{p}_i^{k^{\left(t\right)}}\·\[{{\mathrm{log\π}}_k}^{\left(t\right)}+w_i{\mathrm{logf}}_k\left(x_i\right|{{\mathrm{\θ}}_k}^{\left(t\right)})+{\mathrm{logg}}_k\left(y_i\right|{{\mathrm{\φ}}_k}^{\left(t\right)})\]---\left(5\right)$

其中(Π^(t),Θ^(t))代表第t次迭代后的混合模型参数的估计值，代表在第t次迭代时，第i个像素归属第k个纹理窗口的后验概率。通过贝叶斯规则，可以得到每个像素针对每个纹理窗口的后验概率：

$p_i^{k^{\left(t\right)}}=\frac{{{\mathrm{\π}}_k}^{\left(t\right)}{f}_k{\left(x_i\right|{{\mathrm{\θ}}_k}^{\left(t\right)})}^{w_i}{g}_k\left(y_i\right|{{\mathrm{\φ}}_k}^{\left(t\right)})}{{\mathrm{\Σ}}_{1=1}^K{{\mathrm{\π}}_l}^{\left(t\right)}{f}_l{\left(x_i\right|{{\mathrm{\θ}}_l}^{\left(t\right)})}^{w_i}{g}_l\left(y_i\right|{{\mathrm{\φ}}_l}^{\left(t\right)})}---\left(6\right)$

从(6)式中可以看到，当具有较低的视觉权值时，像素的后验概率的计算更多地依赖位置信息，而更少地依赖于颜色视觉描述。

步骤33：M步骤则在目前后验概率估值基础上，获取新一轮参数的极大似然估计值：

${{\mathrm{\π}}_k}^{(t+1)}={\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}/N---\left(7\right)$

${\mathrm{\μ}}_k^{x^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}{x}_i}{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}}---\left(8\right)$

${\mathrm{\Σ}}_k^{x^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}(x_i-{\mathrm{\μ}}_k^{x^{\left(t\right)}})\·{(x_i-{\mathrm{\μ}}_k^{x^{\left(t\right)}})}^T}{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}}---\left(9\right)$

${\mathrm{\μ}}_k^{y^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}{y}_i}{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}}---\left(10\right)$

${\mathrm{\Σ}}_k^{y^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}(x_i-{\mathrm{\μ}}_k^{y^{\left(t\right)}})\·{(x_i-{\mathrm{\μ}}_k^{y^{\left(t\right)}})}^T}{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}}---\left(11\right)$

步骤34：按照公式(5)计算第t与第t+1两次的期望似然函数值，判断其比值是否小于设置的期望最大化迭代收敛阈值，若小于，则t＝t+1，转入步骤35；否则，说明期望最大化算法已经收敛，转入步骤36。

步骤35：：判断当前迭代次数t是否达到最大迭代次数，若是，则转入步骤36；若否，则转入步骤32，继续迭代；

步骤36：为了进一步避免同一纹理区域内颜色分布的巨大差异，导致参数学习将其分成不同的纹理窗口，步骤36为一个混合分量的融合过程，如果两个纹理尺度窗口在图像空间重叠率超出一定比例，则将两个窗口所对应分量融合，以避免同一纹理区域被分割成空间重叠的纹理区域。判断纹理窗口的重叠采用其在空间域内高斯分布的相关度进行判断，分量融合的判别准则定义如下：

$J_{merge}(m,n)=\frac{g_m{(\·|{\mathrm{\φ}}_m)}^T{g}_n(\·|{\mathrm{\φ}}_n)}{\left|\right|g_m(\·|{\mathrm{\φ}}_m)\left|\right|\left|\right|g_n(\·|{\mathrm{\φ}}_n)\left|\right|}---\left(12\right)$

上式中的分母起到归一化作用，其中||·||代表2-范数，J_merge(m,n)表示两个纹理窗口在空间域内的相关度，其中m＝1,2…,K；n＝1,2…,K；m≠n。

按照公式(12)计算每两个纹理窗口在空间域内的相关度，若其相关程度大于设置的纹理窗口融合的判别阈值，则将两个纹理窗口合并，具体过程为任意选择即将合并的一个纹理窗口，将其所对应的混合分量参数从参数向量中删除，并将纹理窗口数目减1，即K＝K-1，t＝1；转步骤32，对合并窗口后的参数从新学习。若没有纹理窗口可以合并，则转步骤4；

步骤4：根据每个像素针对不同混合分量的后验概率，按照最大后验概率对像素分类，每个类别形成一个纹理窗口：

在步骤3所对应的模型参数学习完成之后，每个像素针对每个纹理窗口所对应的混合分量，都有一个后验概率，选择具有最大的后验概率对应的那个窗口，把当前像素归到这个纹理窗口中，并将每个像素打上代表其归属纹理窗口的标识k，这样通过像素的标识k可以确定纹理窗口所覆盖的图像区域，自适应确定纹理窗口的尺度与形状的选择。

步骤5：判断是否所有图像分块处理完成，若还有分块没处理完，转步骤2；若所有分块处理完，算法结束。

Claims (9)

1.一种图像纹理窗口形状与尺度的选择方法，其特征在于，所述选择方法包括：

将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择。

2.根据权利要求1所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述对每个图像分块进行纹理窗口形状与尺度的选择的具体过程包括：

步骤一：对图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；

步骤二：采用期望最大化算法，求取步骤一中混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；

步骤三：根据步骤二确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。

3.根据权利要求2所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述步骤一包括如下步骤；

步骤一一：针对每个像素，选取一个邻域，计算每个像素与其选取邻域范围内像素的视觉差异；再根据获得的视觉差异，确定每个像素的视觉采样权值；

步骤一二：设定初始的纹理窗口数目K，建立图像分块生成的混合概率模型，则每个图像分块被视为由该混合概率模型生成。

4.根据权利要求3所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述每个像素与其选取邻域范围内像素的视觉差异为：

$d_i=\underset{j}{\Σ}|x_i-x_j|;$

x_i代表第i个像素的颜色值，x_j代表当前像素的第j个邻近像素的颜色值；

每个像素的视觉采样权值：

$w_i=e^{-(d_i-\mathrm{\μ})/2{\mathrm{\σ}}^2}$

其中，μ和σ分别是视觉差异d_j分布的平均值和标准差。

5.根据权利要求4所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述混合概率模型生成每个像素(x_i,y_i)的概率密度函数为：

$h(x_i,y_i|\mathrm{\Π},\mathrm{\Θ})=\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{f}_k{\left(x_i\right|{\mathrm{\θ}}_k)}^{w_i}{g}_k\left(y_i\right|{\mathrm{\φ}}_k);$

其中，y_i代表第i个像素的空间位置信息，高斯模型g_k(y_i|φ_k)表示纹理窗口在图像分块空间中的分布，参数 为空间位置的高斯分布的均值，表示纹理窗口的中心位置，为空间位置的协方差矩阵，表示纹理窗口的空间延展量；f_k(x_i|θ_k)表示纹理窗口内颜色的分布，参数 为颜色的高斯分布的均值向量，为颜色的高斯分布的协方差矩阵；Π＝{π_k}和Θ＝{θ_k,φ_k}；π_k为第k个纹理窗口分量混合比的先验概率，起到调节纹理窗口尺度的作用，满足0≤π_k≤1和限制，K为图像分块中的纹理窗口数目。

6.根据权利要求5所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述步骤二包括如下步骤；

步骤二一：设定混合概率模型参数的随机初始值、混合概率模型参数的期望最大化迭代收敛阈值、最大迭代次数和纹理窗口融合的判别阈值，迭代次数的初值置为t＝1；

步骤二二：期望最大化的E步骤，在获得第t次混合概率模型参数的极大似然估计值下，求取第t次迭代的期望似然函数值，确定每个像素针对每个纹理窗口的后验概率；

步骤二三：期望最大化的M步骤，根据E步骤获得的每个像素针对每个纹理窗口的后验概率，计算第t+1次的混合概率模型参数的极大似然估计值；

步骤二四：计算第t与第t+1两次迭代的期望似然函数值，判断其比值是否小于设定的期望最大化迭代收敛阈值，若否，则t＝t+1，转入步骤二五；若是，则转入步骤二六；

步骤二五：判断当前迭代次数t是否达到最大迭代次数，若是，则转入步骤二六；若否，则转入步骤二二；

步骤二六：计算每两个纹理窗口在空间域内的相关度，判断所述相关度是否大于设定的纹理窗口融合的判别阈值，若是，则转入步骤二七；若否，则转入步骤三；

步骤二七：将两个纹理窗口合并成一个纹理窗口，在将要合并的纹理窗口所对应的两个混合分量中，任意选择一个分量，将其删除，K＝K-1，t＝1，转入步骤二二。

7.根据权利要求6所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述步骤二二中，在获得第t次混合概率模型参数估值下，求取第t次迭代的期望似然函数值：

$Q(\mathrm{\Π},\mathrm{\Θ}|{\mathrm{\Π}}^{\left(t\right)},{\mathrm{\Θ}}^{\left(t\right)})={\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{k=1}^K{p}_i^{k^{\left(t\right)}}\·\[{{\mathrm{log\π}}_k}^{\left(t\right)}+w_i\log f_k\left(x_i\right|{{\mathrm{\θ}}_k}^{\left(t\right)})+\log g_k\left(y_i\right|{{\mathrm{\φ}}_k}^{\left(t\right)})\];$

其中每个像素针对每个纹理窗口的后验概率为：

$p_i^{k^{\left(t\right)}}=\frac{{{\mathrm{\π}}_k}^{\left(t\right)}{f}_k{\left(x_i\right|{{\mathrm{\θ}}_k}^{\left(t\right)})}^{w_i}{g}_k\left(y_i\right|{{\mathrm{\φ}}_k}^{\left(t\right)})}{{\mathrm{\Σ}}_{l=1}^K{{\mathrm{\π}}_l}^{\left(t\right)}{f}_l{\left(x_i\right|{{\mathrm{\θ}}_l}^{\left(t\right)})}^{w_i}{g}_l\left(y_i\right|{{\mathrm{\φ}}_l}^{\left(t\right)})}.$

8.根据权利要求7所述的图像纹理窗口形状与尺度的选择方法，其特征在于，求得第t+1次的混合概率模型参数的极大似然估计值；

${{\mathrm{\π}}_k}^{\left(t+1\right)}={\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}/N$

${\mathrm{\μ}}_k^{x^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}{x}_i}{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}}$

${\mathrm{\Σ}}_k^{x^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}(x_i-{\mathrm{\μ}}_k^{x^{\left(t\right)}})\·{(x_i-{\mathrm{\μ}}_k^{x^{\left(t\right)}})}^T}{{\mathrm{\Σ}}_{i=1}^N{w}_i{p}_i^{k^{\left(t\right)}}}$

${\mathrm{\μ}}_k^{y^{(t+1)}}=\frac{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}{y}_i}{{\mathrm{\Σ}}_{i=1}^N{p}_i^{k^{\left(t\right)}}}$

${\mathrm{\Σ}}_k^{y^{\left(t+1\right)}}=\frac{{\Σ}_{i=1}^N{p}_i^{k^{\left(t\right)}}\left(x_i-{\mathrm{\μ}}_k^{y^{\left(t\right)}}\right)\·{\left(x_i-{\mathrm{\μ}}_k^{y^{\left(t\right)}}\right)}^T}{{\Σ}_{i=1}^N{p}_i^{k^{\left(t\right)}}}.$

9.根据权利要求8所述的图像纹理窗口形状与尺度的选择方法，其特征在于，所述两个纹理窗口在空间域内的相关度为：

$J_{merge}\left(m,n\right)=\frac{g_m{\left(\·|{\mathrm{\φ}}_m\right)}^T{g}_n\left(\·|{\mathrm{\φ}}_n\right)}{||g_m\left(\·|{\mathrm{\φ}}_m\right)||||g_n\left(\·|{\mathrm{\φ}}_n\right)||}---\left(12\right)$

上式中的分母起到归一化作用，其中||.||代表2-范数，J_merge(m,n)表示两个纹理窗口在空间域内的相关度，其中m＝1,2…,K；n＝1,2…,K；m≠n。