专利名称：一种纹理图像的分割方法
技术领域：
本发明涉及计算机图像处理领域，特别涉及一种纹理图像的分割方法。
背景技术：
图像分割是图像分析的重要过 程，图像分割一般认为是分割图像并找出图像中不同的物体以找到ー种我们感兴趣的图像数据的紧凑描述。而传统的图像分割技术对纹理图像中的噪声敏感，易造成过分割现象。纹理作为图像的ー个重要特征，在计算机视觉和图像处理中有重要应用例如医学早期的癌细胞识别诊断遥感图像中对军事及民用目标的识别。对目前纹理图像的分割分为三大类统计法，结构法和时域/频域方法。
发明内容
本发明所要解决的技术问题是，提供一种计算速度快、图像分割准确的纹理图像分割方法。为便于理解，下文首先对本发明的基本原理阐述如下本方法基于时域和频域的方法使用近年来发展迅速的Gabor滤波器(中文名为伽柏滤波器)提取图像的局部的各种特征信息表征图像中不同纹理的区域的特性得到特征图像，通过主成分分析等手段降低数据量再通过mean shift算法(中文名为均值漂移算法)对特征向量进行聚类，从而完成较可靠的纹理图像分割。Gabor滤波器由于其在时域和频域具有很好的分辨能力，被广泛用在计算机视觉和图像处理领域。作为在方向和频率上有选择性的带通滤波器，它的冲击响应是高斯包络的复数正弦函数。Jones和Palmer (1987)指出复高斯函数与猫的视觉接受场函数相似，所以通过对生物视觉的分析对Gabor滤波器的參数选择具有启发性。mean shift这个概念最早是由Fukunaga等人在ー篇关于概率密度梯度函数的估计中提出来的，其最初含义正如其名，就是偏移的均值向量，在这里mean shift是ー个名词，它指代的是ー个向量，但随着Mean Shift理论的发展，mean shift的含义也发生了变化，如果我们说mean shift算法，一般是指ー个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。与其他常用的聚类算法相比本算法能自动确定聚类数目，广泛用在图像分割，图像跟踪等领域。然而对某些纹理丰富的图像直接使用mean shift算法容易导致过分割的现象。所以方法中提出先使用Gabor滤波器分解图像，再使用mean shift算法进行聚类，有效抑制了过分现象，并完成图像的自动分割。本发明采用以下技术手段解决所述技术问题ー种纹理图像分割方法，包括以下步骤I)对输入的图像I (X，y)做傅里叶变换，得到图像的频率域数据；2)根据预定的旋转方向和滤波器频段构造ー组Gabor滤波器
{Hk(x, y) I k=l. . . N}，其中，Hk表示这组滤波器中第K个滤波器的核函数，N为滤波器的个数；3)在频率域使用所述Gabor滤波器对图像滤波，得到ー组滤波结果{I' ,(\7)|1^1... ，其中，1' k(x，y)表示第k个滤波器对图像滤波的結果，k为滤波器个数，X、y为像素坐标；4)对滤波结果Γ k(x，y)进行特征抽取，抽取的特征包括纹理的能量Ed(X，y)、反向灰度值Md(X，y)和方向灰度方差Vd(x, y),从而得到各频段和方向下的特征向量fk(x, y) = [Ed (x, y), Md (x, y), Vd(x, y)] k=l.. N，其中，fk (x, y)为行向量，x, y 是对应图像中的像素坐标；5)使用meanshift算法对步骤4)得到的特征向量进行聚类，完成图像分割。优选地所述步骤5)包括以下步骤使用PCA算法(中文名为主成分分析算法)对所述步骤4)得到的特征向量进行降维得到降维后的特征向量，然后再使用meanshift算法对该降维后的特征向量进行聚类完成图像分割。所述预定的旋转方向为0° ,45°，90°和135°，所述Gabor滤波器的频程为Γ2,分为5个频段，其中，中频段的中心频率取O. 25。所述步骤4)中，
权利要求
1.一种纹理图像分割方法，其特征在于，包括以下步骤 1)对输入的图像I(X，y)做傅里叶变换，得到图像的频率域数据； 2)根据预定的旋转方向和滤波器频段构造一组Gabor滤波器 {Hk (x, y) I k=l. . . N}，其中，Hk表示这组滤波器中第K个滤波器的核函数，N为滤波器的个数； 3)在频率域使用所述Gabor滤波器对图像滤波，得到一组滤波结果{I' ,(\7)|1^1... ，其中，1' k(x，y)表示第k个滤波器对图像滤波的结果，k为滤波器个数，X、y为像素坐标； 4)对滤波结果Γk(x, y)进行特征抽取，抽取的特征包括纹理的能量^(1，7)、反向灰度值Md(x, y)和方向灰度方差Vd(x, y),从而得到各频段和方向下的特征向量fk(x, y) = [Ed(x, y), Md(x, y), Vd(x, y)] k=l. · N,其中，fk(x, y)为行向量，x, y 是对应图像中的像素坐标； 5)使用meanshift算法对步骤4)得到的特征向量进行聚类，完成图像分割。
2.根据权利要求I所述的纹理图像分割方法，其特征在于所述步骤5)包括以下步骤使用PCA算法对所述步骤4)得到的特征向量进行降维得到降维后的特征向量，然后再使用meanshift算法对该降维后的特征向量进行聚类完成图像分割。
3.根据权利要求I所述的纹理图像分割方法，其特征在于所述预定的旋转方向为O。，45。，90。和135。，所述Gabor滤波器的频程取为广2，。
4.根据权利要求I所述的纹理图像分割方法，其特征在于所述步骤4)中， 其中，Ω为中心位于(x，y)大小为WxXWy的矩形窗口，其中，Wx=Wy e {3，5，7，9}。
5.根据权利要求1、2、3或4所述的纹理图像分割方法，其特征在于所述Gabor滤波器使用5个频段，中频段的滤波器中心频率选择为O. 25。
6.根据权利要求1、2、3或4所述的纹理图像分割方法，其特征在于所述步骤3)包括以下步骤3. I)将步骤I)所得到的频率域数据与步骤2)中构造的滤波器组分别相乘后得到滤波后的一组数据{Ik(x, y) |k=l... N} ;3.2)对{Ik(x, y) k=l... N}取傅里叶反变换，得到一组经过滤波的图像{Γ k(x，y) |k=l...N}。
全文摘要
本发明公开了一种纹理图像分割方法，提取图像的局部的各种特征信息表征图像中不同纹理的区域的特性得到特征图像，通过主成分分析等手段降低数据量再通过mean shift算法(中文名为均值漂移算法)对特征向量进行聚类,从而完成较可靠的纹理图像分割。本发明相对于现有技术，图像分割可靠性高，人机交互少的有益效果。
文档编号G06T7/00GK102819840SQ20121025965
公开日2012年12月12日 申请日期2012年7月25日 优先权日2012年7月25日
发明者王好谦, 张新, 戴琼海 申请人:清华大学深圳研究生院