收稿日期:2005-03-24 。
项目来源:国家重点基础研究发展规划基金资助项目(G1998030600)。
文章编号:1671-8860(2005)06-0514-04 文献标志码:A
一种新的基于高斯混合模型的纹理图像分割方法
余 鹏
1,2
封举富
3
童行伟
4
(1 北京大学 数学科学学院,北京 市海淀区,100871)
(2 国家基础地理信息中心,北京市西外紫竹院百胜村 1 号 ,100044)
(3 北京大学 信息科学中心,北京市海淀区,100871)
(4 北京师范大学 数学科学学院,北京市新街口外大街 19 号 ,100875)
摘 要:提出了一种新的结合了小波变换的高斯混合模型纹理分割方法。该方法包括预处理、小波变换、模型
训练、计算后验概率和标记图像等 5 个阶段,并分析了将高斯混合模型引入纹理分割需要注意的几个方面。
试验结果表明,该算法具有较好的分割性能。
关键词:图像分割;纹理图像;高斯混合模型;EM 算法;小波变换
中图法分类号:TP751;P237 . 3
对于纹理图像的分割,研究的方法已经有很
多,根据特征提取的方法不同,一般分为基于统计
的方法、基于结构的方法和基于空间频率的方法
等 3 大类。基于统计的方法主要通过计算纹理的
灰度共生矩阵、对比度、熵以及同质性(homoge-
neit y)等纹理特征,然后采用直方图等技术进行
分割;结构化方法则根据纹理基元和排列规则来
定义纹理特征,再采用直方图、形态学等方法来进
行纹理分割;而基于空间频率的方法则利用不同
的模板与纹理图像进行卷积来计算特征,最后通
过 K 均值等方法进行分割
[1 ]
。
高斯混合模型最早于 1894 年就开始得到研
究,Day
[2 ]
研究了高斯混合模型的矩估计、最小 χ
2
估计、贝叶斯估计以及最大似然估计,发现最大似
然估计要优于其他几类估计。 Dempster
[3 ]
发明
了 EM 算法,随后,EM 算法成为高斯混合模型最
大似然估计的主要算法,并广泛应用于无监督学
习
[4 ]
。由于高斯混合模型能模拟任何形式的概率
分布,因此,用于聚类的概率模型也用到了高斯混
合模型
[5]
。在过去的 20 多年里,高斯混合模型在
语音处理领域取得了很大的成功,然而,在图像处
理领域的应用却很少
[6 ]
。本文主要将高斯混合模
型应用到纹理分割进行了试验,并将它与小波变
换进行结合,给出了一个新的图像分割算法。
1 高斯混合模型和 EM 算法
1 . 1 高斯混合模型及最大似然估计
设 Y =[Y
1
,…,Y
d
]
T
是 d 维的随机变量,y =
[y
1
,…,y
d
]
T
表示 Y 的一个实例。如果其概率密
度函数能写成 k 个成分分布的和:
p(y | θ) =
∑
k
m = 1
α
m
p(y | θ
m
)(1)
则 Y 服从有限混合分布,其对应的模型就为有限
混合模型。其中,α
1
,…,α
k
是各个成分分布混合
的概率;θ
m
是第 m 个成分分布的参数;θ≡{θ
1
,
…,θ
k
,α
1
,…,α
k
}是所有参数的集合;同时,α
m
必
须满足如下条件:
α
m
≥ 0,m = 1,…,k,且
∑
k
m = 1
α
m
= 1 (2)
如果假设所有成分分布都是高斯分布,则所对应
的模型为高斯混合模型。而 d 维的高斯混合模
型的参数 θ
m
实际上由均值向量μ
m
和方差矩阵
Σ
m
[7 ]
所决定。
在式(2)约束下,求式(1)参数的解析解非常
复杂,一般采用迭代方法
[8 ]
。即先建立样本的最
大似然方程,然后采用 EM 算法对类参数及混合
参数进行估计。
最大似然估计的基本假设是所有 N 个样本