一种基于高斯云变换的图像处理方法及装置制造方法
【专利摘要】本发明公开一种基于高斯云变换的图像处理方法及装置，所述方法包括：通过提取图像每个像素的灰度值，形成所述图像的灰度值数据样本集；通过统计所述灰度值数据样本集频率分布的波峰数量，得到用于形成初始高斯云的数量m；按照所述数量m,将所述灰度值数据样本集合成m个高斯云；依次将m个高斯云的含混度与含混度阈值进行比较，以确定是否存在其含混度大于含混度阈值的高斯云；若存在其含混度大于含混度阈值的高斯云，则按照将所述数量m逐次减一的方式，重复灰度值数据样本集合成高斯云的处理及高斯云含混度与含混度阈值比较的处理，直至所有高斯云的含混度均小于等于所述含混度阈值；输出其含混度均小于等于所述含混度阈值的所有的高斯云。
【专利说明】一种基于高斯云变换的图像处理方法及装置
【技术领域】
[0001]本发明涉及图像处理领域，特别涉及一种利用高斯云变换进行图像处理的方法及其相关装置。
【背景技术】
[0002] 粒计算是研究和模拟人类从不同粒度、不同层次对事物进行表示、分析和推理的方法，是人工智能中智能信息处理技术研究的一个重要方向。人类认知中多粒度概念的表示、生成、以及合适粒度的选择一直是粒计算面临的一个难题。
[0003]云模型是一个以概率理论为基础研究定性定量转换的认知模型。云模型用三个数字特征期望、熵和超熵来表征一个定性概念的内涵，期望是最能代表概念的数据样本，熵是概念粒度的度量，反映概念所涵盖的数据范围，超熵是概念粒度的不确定性度量，反映数据范围边界的不确定性。
[0004]高斯分布是概率论中最重要的分布，依靠数据统计而抽象出的概念常常具有“中间大、两头小”的特点，高斯分布中的标准差可以用来表征概念的粒度，云模型引入超熵来衡量概念了粒度的不确定性，即标准差的不确定性，因此高斯云模型是最常用的一种云模型。
[0005]云模型通过正向云算法和逆向云算法实现一个概念内涵和外延之间的转换。逆向云算法可以将一组数据样本转换为一个基本概念的三个数字特征，但是该算法默认的前提是，给定的所有数据样本对应于同一个概念在同一个粒度上的外延表征，而不能在整个问题域中解决多粒度、多概念的生成问题。
[0006]在图像分割中，图像可以根据像素点的灰度值划分为几个目标区域，如背景区域和前景区域。目前，由于高斯变换是根据图像中每个像素点对应在每个高斯分布上的概率值大小，决定像素点属于哪个目标区域，因而在图像分割时，在两个区域的交界处常常会出现不自然的锯齿，不能体现目标区域之间的不确定性区域；而且高斯变换需要预先给定目标区域的个数，无法根据像素点灰度值的统计特性自适应地获得图像目标数量。
【发明内容】
[0007]为解决上述问题，本发明的目的在于提供一种基于高斯云变换的图像处理方法及
>J-U ρ?α装直。
[0008]根据本发明的一个方面，提供了一种基于高斯云变换的图像处理方法，其特征在于，包括:
[0009]Α)通过提取图像每个像素的灰度值，形成所述图像的灰度值数据样本集；
[0010]B)通过统计所述灰度值数据样本集频率分布的波峰数量，得到用于形成初始高斯云的数量m ；
[0011 ] C)按照所述数量m,将所述灰度值数据样本集合成m个高斯云；
[0012]D)依次将m个高斯云的含混度与含混度阈值进行比较，以确定是否存在其含混度大于含混度阈值的高斯云；
[0013]E)若存在其含混度大于含混度阈值的高斯云，则按照将所述数量m逐次减一的方式，重复灰度值数据样本集合成高斯云的处理及高斯云含混度与含混度阈值比较的处理，直至所有高斯云的含混度均小于等于所述含混度阈值；
[0014]F)输出其含混度均小于等于所述含混度阈值的所有的高斯云。
[0015]优选地,所述步骤C)包括:
[0016]Cl)按照所述数量m，将所述灰度值数据样本集合成m个高斯分布；
[0017]C2)利用所述m个高斯分布，计算每个高斯分布对应的高斯云参数，得到m个高斯云。
[0018]优选地,所述步骤Cl)包括:
[0019]Cll)统计所述灰度值数据样本集频率分布；
[0020]C12)按照所述数量m,分别设定m个包括初始期望、初始标准差、初始权值的初始参数；
[0021]C13)设置目标函数，并利用所述灰度值数据样本集频率分布和所述m个初始参数，分别计算m个目标函数的初始函数值；
[0022]C14)利用极大似然估计和所述初始参数，计算m个包括估计期望、估计标准差、估计权值的估计参数；
[0023]C15)利用所述灰度值数据样本集频率分布和所述m个估计参数，分别计算m个目标函数的估计函数值；
[0024]C16)计算所述估计函数值与所述初始函数值之间的差值，若所述差值大于等于预定误差阈值，则使用所述估计参数替换所述初始参数，并重复步骤C13)至步骤C15)，直至所述差值小于预定误差阈值；
[0025]C17)输出所述差值小于预定误差阈值的m个估计参数，并将所述m个估计参数其每个的估计期望、估计标准差、估计幅值分别作为m个高斯分布其每个分布参数的分布期望、标准值、分布权值。
[0026]优选地,所述步骤C2)包括:
[0027]C21)分别计算m个高斯分布的m个标准差的缩放比a k, k=l, 2，…，m ;
[0028]C22)利用所述m个标准差的缩放比a k和所述m个分布参数，分别计算m个包含云期望ExkJg Enk、超熵Hek、含混度⑶k的高斯云参数，得到m个高斯云。
[0029]优选地，所述m个高斯分布其每个标准差的缩放比的计算步骤包括:
[0030]通过计算所述高斯分布与其左相邻高斯分布的弱外围区域的交叠部分，得到用于使该区域不交叠的第一缩放比；
[0031]通过计算所述高斯分布与其右相邻高斯分布的弱外围区域的交叠部分，得到用于使该区域不交叠的第二缩放比；
[0032]将所述第一缩放比和所述第二缩放比进行比较，并将其中较小值作为所述高斯分布的标准差的缩放比ak。
[0033]优选地，所述高斯分布与其左相邻高斯分布的弱外围区域为[Exk-3Enk, Exk-2Enk]，所述高斯分布与其右相邻高斯分布的弱外围区域为[Exk+2Enk, Exk+3Enk]。[0034]优选地，所述含混度为超熵Hek与熵Enk比值的N倍，N为正整数。
[0035]优选地，还包括:
[0036]利用所输出的所有的高斯云，对所述图像进行分割。
[0037]根据本发明的另一方面，提供了一种基于高斯云变换的图像处理装置，包括:
[0038]灰度值提取模块，用于通过提取图像每个像素的灰度值，形成所述图像的灰度值数据样本集；
[0039]统计模块，用于通过统计所述灰度值数据样本集频率分布的波峰数量，得到用于形成高斯云的数量m ;
[0040]高斯云合成模块，用于按照所述数量m,将所述灰度值数据样本集合成m个高斯云，依次将m个高斯云的含混度与含混度阈值进行比较，以确定是否存在其含混度大于含混度阈值的高斯云，若存在其含混度大于含混度阈值的高斯云，则按照将所述数量m逐次减一的方式，重复灰度值数据样本集合成高斯云的处理及高斯云含混度与含混度阈值比较的处理，直至所有高斯云的含混度均小于等于所述含混度阈值；
[0041]高斯云输出模块，用于输出其含混度均小于等于所述含混度阈值的所有的高斯云。
[0042]优选地，还包括:
[0043]图像分割模块，用于利用所输出的所有的高斯云，对所述图像进行分割。
[0044]与现有技术相比较，本发明的有益效果在于:
[0045]本发明通过将图像的灰度值数据样本集进行高斯云变换和高斯云抽取，合成合适的多个高斯云，并利用所得到的多个高斯云有效地进行图像分割，在图像的过渡区域、不确定性边缘检测方面得到更好的分割效果。
【专利附图】
【附图说明】
[0046]图1是本发明实施例提供的一种基于高斯云变换的图像处理方法流程图；
[0047]图2a是本发明实施例提供的某个图像每个像素的灰度值分布原图；
[0048]图2b是通过高斯云变换将图2a的灰度值分布合成两个高斯云的示意图；
[0049]图2c是图2b中合成两个高斯云的变换过程示意图；
[0050]图3a是本发明实施例提供的一幅原图；
[0051]图3b是图3a的灰度值直方图；
[0052]图3c是通过高斯云变换形成的三个高斯云；
[0053]图3d是利用生成的高斯云对图像进行分割的结果示意图；
[0054]图3e是黑色背景与灰色过渡区域之间的不确定性边缘示意图；
[0055]图3f是灰色过渡区域与白色激光区域之间的不确定性边缘示意图；
[0056]图4是本发明实施例提供的一种基于高斯云变换的图像处理装置框图。
【具体实施方式】
[0057]以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0058]本发明公开了一种基于高斯云变换的图像处理方法，包括:定义含混度，将高斯混合模型GMM中的高斯分量转换为一个个具有不同意义的高斯云；根据含混度，制定高斯云变换策略，优化高斯云的数量，并进行图像分割。实验表明，相对于现有技术，本发明在图像的过渡区域、不确定性边缘检测方面具有更好分割效果。[0059]本发明包括从高斯变换到高斯云变换、高斯云变换策略制定、高斯云抽取和图像分割等关键技术。其中:
[0060]1、从高斯变换到高斯云变换
[0061]对于高斯变换生成的任意两个相交的高斯分布，以它们目前的标准差作为高斯云的最大粒度参数，根据“类间关联弱、类内关联紧”的原则，保持它们的期望不变，进行等比例缩减，直至它们的弱外围区域的元素不相交，此时可以获得每个高斯云的最小粒度参数，利用高斯云粒度变化范围可以求出每个高斯云的熵En和超熵He，由于进行等比例缩减，所以它们的He/En相同，称为含混度，其计算公式如下:
[0062]CD=N X He/En
[0063]其中，N为正整数，优选的，N取值为3。
[0064]所述含混度可用来衡量高斯云外延的离散程度，也是高斯云分布偏离高斯分布的程度。含混度为0，则高斯云外延汇聚，形成共识，是一个成熟高斯云；含混度为1，则高斯云外延发散，难以形成共识，即雾化。
[0065]2、高斯云变换策略
[0066]预先设定含混度阈值，并利用所述含混度阈值制定高斯云变换策略，循环调用高斯混合模型GMM和期望值最大算法，直至获得满足含混度阈值要求的高斯云数量及其高斯云参数。
[0067]具体地说，根据高斯云之间外延元素的交叠程度，可以分为骨干元素交叠、基本元素交叠、外围元素交叠、以及弱外围元素交叠。如表1所示的利用含混度对高斯变换划分结果进行度量的图表。由表1可以看出，一个高斯云，如果含混度越大，则外延会更加离散，与相邻高斯云的交叠通常会更多，因此，越难形成共识；反之，含混度越小，高斯云的外延越汇聚，与相邻高斯云的交叠通常会越少，因此，越能形成共识。
[0068]表1
【权利要求】
1.一种基于高斯云变换的图像处理方法，其特征在于，包括: A)通过提取图像每个像素的灰度值，形成所述图像的灰度值数据样本集； B)通过统计所述灰度值数据样本集频率分布的波峰数量，得到用于形成初始高斯云的数量m ； C)按照所述数量m,将所述灰度值数据样本集合成m个高斯云； D)依次将m个高斯云的含混度与含混度阈值进行比较，以确定是否存在其含混度大于含混度阈值的高斯云； E)若存在其含混度大于含混度阈值的高斯云，则按照将所述数量m逐次减一的方式，重复灰度值数据样本集合成高斯云的处理及高斯云含混度与含混度阈值比较的处理，直至所有高斯云的含混度均小于等于所述含混度阈值； F)输出其含混度均小于等于所述含混度阈值的所有的高斯云。
2.根据权利要求1所述的方法，其特征在于，所述步骤C)包括: Cl)按照所述数量m，将所述灰度值数据样本集合成m个高斯分布； C2)利用所述m个高斯分布，计算每个高斯分布对应的高斯云参数，得到m个高斯云。
3.根据权利要求2所述的方法，其特征在于，所述步骤Cl)包括: Cll)统计所述灰度值数据样本集频率分布； C12)按照所述数量m,分别设定m个包括初始期望、初始标准差、初始权值的初始参数； C13)设置目标函数，并利用所述灰度值数据样本集频率分布和所述m个初始参数，分别计算m个目标函数的初始函数值； C14)利用极大似然估计和所述初始参数，计算m个包括估计期望、估计标准差、估计权值的估计参数； C15)利用所述灰度值数据样本集频率分布和所述m个估计参数，分别计算m个目标函数的估计函数值； C16)计算所述估计函数值与所述初始函数值之间的差值，若所述差值大于等于预定误差阈值，则使用所述估计参数替换所述初始参数，并重复步骤C13)至步骤C15)，直至所述差值小于预定误差阈值； C17)输出所述差值小于预定误差阈值的m个估计参数，并将所述m个估计参数其每个的估计期望、估计标准差、估计幅值分别作为m个高斯分布其每个分布参数的分布期望、标准值、分布权值。
4.根据权利要求3所述的方法，其特征在于，所述步骤C2)包括: C21)分别计算m个高斯分布的m个标准差的缩放比a k, k=l, 2，…，m ; C22)利用所述m个标准差的缩放比ciK和所述m个分布参数，分别计算m个包含云期望ExkJg Enk、超熵Hek、含混度⑶k的高斯云参数，得到m个高斯云。
5.根据权利要求4所述的方法，其特征在于，所述m个高斯分布其每个标准差的缩放比的计算步骤包括: 通过计算所述高斯分布与其左相邻高斯分布的弱外围区域的交叠部分，得到用于使该区域不交叠的第一缩放比； 通过计算所述高斯分布与其右相邻高斯分布的弱外围区域的交叠部分，得到用于使该区域不交叠的第二缩放比； 将所述第一缩放比和所述第二缩放比进行比较，并将其中较小值作为所述高斯分布的标准差的缩放比ak。
6.根据权利要求5所述的方法，其特征在于，所述高斯分布与其左相邻高斯分布的弱外围区域为[Exk-3Enk，Exk-2Enk]，所述高斯分布与其右相邻高斯分布的弱外围区域为[Exk+2Enk, Exk+3Enk]。
7.根据权利要求4所述的方法，其特征在于，所述含混度为超熵Hek与熵Enk比值的N倍，N为正整数。
8.根据权利要求1-7任意一项所述的方法，其特征在于，还包括: 利用所输出的所有的高斯云，对所述图像进行分割。
9.一种基于高斯云变换的图像处理装置，其特征在于，包括: 灰度值提取模块，用于通过提取图像每个像素的灰度值，形成所述图像的灰度值数据样本集； 统计模块，用于通过统计所述灰度值数据样本集频率分布的波峰数量，得到用于形成初始高斯云的数量m ； 高斯云合成模块，用于按照所述数量m，将所述灰度值数据样本集合成m个高斯云，依次将m个高斯云的含混度与含混度阈值进行比较，以确定是否存在其含混度大于含混度阈值的高斯云，若存在其含混度大于含混度阈值的高斯云，则按照将所述数量m逐次减一的方式，重复灰度值数据样本集合成高斯云的处理及高斯云含混度与含混度阈值比较的处理，直至所有高斯云的含混度均小于等于所述含混度阈值； 高斯云输出模块，用于输出其含混度均小于等于所述含混度阈值的所有的高斯云。
10.根据权利要求9所述的方法，其特征在于，还包括: 图像分割模块，用于利用所输出的所有的高斯云，对所述图像进行分割。
【文档编号】G06T7/00GK103530866SQ201210592697
【公开日】2014年1月22日 申请日期:2012年12月31日 优先权日:2012年12月31日
【发明者】刘玉超, 李德毅, 杜鹢, 何雯, 李琳, 陈桂生 申请人:刘玉超, 李德毅, 杜鹢