1 问题描述
图像分割是实现自动图像分析和模式识别的首要问题,它根据图像的某些特征或特征集合的相似性准则,对图像像素进行分组聚类,将图像划分为一系列“有意义”的不同区域。图像分割质量的优劣、区域界限定位的精度直接影响后续的区域描述及图像的分析和理解,是图象分析、处理、理解中一个举足轻重的技术环节。
传统的图像分割技术大致可以分为基于边缘的分割方法和基于区域的分割方法,前者是将图像中所要求分割的目标边缘提取出来,从而将目标分割出来。后者常通过图像的空间局部特征,如灰度、纹理及其它像素统计特性来确定目标的边界。EM 算法是一种基于统计模式识别的区域的分割方法,它具有快速和适应性广泛的特点,是一种有效的图像分割方法。本文在此基础上提出了基于EM 算法的图像分割改进技术,该方法首先对图像低层特征(颜色、位置、纹理)进行提取,根据实际分割目标的不同,可以采用不同的图像特征,然后利用EM 算法实现图像分割。
2 EM算法的原理
EM(expectation-maximization)算法是Dempster,Laird和Rubin(DLR)三个人在1977年正式提出的,主要是用于在不完全数据的情况下计算最大似然估计。在EM算法正式提出以来,人们对EM算法的性质有更加深入的研究。EM算法在数理统计,数据挖掘,机器学习以及模式识别等领域有广泛的应用。
2.1 高斯混合分布
算法利用高斯混合模型来对原始图像进行建模。图像中的每个象素均被认为是通过m个图像分割中的某一个的密度函数计算得到。假定选择第i个分割区域的概率为,则生成象素x的概率为:
公式(1)
其中,分割区域的密度函数p(x|)采用高斯函数来建模:
公式(2)
对于整副图像X(包含s个象素),其生成概率为:
公式(3)
问题的求解即为参数的最大似然估计问题。
2.2 EM算法的原理
记为第i+1次迭代开始时参数的估计值,则第i+1次迭代的两步为:
①E-step
<