基于期望最大理论的无监督图像分割

本文提出了一种新的基于期望最大化以及贝叶斯信息准则的图像分割方法。首先，运
用K 均值方法初始化图像分布，运用期望最大算法估计输入图像参数数据，且图像中类的数目由贝叶斯消息准则自动确定。运用最大似然标准将像素归类于最相近的类中。本法的优点在于不过分依赖于原始估计，可以用来进行无监督的图像的分割。运用两幅真实图像进行了实验，结果表明此方法有效。
关键词 期望最大 贝叶斯信息准则 图像分割
图像分割技术被用于很多实际应用中。根据分割结果，我们就有可能识别出感兴趣的区
域或者复杂背景下的目标。这对图像的进一步分析和解释很有帮助。例如很多通信技术都需要很高的压缩比来节省网络资源。从图像中识别分离出目标并仅对目标进行压缩，这是一条有效的节省网络资源的方法。所以，图像分割在信息分离领域尤其重要。图像分割可以定义为：将图像分割成具有相同性质的各个区域的过程。对于灰度图分割，通常有三种常用的方法：直方图门限法，基于边缘的方法，基于区域的方法。近来，随着高斯混合模型理论的发展，基于此理论的图像分割方法也经常用到[1][2]。
有些文献提出了一种基于极大似然估计的图像分割方法，观测到的图像被看作是多变量
密度的混合体，运用最大期望算法估计混合参数。最后利用最大似然估计将像素点分类。实验结果表明，这是一种有效并且稳定的图像分割方法[3]。但它的一个主要的缺点是认为高斯混合模型的各类已知，故不能认为此方法是完全的无监督图像分割方法。图像分割中期望最大方法的另一个问题是参数的初始估计，这在很大程度上影响着分割结果。随机抽样是一种简单的方法，当抽样的数据较大时这种方法的分割结果较好，但却大大延长了计算时间。在抽样数目较小的时候，很多小的区域可能抽取不到，这就导致分割的结果比较粗糙[4]。
在本文的方法中，运用K 均值算法对高斯混合参数进行初始化。在期望最大算法中引入
贝叶斯信息准则可以实现对混合模型类的数目的自动计算。这种方法集参数估计与模型选择于一体，这样，才是真正的无监督分割方法。本文第二部分，简述有限高斯混合模型并提出了“期望最大+贝叶斯信息准则”算法。在第三部分，给出了完整的分割方法。第四部分为实验，运用合成图像及真实图像进行分割。最后为结论。