基于小波域隱馬模型的樹木類圖像分割算法

摘要：為了克服自然狀態(tài)植物圖像提取困難，尤其是樹圖像在自然生長狀態(tài)下背景非常復(fù)雜（天空、建筑物、植物等）的問題。提出一種基于小波域隱馬模型的樹木類圖像分割算法。該算法利用形態(tài)小波的優(yōu)良特性，結(jié)合隱藏馬爾可夫樹模型，實現(xiàn)了基于圖像紋理的樹木類圖像分割，并得到了較為理想的實驗效果。

關(guān)鍵詞：圖像分割； 小波； 隱馬模型； 樹木圖像

中圖分類號：TP391文獻(xiàn)標(biāo)志碼：A

文章編號：1001－3695(2007)08－0233－03

虛擬植物可視化重建系統(tǒng)的一個主要數(shù)據(jù)來源是利用模式識別技術(shù)從植物圖像資料獲取所需的圖像和圖形信息，以實現(xiàn)植物器官形態(tài)的數(shù)字化采集。圖像分割是圖像數(shù)據(jù)采集的基礎(chǔ)，基于分割從而有效提取圖像的關(guān)鍵特征。植物的輪廓信息是植物拓?fù)浣Y(jié)構(gòu)的外在表現(xiàn)，包含了植物重要的“視覺信息”；在基于圖像的植物可視重建、生長狀態(tài)評估等領(lǐng)域有其重要的實用價值[1]。

本文提出了一種新的植物輪廓提取算法，可應(yīng)用于諸如基于植物圖像的虛擬植物三維近似重建，虛擬植物生長的圖像合成等。

1多分辨率圖像分割

圖像分割算法依據(jù)像素屬性以及相鄰像素的關(guān)系對圖像中的每一個像素進行分類標(biāo)記，分割后的每一個區(qū)域具有相同的屬性（也稱為紋理）。近年來一些文獻(xiàn)采用貝葉斯統(tǒng)計判決估算區(qū)域的形狀和類別。基于統(tǒng)計的圖像分割技術(shù)的困難在于圖像區(qū)域形狀類別太多，無法對每一類區(qū)域定義相應(yīng)的聯(lián)合概率密度函數(shù)（pdf）。一些分割方案采用一個指定大小的分類窗口，該窗口中的所有像素判定屬于某一類。分類窗口大小的選則非常關(guān)鍵，大窗口可以提高分類的可靠度，但同時窗口內(nèi)的像素可能屬于不同類別。一般來說大窗口在處理區(qū)域邊界時效果較差；較小的分類窗口更適于區(qū)域邊界分割。為了更好地表示圖像區(qū)域特征，在總體上同構(gòu)區(qū)域和細(xì)節(jié)邊界區(qū)域應(yīng)分別采用不同尺度的分類窗口（也稱為多尺度/多分辨率分割）。多尺度分割算法采用某種策略考慮不同尺度窗口的分類結(jié)果，最終得到一個精確的分割[3]。在本文中采用四方塊來實現(xiàn)不同大小的分類窗口。給定大小為2J×2J的圖像x，x有22J個像素；遞歸分割圖像為大小相等的四方塊，圖像在尺度J時的四方塊數(shù)目（分類窗口數(shù)）為22J個。圖1、2給出了圖像分塊過程以及塊和小波因子的對應(yīng)關(guān)系。

Crouse等人[4]首次提出了一種小波域的參數(shù)統(tǒng)計模型，隱藏馬爾可夫樹模型（HMT model，隱馬模型）。隱馬模型的靈活性主要體現(xiàn)在兩個方面：a）隱藏馬爾可夫樹給每一個小波因子隱含關(guān)聯(lián)一個二值狀態(tài)變量以控制其大和小，假定每一個因子服從高斯分布。b）為了獲取不同尺度間大或小的小波因子級聯(lián)關(guān)系，不同尺度小波變換的狀態(tài)連接采用馬爾可夫概率樹；每一對狀態(tài)間的連接關(guān)系用一個隱含的狀態(tài)轉(zhuǎn)換矩陣控制大或小的狀態(tài)沿概率樹傳遞。

模型參數(shù)集合用向量M表示，運算結(jié)果是一個高維、高結(jié)構(gòu)的高斯混合模型（Gaussian mixture model）f(ω|M)，近似表示小波因子W 的概率密度函數(shù)。

2基于形態(tài)小波的植物圖像提取

2．1小波域隱馬樹模型

小波域隱藏馬爾可夫樹通過獲取非高斯邊緣密度函數(shù)和小波因子間的主要依賴關(guān)系對小波因子進行統(tǒng)計建模。

1）非高斯邊緣密度分布表示

3結(jié)束語

本文提出的樹木圖像提取算法利用形態(tài)小波更好地保留了圖像邊緣信息的優(yōu)良特性；基于提升方案構(gòu)造了一種多維多通道形態(tài)小波；而隱藏馬爾可夫樹模型又提供了一個很好的判決分類工具。該算法可應(yīng)用于植物輪廓提取、二維分枝結(jié)構(gòu)獲取、虛擬植物圖像合成以及植物生長狀況評估所需的樹冠透明度估計等領(lǐng)域。

參考文獻(xiàn)：

［1］CLARK N A. Finding a good segmentation strategy for tree crown transparency estimation[C]//Proc of the 19th Biennial Workshop on Color Photography， Videography， and Airborne Imaging for Resource Assessment.Logan， UT: American Society for Photogrammetry and Remote Sen￣sing，2003.

[2］ROMBERG J K， CHOI H， BARANIUK R G. Bayesian treestructured image modeling using waveletdomain hidden Markov models[C]//Proc of SPIE Technical Conference on Mathematical Modeling， Bayesian Estimation， and Inverse Problems.1999:31－44.

[3］CINQUE L， LOMBARDI L， MANZINI G. A multiresolution approach for page segmentation[J]. Pattern Recognition Letters，1998，19(2):217－225.

[4］CROUSE M S， NOWAK R D， BARANIUK R G. Waveletbased statistical signal processing using hidden Markov models[J]. IEEE Trans Signal Proc，1998，46(4):886－902.

[5］STEWARD B L， TIAN L F.Machinevision weed density estimation for real time，outdoor lighting conditions[J].Transaction of ASAE，1999，42(6):18971909.

[6］鄭加強. 基于計算機視覺的霧滴尺寸測量技術(shù)[J]. 南京林業(yè)大學(xué)學(xué)報:自然科學(xué)版， 2002，24(6):47－50.

[7］葛玉峰. 基于相對色彩因子的樹木圖像分割算法[J]. 南京林業(yè)大學(xué)學(xué)報:自然科學(xué)版， 2004，28(4):19－22.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”