摘  要： 針對紋理圖像分割問題的研究,，經(jīng)典的多尺度MRF方法是對不同尺度的紋理特征僅通過多尺度序列下的MRF鄰域系統(tǒng)進行描述,。為了更加準確地描述紋理特征，將從空間分布特性與MRF鄰域系統(tǒng)兩個方面綜合考慮,，提出一種帶有聯(lián)合灰度信息的灰度共生矩陣與多尺度MRF相結(jié)合的方法。實驗結(jié)果表明,，該方法能夠有效地提高分割準確度,。
關(guān)鍵詞： 紋理圖像分割；灰度共生矩陣,；多尺度,；MRF

　紋理作為一種自然屬性，在一定程度上反映了物體的特征,，并且紋理具有抗遮擋能力強,、受環(huán)境影響小等特點，因此常被用于區(qū)分背景與其他物體,。通常情況下,，紋理可以采用基于模型的MRF（Markov Random Field）方法進行描述。單尺度MRF模型是空域模型，常采用貝葉斯法進行圖像分割,。多尺度MRF模型是在不同分辨率的圖像上進行分析,，它能捕捉到不同分辨率圖像的結(jié)構(gòu)信息以及具備更強的空間描述能力，并且還具有計算復雜度低,、收斂速度快,、減少過分割現(xiàn)象和較強的抗噪性能等特點[1]，因此多尺度MRF圖像分割受到廣泛關(guān)注,。近幾年研究中,，陳曉惠等人[2]將形態(tài)小波域多尺度馬爾可夫模型應用于紋理圖像分割中，該模型結(jié)合了形態(tài)小波和MRF各自的優(yōu)勢,，能夠?qū)D像進行非線性多尺度分解,，因此提高了對紋理特征的描述。對于多尺度MRF分割方法,，不同尺度的紋理特征僅通過多尺度序列下的MRF鄰域系統(tǒng)進行描述,，并且在起始分割中僅考慮了灰度特征而忽略了鄰域系統(tǒng)特性和像素在空間中的排列信息。在統(tǒng)計方法中,，灰度共生矩陣能夠有效地從空間中提取紋理特征[3],，并且灰度共生矩陣與MRF之間存在關(guān)聯(lián)性，其中3個不相關(guān)的二次統(tǒng)計量就可作為紋理特征描述,。僅用灰度信息,、距離判定、無鄰域系統(tǒng)相關(guān)性或空間相關(guān)性描述紋理特征,，具有一定的局限性,。為了解決該問題，本文提出將帶有灰度信息的灰度共生矩陣與多尺度MRF相結(jié)合的方法進行紋理圖像分割,。
1 多尺度MRF與灰度共生矩陣下的紋理結(jié)構(gòu)
1.1 多尺度MRF
　原始圖像經(jīng)過小波分解后可得到具有不同尺度的圖像數(shù)據(jù),，并依據(jù)尺度大小關(guān)系組成金字塔結(jié)構(gòu)。然后,，在最大尺度圖像上利用低頻信號建立最大尺度下的MRF,，再依次以上層分割結(jié)果作為下層分割的基礎(chǔ)[4]。
　圖像的多尺度MRF模型是通過建立特征場與標號場來描述數(shù)據(jù)信息的,。多分辨率特征場的多尺度序列表示為Y={Y0,，Y1，…,，YJ-1},，標號場表示為X={X0，X1,，…,，XJ-1},，其中特征場描述數(shù)據(jù)的特征，標號場描述分割結(jié)果的類別[2],。通常采用MRF二階鄰域系統(tǒng)（即某一像素與其鄰近像素的關(guān)系）的形式來表示紋理特征,，如圖1所示。由于二階鄰域系統(tǒng)未能詳細地描述出像素的空間排列信息,，因此在分割過程中可能會漏掉某些特征信息,。

　與MRF不同，二次統(tǒng)計量是在空間分布上對紋理信息進行描述[5],?；叶裙采仃囋诿枋黾y理時缺少了局部細節(jié)信息，可以通過MRF的鄰域系統(tǒng)來彌補,。反之,，MRF空間信息的缺失也可以通過灰度共生矩陣得到補充。
2 基于灰度共生矩陣和多尺度MRF的紋理圖像分割
　以灰度共生矩陣為基礎(chǔ)提取的3個互不相關(guān)的二次統(tǒng)計量熵,、對比度與相關(guān)性,，可以很好地從空間分布方面來描述圖像的紋理[6]。為了更加準確地描述紋理特征,，可將3個互不相關(guān)的統(tǒng)計量與灰度信息共同用于描述最大尺度下的紋理信息,，形成特征矩陣C=[f1 f2 f3 f4]，然后進行FCM聚類,。

　基于灰度共生矩陣和多尺度MRF圖像分割方法流程如圖3所示,，具體步驟如下：
　（1）設(shè)定圖像的分類數(shù)K,、勢團參數(shù)β以及算法迭代次數(shù),。
　（2）對圖像作n=J-1層小波分解,，利用灰度共生矩陣提取特征,，并與灰度信息共同獲得特征矩陣，利用FCM獲得起始分割結(jié)果,。
?。?）由聚類算法的標號計算出尺度J上的標號場能量，進行參數(shù)估計,，計算特征場能量，利用能量最小原則,，得出該尺度分割結(jié)果,。
　（4）將該尺度的計算結(jié)果直接映射到最鄰近的高分辨率圖像上作為初始分割,。
?。?）進行參數(shù)估計,，計算標號場能量，計算特征場能量,，更新迭代條件當能量最小時計算停止,。

3 實驗結(jié)果與分析
　選取256×256的合成紋理圖像、256×256的遙感圖像和來自Berkeley圖像庫編號為86016的481×321自然景物紋理圖像,。實驗選取灰度共生矩陣步長為1,，方向選取0°、45°,、90°,、135°。紋理合成圖像灰度共生矩陣選取7×7的滑動窗口,，勢團參數(shù)=5.5,，迭代100次；遙感圖像選取5×5的滑動窗口,，勢團參數(shù)β=0.9,，迭代50次；自然景物圖像選擇33窗口,，勢團參數(shù)β=0.9,，迭代50次。實驗平臺為Matlab 7.8.0,，圖4為分割效果圖,，其中，第1列至第5列分別為：實驗原圖,、手工標注圖,、灰度共生矩陣分割結(jié)果、多尺度MRF分割結(jié)果,、本文方法分割結(jié)果,。為了能夠定量分析分割結(jié)果，本文將采用整體分類精度和Kappa系數(shù)作為評價指標,，結(jié)果如表1所示,。

　從表1可以看出，針對3種類型紋理圖像,，本文方法獲得的分割結(jié)果要明顯優(yōu)于灰度共生矩陣法與多尺度MRF法,。其中，對于合成紋理圖像,，本文方法的整體分類精度為99.03%,，Kappa系數(shù)為97.95%，均高于灰度共生矩陣法與多尺度MRF法,；對于遙感圖像,，本文方法的整體分類精度為96.66%,，Kappa系數(shù)為90.12%，均高于灰度共生矩陣法與多尺度MRF法,；對于自然景物圖像,，本文方法的整體分類精度為98.34%，Kappa系數(shù)為96.13%,，也均高于灰度共生矩陣法與多尺度MRF法,。綜合考慮，在平均整體分類精度方面,，本文方法比多尺度MRF法高出2.96%,，比灰度共生矩陣法高出5.94%；在平均Kappa系數(shù)方面,，本文方法比多尺度MRF法高出1.72%,，比灰度共生矩陣法高出12.12%。實驗表明,，本文提出的紋理圖像分割方法不僅提高了分割準確度,，還提高了分割的一致性。
　本文提出了一種基于灰度共生矩陣和多尺度MRF紋理圖像的分割方法,。首先,，采用小波分解獲得圖像各個尺度的數(shù)據(jù)信息，之后在最大尺度上結(jié)合灰度信息以及由灰度共生矩陣獲得的二次統(tǒng)計量進行FCM聚類,，作為最大尺度上MRF的起始分割,；其次，依照起始分割的標號再進行當前尺度MRF的分割,，建立特征場與標號場,，獲得當前尺度最終的分割結(jié)果；最后,，當前分割結(jié)果作為鄰近高分辨率圖像的起始分割再進行優(yōu)化,。實驗表明，本文方法分割紋理圖像的準確度與Kappa系數(shù)高于多尺度MRF方法和灰度共生矩陣的方法,。在后續(xù)的研究中,，將探討如何提高算法的運算速度。
參考文獻
[1] 劉國英,，馬國銳,，王雷光，等.基于Markov隨機場的小波域圖像建模及分割[M].北京：科學出版社,，2010.
[2] 陳曉惠,，鄭晨，段汕，等.形態(tài)小波域多尺度馬爾可夫模型在紋理圖像分割中的應用[J].中國圖象圖形學報,，2011，16（5）：761-766.
[3] 韋玉春,，湯國安,，楊昕，等.遙感數(shù)字處理教程[M].北京：科學出版社,，2009.
[4] Zheng C,， Liu G， Hu Y,， et al. Image segmentation based on multiresolution Markov random field with fuzzy constraintin wavelet domain[J]. IET Image Process,，2012，6（3）：213-221.
[5] MRIDULA J,， KUNDAN C,， DIPTI P. Combining GLCM features and Markov random field model for colour textured image segmentation[C]. IEEE Conference on Devices and Communications（ICDeCom2011），2011：1-5.