具有粗糙集的鲁棒修正高斯混合模型用于图像分割

准确的图像分割是图像处理中必不可少的步骤,其中具有空间约束的高斯混合模型起着重要作用,并已被证明对图像分割有效。 但是,大多数方法都面临一个或多个挑战,例如对异常值的鲁棒性有限,分段的平滑度过高,对初始化敏感以及手动设置参数。 为了解决这些问题并进一步提高图像分割的准确性,本文提出了一种结合粗糙集理论的鲁棒改进高斯混合模型来进行图像分割。 首先,为了使高斯混合模型对噪声更鲁棒,构造了一个新的空间权重因子,以计算其紧邻像素的概率来代替图像像素的条件概率。 其次,为了进一步减少分割的过度平滑度,通过在邻域像素之间合并空间信息,提出了一种新颖的先验因素。 最后,每个高斯分量的特征在于三个自动确定的粗糙区域,因此,每个像素相对于其所定位区域的后验概率都将得到估计。 我们在合成图像和真实图像中将我们的算法与最新的分割方法进行了比较,以证明所提出算法的优越性能。