陈 超

(江苏省基础地理信息中心，江苏 南京 210013)

一种基于GMM和Graph Cuts的图像分割方法

陈 超

(江苏省基础地理信息中心，江苏 南京 210013)

图像分割是图像处理中的基础问题。研究利用GMM构造T链的可行性，并探索一种可以兼顾精度与速度的确定GMM中K值的方法，结合GMM和Graph Cuts理论完成了对不同图像的分割实验。实验表明，文中的分割方法准确、有效。

图像分割；高斯混合模型；图割；图论；T链

图像分割是图像处理的一个基础问题，是实现目标检测、图像分析和模式识别的首要工作。按照图像分割模型，可将图像分割分为基于区域分割、基于边缘分割、结合区域与边缘分割以及一些基于特定理论的方法等3种类型。基于区域分割的代表方法有阈值法[1]、区域生长法[2]和模糊聚类法[3]；基于边缘的分割方法包括微分算子法[4]和边界跟踪法[5]；基于特定理论的算法则有小波变换[6]、Snake模型[7]、水平集算法[8]以及一些其它相关理论算法[9-10]。

本文首先研究了利用高斯混合模型GMM(Gaussian Mixture Model)构造T链的可行性，并探索了一种可以兼顾精度与速度的确定GMM中K值的方法，最后结合了GMM和Graph Cuts理论得到了一种分割图像的方法。

1 高斯混合模型

高斯混合模型是单高斯模型的混合、叠加，它能够平滑地近似任意形状的密度分布，近年来在语音识别、图像处理等方面得到大量运用[11-13]。高斯混合模型的概率密度函数为

(x|μk,∑k),

(1)

其中，

(2)

式(1)表示高斯混合模型由K个单高斯模型组成，式(2)为第k个单高斯模型的概率密度函数。

式(1)、式(2)中，x为已知的D维样本数据；……