本文提出了一種新的基于期望最大化以及貝葉斯信息準則的圖像分割方法。首先，運
用K 均值方法初始化圖像分布，運用期望最大算法估計輸入圖像參數數據，且圖像中類的數目由貝葉斯消息準則自動確定。運用最大似然標準將像素歸類于最相近的類中。本法的優點在于不過分依賴于原始估計，可以用來進行無監督的圖像的分割。運用兩幅真實圖像進行了實驗，結果表明此方法有效。
關鍵詞 期望最大 貝葉斯信息準則 圖像分割
圖像分割技術被用于很多實際應用中。根據分割結果，我們就有可能識別出感興趣的區
域或者復雜背景下的目標。這對圖像的進一步分析和解釋很有幫助。例如很多通信技術都需要很高的壓縮比來節省網絡資源。從圖像中識別分離出目標并僅對目標進行壓縮，這是一條有效的節省網絡資源的方法。所以，圖像分割在信息分離領域尤其重要。圖像分割可以定義為：將圖像分割成具有相同性質的各個區域的過程。對于灰度圖分割，通常有三種常用的方法：直方圖門限法，基于邊緣的方法，基于區域的方法。近來，隨著高斯混合模型理論的發展，基于此理論的圖像分割方法也經常用到[1][2]。
有些文獻提出了一種基于極大似然估計的圖像分割方法，觀測到的圖像被看作是多變量
密度的混合體，運用最大期望算法估計混合參數。最后利用最大似然估計將像素點分類。實驗結果表明，這是一種有效并且穩定的圖像分割方法[3]。但它的一個主要的缺點是認為高斯混合模型的各類已知，故不能認為此方法是完全的無監督圖像分割方法。圖像分割中期望最大方法的另一個問題是參數的初始估計，這在很大程度上影響著分割結果。隨機抽樣是一種簡單的方法，當抽樣的數據較大時這種方法的分割結果較好，但卻大大延長了計算時間。在抽樣數目較小的時候，很多小的區域可能抽取不到，這就導致分割的結果比較粗糙[4]。
在本文的方法中，運用K 均值算法對高斯混合參數進行初始化。在期望最大算法中引入
貝葉斯信息準則可以實現對混合模型類的數目的自動計算。這種方法集參數估計與模型選擇于一體，這樣，才是真正的無監督分割方法。本文第二部分，簡述有限高斯混合模型并提出了“期望最大+貝葉斯信息準則”算法。在第三部分，給出了完整的分割方法。第四部分為實驗，運用合成圖像及真實圖像進行分割。最后為結論。