可應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法
【專利摘要】一種有效的應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法，屬于圖像處理領(lǐng)域。目前大多數(shù)基于圖割的主動輪廓模型都是全局分割模型。一種常見且有效的實現(xiàn)局部分割的途徑是將基于圖割的主動輪廓模型約束在窄帶之內(nèi)。然而，目前現(xiàn)存的在窄帶框架下實現(xiàn)的基于圖割的主動輪廓模型大多無法有效的處理具有復(fù)雜背景的灰度不均勻圖像的局部分割方法，常常會將待分割目標(biāo)周圍的區(qū)域一并分割出來。本發(fā)明去除了原模型的區(qū)域項，并重新設(shè)計了一個基于區(qū)域統(tǒng)計信息的邊緣項對原基于梯度信息的邊緣項進(jìn)行加權(quán)。整個模型是在窄帶框架下有效的實現(xiàn)了復(fù)雜背景下灰度不均勻圖像的局部分割。
【專利說明】可應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法。
【背景技術(shù)】
[0002]圖像分割在計算機視覺和人工智能領(lǐng)域起著非常重要的作用，其目標(biāo)是從給定圖像中提取感興趣的區(qū)域。目前，已經(jīng)有許多圖像分割方法被提出，學(xué)者們也做了大量的努力以不斷改進(jìn)圖像分割方法的性能。
[0003]主動輪廓模型是目前最成功的圖像分割方法之一，并被證明是一種高效的圖像分割框架。其基本思想是通過迭代算法來實現(xiàn)給定能量函數(shù)的最小化。主動輪廓模型可以分為兩類:基于邊緣信息的主動輪廓模型和基于區(qū)域信息的主動輪廓模型?；谶吘壭畔⒌闹鲃虞喞Ｐ陀脠D像的梯度信息驅(qū)動曲線向目標(biāo)邊界進(jìn)化，但是圖像的梯度信息對噪聲和弱邊界較為敏感。基于區(qū)域信息的主動輪廓模型用全局統(tǒng)計信息來識別目標(biāo)邊緣，與基于邊緣信息的主動輪廓模型相比具有更多優(yōu)勢，例如，對噪聲的敏感低、對初始輪廓的魯棒性高且能夠更好地分割弱邊緣甚至無邊緣圖像。因此，基于區(qū)域信息的主動輪廓模型比基于邊緣信息的主動輪廓模型得到了更廣泛的應(yīng)用和更好的發(fā)展，尤其在分割灰度不均勻圖像方面，如局部二值擬合模型等。
[0004]近年來，圖割理論越來越引起人們重視，并大量應(yīng)用于圖像處理中。圖割是一種基于圖論的組合優(yōu)化方法，能夠避免其他許多優(yōu)化方法固有的局部最優(yōu)的缺點，并具有較高的計算效率。Boykov等人證實了離散能量函數(shù)的全局最優(yōu)化能有效地用于圖像的精確目標(biāo)提取。同時，Boykov等人給出了用圖割最小化能量函數(shù)的兩種高效近似算法。Boykov等人給出了一種新的高效的最大流/最小割算法。Kolmogorov等人證明了在何種條件下的能量函數(shù)能夠應(yīng)用圖割進(jìn)行最小化，即可圖性。這些工作都為圖割的發(fā)展及其在圖像分割中的應(yīng)用奠定了基礎(chǔ)，并為圖像分割的發(fā)展注入了新的活力。
[0005]目前，圖割逐漸開始應(yīng)用于主動輪廓模型中，并與主動輪廓模型一起逐漸成為圖像分割的兩大主要技術(shù)框架。但是圖割在解決基于主動輪廓模型的局部分割問題方面的研究還不夠成熟。
[0006]在實際應(yīng)用中，局部分割方法常常用來對感興趣的局部目標(biāo)區(qū)域進(jìn)行分割，例如磁共振醫(yī)學(xué)圖像中的殼核、尾狀核及蒼白球的局部分割等。然而，目前大多數(shù)基于圖割的主動輪廓模型是全局分割模型，即不論初始輪廓置于圖像中的什么位置，基于區(qū)域信息的主動輪廓模型都能將圖像中的所有目標(biāo)分割出來。一種常見且有效的實現(xiàn)局部分割的途徑是將基于圖割的主動輪廓模型約束在窄帶之內(nèi)。然而，目前現(xiàn)存的在窄帶框架下實現(xiàn)的基于圖割的主動輪廓模型大多無法有效的處理具有復(fù)雜背景的灰度不均勻圖像的局部分割問題，常常會將非目標(biāo)區(qū)域一并分割出來。

【發(fā)明內(nèi)容】
[0007]針對現(xiàn)有的窄帶框架下的基于圖割的主動輪廓模型的缺陷，本發(fā)明提供了了一種可應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法。本發(fā)明基于局部二值擬合模型和測地主動輪廓模型建立新的模型，優(yōu)化方法并沒有簡單的套用圖割優(yōu)化模型，而是將圖割優(yōu)化模型中的區(qū)域項去除，并建立新的基于局部統(tǒng)計信息的邊緣項對原基于梯度信息的邊緣項進(jìn)行加權(quán)。整個模型在窄帶框架下實現(xiàn)，有效的實現(xiàn)了復(fù)雜背景下灰度不均勻圖像的局部分割。
[0008]本發(fā)明是通過以下技術(shù)方案實現(xiàn)的:
本發(fā)明將局部分割過程分解為兩個部分:在窄帶約束下建立基于圖割的主動輪廓模型、根據(jù)模型建立窄帶圖并求取其最小割。每一部分的技術(shù)實現(xiàn)方案如下:
(I)在窄帶約束下建立基于圖割的主動輪廓模型
為了實現(xiàn)對具有復(fù)雜背景的灰度不均勻圖像的局部分割，本發(fā)明基于局部二值擬合模型和測定主動輪廓模型提出以下主動輪廓模型:
【權(quán)利要求】
1.一種應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法，其特征在于包括以下步驟: 步驟1:給定初始閉合曲線，并設(shè)定二值變量，若點/7位于閉合曲線外部，則4=0，否則 Zp=I ； 步驟2:用形態(tài)學(xué)膨脹和腐蝕操作構(gòu)建窄帶； 步驟3:更新窄帶內(nèi)的點的局部統(tǒng)計信息； 步驟4:構(gòu)建窄帶圖G ; 步驟5:計算窄帶圖G的最小割，最小割將窄帶圖分為兩部分:&和G， 假定S e &且T e & ; 步驟6:更新二值變量4,若/7 e 6，則4=1 ;若/7 e &，則4=0 ； 步驟7:若水平集函數(shù)進(jìn)化未收斂，則轉(zhuǎn)到步驟3，否則停止進(jìn)化。
2.根據(jù)權(quán)利要求1所述的一種應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法，其特征在于:在所述步驟2中要求窄帶TtV包含待分割圖像邊緣，且窄帶內(nèi)側(cè)曲線由形態(tài)學(xué)中的腐蝕運算實現(xiàn)，窄帶外側(cè)曲線設(shè)定為圖像邊界。
3.根據(jù)權(quán)利要求1所述的一種應(yīng)用于具有復(fù)雜背景的灰度不均勻圖像的局部分割方法，其特征在于:在所述步驟4中窄帶圖的n-link的權(quán)值設(shè)定為盡n,窄帶內(nèi)部邊界上的點與匯節(jié)點r連接，且權(quán)值設(shè)定為無窮大，窄帶外部邊界上點與源節(jié)點S連接，且權(quán)值設(shè)定為無窮大，和GC_LBF分別按照下式計算:

【文檔編號】G06T7/00GK103824274SQ201210460993
【公開日】2014年5月28日 申請日期:2012年11月16日 優(yōu)先權(quán)日:2012年11月16日
【發(fā)明者】董恩清, 鄭強, 孫文燕, 李貞國, 孫祺, 常樹旺, 張軍蕊 申請人:山東大學(xué)（威海）, 董恩清