本發(fā)明涉及一種圖像處理領(lǐng)域的圖像分割方法，具體涉及一種基于混合區(qū)域的活動輪廓模型圖像分割方法。

技術(shù)背景

人類大腦從外界獲取的各種信息中，絕大部分信息是通過眼睛獲得的，物體或者場景發(fā)出的光或者反射的光通過眼睛中的晶狀體折射到視網(wǎng)膜上，在視網(wǎng)膜上形成其倒立的圖像，再由視覺感知神經(jīng)傳達(dá)給大腦，經(jīng)大腦處理后即可看到該物體或場景的圖像，而圖像中包含其所表達(dá)物體或場景豐富的描述信息，因此圖像信息是人類日常生活中獲取信息的主要途徑。

隨著科學(xué)技術(shù)的飛速發(fā)展，特別是成像技術(shù)、計算機(jī)技術(shù)和信號處理理論的發(fā)展，人們將從各種成像器件中獲得的圖像信息，轉(zhuǎn)變成數(shù)字信號，并在計算機(jī)中對其進(jìn)行各種形式的加工和處理，如降噪、壓縮、分割、增強(qiáng)、復(fù)原、特征抽取、分析和理解等，這些加工和處理即為人們常說的數(shù)字圖像處理過程。圖像分割是指按照圖像中各個區(qū)域特有的性質(zhì)，把圖像分成幾個區(qū)域，然后再把感興趣的區(qū)域從這些區(qū)域中提取出來的技術(shù)。在數(shù)字圖像處理的過程中，許多加工和處理都是建立在好的圖像分割的基礎(chǔ)上，只有先從圖像中準(zhǔn)確分割出目標(biāo)物體，才能更好得進(jìn)行下一步的圖像處理及分析的工作。因此，圖像分割是數(shù)字圖像處理中一個非?；尽⒎浅ｊP(guān)鍵的技術(shù)。雖然圖像分割技術(shù)很重要，而且到目前為止相關(guān)的科研人員也提出了種類多樣的圖像分割算法，但是由于成像系統(tǒng)的多樣性和復(fù)雜性，造成了所成圖像的多樣性和復(fù)雜性，所以即使到目前為止科研人員已經(jīng)提出了許多優(yōu)秀的圖像分割方法，但是還沒有一個通用的圖像分割算法，各種分割方法也只能用于針對某一類圖像的分割問題，也因為這個原因，使得圖像分割技術(shù)一直是數(shù)字圖像處理技術(shù)當(dāng)中研究的重點和難點。

傳統(tǒng)的圖像分割方法包括閾值法、邊緣檢測法以及基于區(qū)域提取的方法。而隨著待解決問題復(fù)雜程度的提高，需要越來越多的高層知識融入到圖像分割當(dāng)中。此時出現(xiàn)了基于活動輪廓模型的圖像分割方法，該方法依據(jù)輪廓曲線的表達(dá)形式的不同而分為參數(shù)活動輪廓模型和幾何活動輪廓模型。而幾何活動輪廓模型具有能有效處理曲線拓?fù)浣Y(jié)構(gòu)變化的優(yōu)點，使得研究人員對其的研究越來越多。幾何活動輪廓模型中，利用圖像全局灰度信息的模型會對圖像灰度不均勻性敏感；利用圖像局部灰度信息的模型會對初始輪廓位置敏感；而結(jié)合圖像全局和局部灰度信息的模型會存在一個全局項權(quán)重系數(shù)設(shè)置的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于混合區(qū)域的活動輪廓模型圖像分割方法。

實現(xiàn)本發(fā)明目的的技術(shù)方案為：一種基于混合區(qū)域的活動輪廓模型圖像分割方法，包括以下步驟：

第一步，原始圖像的增強(qiáng)處理：通過圖像增強(qiáng)算法對原始圖像進(jìn)行增強(qiáng)處理；

第二步，構(gòu)建能量泛函：同時使用原始圖像的局部灰度擬合項和增強(qiáng)圖像的全局灰度擬合項，構(gòu)建基于混合區(qū)域的活動輪廓模型的能量泛函；

第三步，通過變分法求解構(gòu)建能量泛函，使用變分水平集的求解框架進(jìn)行數(shù)學(xué)計算，即輪廓曲線以隱式水平集的形式表示，然后通過梯度下降流和歐拉一拉格朗日方程將構(gòu)建的能量泛函轉(zhuǎn)化為一個偏微分方程，并通過迭代逼近的方式求出所述偏微分方程的最優(yōu)解，進(jìn)而獲得最終的目標(biāo)邊界輪廓。

與現(xiàn)有技術(shù)相比，本發(fā)明的顯著優(yōu)點為：

(1)本發(fā)明對初始輪廓曲線的位置以及圖像的灰度不均勻性不敏感，分割效率和精度都比較高，且受到噪聲的影響較小，得到的分割結(jié)果魯棒性較強(qiáng)；

(2)本發(fā)明能夠克服現(xiàn)有技術(shù)的不足，將圖像中感興趣的目標(biāo)從背景中清除、完整地分割出來，并且降低了算法的復(fù)雜程度。

附圖說明

圖1是本發(fā)明基于混合區(qū)域的活動輪廓模型的圖像分割方法的流程圖。

圖2(a)和圖2(b)分別是本發(fā)明仿真實驗中原始圖像和增強(qiáng)圖像示意圖。

圖3(a)～圖3(c)是本發(fā)明仿真實驗中選取不同初始輪廓位置時的分割結(jié)果圖。

圖4(a)～圖4(c)是本發(fā)明仿真試驗中對待分割圖像加入不同噪聲后的分割結(jié)果圖。

圖5(a)～圖5(c)是仿真實驗中cv模型的分割結(jié)果示意圖。

圖6(a)～圖6(c)是仿真實驗中l(wèi)rcv模型的分割結(jié)果示意圖。

圖7(a)～圖7(c)是本發(fā)明仿真實驗中分割結(jié)果示意圖。

圖8(a)～圖8(c)是本發(fā)明仿真實驗中與手工分割結(jié)果的對比圖。

具體實施方式

結(jié)合圖1，本發(fā)明的一種基于混合區(qū)域的活動輪廓模型圖像分割方法，包括以下步驟：

第一步，原始圖像的增強(qiáng)處理：通過圖像增強(qiáng)算法對原始圖像進(jìn)行增強(qiáng)處理，即使用各項同性非抽取小波變換算法改善原始圖像中存在的灰度不均勻現(xiàn)象，同時凸顯圖像中的目標(biāo)邊界；

第二步，構(gòu)建能量泛函：同時使用原始圖像的局部灰度擬合項和增強(qiáng)圖像的全局灰度擬合項，構(gòu)建基于混合區(qū)域的活動輪廓模型的能量泛函；

第三步：通過變分法求解構(gòu)建能量泛函，使用變分水平集的求解框架進(jìn)行數(shù)學(xué)計算，即輪廓曲線以隱式水平集的形式表示，然后通過梯度下降流和歐拉一拉格朗日方程將構(gòu)建的能量泛函轉(zhuǎn)化為一個偏微分方程，并通過迭代逼近的方式求出所述偏微分方程的最優(yōu)解，進(jìn)而獲得最終的目標(biāo)邊界輪廓。

進(jìn)一步的，所述的圖像增強(qiáng)算法包括以下步驟：

s11，通過低通濾波器處理原始圖像i0，得到一個尺度系數(shù)aj，其中a0＝i0；

s12，將相鄰兩個尺度系數(shù)aj和aj-1相減獲得小波系數(shù)wj；aj＝h^j↑*aj-1，h^j↑為低通濾波器；

s13，選擇小波系數(shù)進(jìn)行相加得到增強(qiáng)圖像ie＝w1+w2+w3。

進(jìn)一步的，第二步中構(gòu)建的能量泛函為：

其中，λ1、λ2、η1和η2皆為非負(fù)常數(shù)，ci(x)為圖像局部灰度擬合項，是與圖像大小一致的矢量，用于近似表示輪廓曲線內(nèi)外局部區(qū)域的灰度；ci為圖像全局灰度擬合項，為輪廓曲線內(nèi)外的灰度均值，r為水平集正則項，其定義如下：

其中μ和ν分別為非負(fù)常數(shù)，為梯度運算符；r的前半部分為距離懲罰項，可以保證φ在演化過程中與符號距離函數(shù)的一致性；后半部分為長度約束項，可以保證輪廓曲線c的光滑性。

由于輪廓曲線難以顯示表示，因此在實際運算中常用水平集函數(shù)φ表示輪廓曲線，從而得到：

其中，m1＝h(φ)和m2＝1-h(φ)分別用于描述曲線c的內(nèi)部和外部區(qū)域，h(φ)為正則化heaviside函數(shù)，ε為大于零的常數(shù)。

進(jìn)一步的，根據(jù)變分法將能量泛函轉(zhuǎn)化為偏微分方程的形式為：

f1＝-λ1(i0(x)-c1(x))²+λ2(i0(x)-c2(x))²

f2＝-η1(ie(x)-c1)²+η2(ie(x)-c2)²

其中，div(·)表示曲率運算符，為dirac函數(shù)；

根據(jù)變分法，得到常數(shù)c1和c2滿足如下歐拉-拉格朗日方程：

∫(ie(x)-ci)midx＝0

經(jīng)求解上式得到：

根據(jù)lrcv(localregion-basedchan-vese)模型中局部灰度擬合項的求解得到：

式中，kσ(x-y)為高斯核函數(shù)，x為圖像中的某一點，y為x鄰域范圍內(nèi)的某一點。

下面將結(jié)合附圖，對本發(fā)明的實施例進(jìn)行詳細(xì)描述。

實施例

如圖1所示，本發(fā)明的基于混合區(qū)域的活動輪廓模型的圖像分割方法，通過以下實施步驟實現(xiàn)：

步驟1，對輸入的待分割圖像i0進(jìn)行增強(qiáng)處理：首先對圖像i0進(jìn)行低通濾波，濾波器為上采樣濾波算子h^j↑，是通過對h0中相鄰系數(shù)間插入2^j-1個零值獲得，而h0＝[1,4,6,4,1]/16則由三次b樣條曲線衍生獲得。經(jīng)低通濾波獲得各級尺度系數(shù)cj，然后將相鄰的兩個尺度系數(shù)cj和cj-1相減可計算獲得小波系數(shù)wj，再將1-3級小波系數(shù)相加得到增強(qiáng)圖像，即ie＝w1+w2+w3。

步驟2，基于混合區(qū)域的活動輪廓模型的能量泛函：

將原始圖像i0的局部灰度擬合項與增強(qiáng)圖像i0的全局灰度擬合項一起用于構(gòu)建該能量泛函，其中局部灰度擬合項為選定像素點領(lǐng)域內(nèi)外的灰度均值，而全局灰度擬合項為輪廓曲線內(nèi)外的灰度均值。而只使用全局項和局部項構(gòu)建能量泛函不足以獲得滿意的結(jié)果，故在實際應(yīng)用中會加入r為水平集正則項用于保持輪廓曲線的平滑性、連續(xù)性以及保持輪廓的局部細(xì)節(jié)。

步驟3，變分求解框架：

對構(gòu)建的完整的能量泛函求極小值，該過程使用變分法將其轉(zhuǎn)化為偏微分方程的求解，即使用梯度下降流和歐拉一拉格朗日方程獲得所需的一個關(guān)于時間的偏微分方程，并以迭代逼近的方式獲取最終的目標(biāo)邊界。具體求解微分方程為:

f1＝-λ1(i0(x)-c1(x))²+λ2(i0(x)-c2(x))²

f2＝-η1(ie(x)-c1)²+η2(ie(x)-c2)²

步驟4，圖像分割：

迭代逼近的求解偏微分方程需要設(shè)置初始的輪廓曲線，并設(shè)定曲線內(nèi)表示目標(biāo)所在的區(qū)域，曲線外圍為背景區(qū)域。在微分方程的迭代計算下，輪廓曲線逐漸逼近所求目標(biāo)的邊界，從而將所需的目標(biāo)分割出來。

下面介紹本發(fā)明的仿真實驗：

(1)仿真條件：

本發(fā)明的仿真在win7-64intel(r)core(tm)i3-2100cpu@3.10ghz3.10ghzram4gb平臺上的matlab2012a軟件上進(jìn)行仿真模擬的，仿真數(shù)據(jù)選用荷蘭一個視網(wǎng)膜成像項目組公開發(fā)表視網(wǎng)膜影像數(shù)據(jù)(digitalretinalimagesforvesselextraction,drive)，該數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)兩部分，每部分有20幅圖像，圖像大小為768×584；此外，該套數(shù)據(jù)還提供兩組人工提取的血管作為實際所需的血管組織。

(2)仿真結(jié)果：

圖2(a)和圖2(b)顯示原始圖像存在很嚴(yán)重的灰度不均勻性，尤其是其中心位置處，背景信息與血管之間的灰度差異很小，導(dǎo)致二者難于分辨很困難，而增強(qiáng)圖像中灰度不均勻性得到很明顯的改善，血管和背景之間的灰度差異增大，用肉眼即可分辨出圖像中的大部分血管。

圖3(a)、圖3(b)、圖3(c)顯示本發(fā)明在設(shè)置不同初始輪廓位置時的分割結(jié)果，圖中方框表水初始輪廓位置，從圖中可以看到分割結(jié)果基本穩(wěn)定一致，均可以分割出視網(wǎng)膜圖像中的大部分血管，而且對于圖像中某些細(xì)小血管的分割也能取得較好的效果。

圖4(a)、圖4(b)、圖4(c)顯示分別給待分割圖像加入不同強(qiáng)度的高斯白噪聲時的本發(fā)明的分割結(jié)果，從圖中可以看出，當(dāng)噪聲強(qiáng)度增加時，分割結(jié)果基本一致，效果都較好。

圖5(a)～圖5(c)，圖6(a)～圖6(c)，圖7(a)～圖7(c)，圖8(a)～圖8(c)分別顯示cv模型、lrcv模型、本發(fā)明以及手工分割結(jié)果對比，從圖中可以看出，本發(fā)明分割效果較好且準(zhǔn)確率較高。

使用測試數(shù)據(jù)進(jìn)行的仿真實驗中，實驗結(jié)果通過準(zhǔn)確率acc以及相似率dsc兩個個指標(biāo)進(jìn)行量化。它們分別表示如下：

其中，tp表示正確定義的血管像素數(shù)，tn表示正確定義背景像素總數(shù)，fp表示錯誤定義的血管像素總數(shù)，fn表示錯誤背景像素總數(shù)，tp、tn、fp、fn的值皆為算法分割和手工分割比較后得到的數(shù)據(jù)。s1和s2分別表示算法分割和手工分割的結(jié)果，n()表示給定的集合中總的像素個數(shù)，∩表示交集符號。這兩個量化標(biāo)準(zhǔn)的值越大，說明分割結(jié)果越接近手工分割結(jié)果，而且dsc值大于0.7便可視為優(yōu)秀的分割結(jié)果。

對比實驗的統(tǒng)計分析結(jié)果如下的表1所示：

表1

從表1可以看出：本文算法在定量對比時平均值最高，要優(yōu)于其他兩種算法。

基于本發(fā)明的公開的視網(wǎng)膜圖像數(shù)據(jù)(digitalretinalimagesforvesselextraction,drive)的仿真實驗表明：本發(fā)明能夠從各種灰度不均勻的視網(wǎng)膜圖像中較為準(zhǔn)確完整的分割出其中的血管部分，且分割結(jié)果幾乎不隨初始輪廓位置變化而變化，同時有較強(qiáng)的抗噪聲能力，因此解決上述的技術(shù)問題。

以上所述的僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明創(chuàng)造構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。