全局和局部信息自適應(yīng)調(diào)整的圖像分割活動輪廓方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理領(lǐng)域，尤其是一種計(jì)算速度快、對初始輪廓曲線位置及圖像 噪聲具有魯棒性且能夠分割灰度分布不均勻的異質(zhì)圖像的基于全局和局部信息自適應(yīng)調(diào) 整的圖像分割活動輪廓方法。
【背景技術(shù)】
[0002] 目前，圖像分割已在日常生活、醫(yī)療技術(shù)、軍事等領(lǐng)域都得到了廣泛的應(yīng)用，例如 目標(biāo)提取、邊緣檢測、目標(biāo)跟蹤等?；诨顒虞喞Ｐ偷膱D像分割是該領(lǐng)域中一次重要的理 論方法革新，其基本思想是利用圖像的幾何特性建立一個(gè)能量泛函，在變分法下求能量函 數(shù)極小值，得到相應(yīng)的Euler-Lagrange方程，然后利用泛函分析和數(shù)值分析等領(lǐng)域的相關(guān) 知識對模型的合理性進(jìn)行分析，最終提取出感興趣的圖像區(qū)域。
[0003] 現(xiàn)有的活動輪廓模型進(jìn)行圖像分割的模型主要包括以下幾類:基于邊緣的分割模 型、基于區(qū)域的分割模型、基于邊緣和區(qū)域信息相結(jié)合的分割模型等。其中，測地活動輪廓 模型利用圖像自身的特性在黎曼空間中尋找能夠刻畫其特性的測地線，從而實(shí)現(xiàn)對目標(biāo)物 體的分割。水平集函數(shù)的引用使模型能夠很好地適應(yīng)演化曲線的拓?fù)浣Y(jié)構(gòu)變化，其實(shí)質(zhì)就 是將輪廓曲線演化過程轉(zhuǎn)化為偏微分方程求解問題。與參數(shù)活動輪廓相比，該模型的數(shù)值 計(jì)算穩(wěn)定性得到了增強(qiáng)，曲線的幾何特性更容易被捕捉。同時(shí)，該模型中還可以添加某些附 加?目息，使其魯棒性得到提尚，但邊緣泄露問題會時(shí)常發(fā)生；C-V模型是由Chan等人在 Mumford-Shan能量泛函基礎(chǔ)上提出的，它假定待分割圖像只包含目標(biāo)和背景兩個(gè)區(qū)域，且 兩區(qū)域的平均灰度值差別較大。因此，C-V模型只要根據(jù)目標(biāo)和背景區(qū)域的平均灰度值的差 別即可完成分割，而不需要利用圖像的梯度信息。C-V模型的出現(xiàn)具有重大意義，不僅解決 了 GAC模型中存在的大量缺陷問題，而且能夠較好地處理邊緣噪聲嚴(yán)重以及內(nèi)部區(qū)域出現(xiàn) 遮擋的圖像。但是，C-V模型的適用范圍亦被嚴(yán)重限制，而且演化速度慢，對異質(zhì)圖像的處理 不是很理想。為此，研究人員提出了很多改進(jìn)模型，其中，基于邊緣信息和區(qū)域信息相融合 的方案成為了主要的研究趨勢和研究方向，作為該思想的一個(gè)主要代表，SBGFRLS模型將C-V模型的全局信息引入到GAC模型中，不僅利用了圖像的邊緣信息，也結(jié)合了圖像的區(qū)域信 息，進(jìn)而解決了 GAC模型容易陷入能量函數(shù)極小值的問題。但是，該模型依然沒能解決GAC和 C-V模型不能分割灰度分布不均勻的異質(zhì)圖像的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明是為了解決現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種計(jì)算速度快、對初 始輪廓曲線位置及圖像噪聲具有魯棒性且能夠分割灰度分布不均勻的異質(zhì)圖像的基于全 局和局部信息自適應(yīng)調(diào)整的圖像分割活動輪廓方法。
[0005] 本發(fā)明的技術(shù)解決方案是:一種基于全局和局部信息自適應(yīng)調(diào)整的圖像分割活動 輪廓方法，其特征在于:定義能量泛函形式如下，
其中，離項(xiàng)為全局信息項(xiàng);·項(xiàng)為局部信息項(xiàng);·項(xiàng)是懲罰項(xiàng);^Ιν?,???ε: |〇|是關(guān)于 圖像：?的自適應(yīng)平衡函數(shù)，|7|是圖像梯度模值，衡是常數(shù)，用以自適應(yīng)平衡圖像的全局信 息和局部信息;#是正參數(shù)，其取值范圍是%和€是兩個(gè)常數(shù)，分別近似等于輪廓 內(nèi)部和輪廓外部的平均灰度值，分別為在龍點(diǎn)附近的逼近曲線內(nèi)外的圖像 局部灰度值的光滑函數(shù)；
模型中自適應(yīng)平衡函數(shù)的選取如下：
其中|穿丨>丨￥爾_:，％表示方差為逐的二維高斯濾波器，用來平滑初始圖像； 進(jìn)一步由Euler-Lagrange方程，可得到模型的水平演化方程：

i為用來控制演化曲線的平穩(wěn)演化 和精確計(jì)算的懲罰項(xiàng);利用平方差公式對模型進(jìn)行因式分解，根據(jù)改進(jìn)CV模型的思想，對于 模型進(jìn)行變形，得到新的水平集演化方程：
步驟1.初始化水平集函數(shù)權(quán):??錄; 步驟2.對初始圖像進(jìn)行高斯濾波，利用公式(3)計(jì)算權(quán)重函數(shù)
步驟3 ·利用公式(1)、（2)分別計(jì)算％，％，: 4，爲(wèi)；
步驟5.利用有限差分法，根據(jù)公式(5)更新水平集函數(shù)：
其中:r:為迭代步長，令:愁I(lǐng); 步驟6.使用"停止準(zhǔn)則"檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代;否則， 轉(zhuǎn)入步驟2。
[0006] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：第一，引入的自適應(yīng)平衡函數(shù)可根據(jù)曲線 演化的當(dāng)前狀態(tài)自適應(yīng)調(diào)整權(quán)重信息控制演化的總體演化趨勢。而且，全局信息保證模型 的對于噪聲和弱邊緣圖像的處理效果，細(xì)節(jié)信息保證了模型對復(fù)雜背景區(qū)域的目標(biāo)分割精 度。第二，模型通過引入懲罰項(xiàng)，確保了模型演化的平穩(wěn)性，提高了演化的速度。第三，模型 在演化過程中通過使用高斯卷積來規(guī)范水平集函數(shù)，避免了傳統(tǒng)活動輪廓模型由于重新初 始化和正則化而引起的計(jì)算復(fù)雜，通過對多種類型圖像分割的仿真實(shí)驗(yàn)表明，本發(fā)明具有 分割精度高、速度快和對初始輪廓曲線位置及圖像噪聲具有魯棒性的特點(diǎn)，可實(shí)現(xiàn)對灰度 分布不均勻的異質(zhì)圖像的分割。
【附圖說明】
[0007] 圖1是當(dāng)爾時(shí)，自適應(yīng)平衡函數(shù)斤?的曲線圖。
[0008] 圖2是本發(fā)明方法與C-V方法、LBF方法、自適應(yīng)擬合方法對Ri ce圖像的分割結(jié)果對 比。
[0009] 圖3是本發(fā)明方法與C-V方法、LBF方法、自適應(yīng)擬合方法對血管圖像的分割結(jié)果對 比。
[0010] 圖4是本發(fā)明方法與C-V方法、LBF方法、自適應(yīng)擬合方法對腦部核磁共振圖像的分 割結(jié)果對比。
[0011] 圖5是本發(fā)明方法與C-ν方法、LBF方法、自適應(yīng)擬合方法對腦部CT圖像的分割結(jié)果 對比。
【具體實(shí)施方式】
[0012] -種基于全局和局部信息自適應(yīng)調(diào)整的圖像分割活動輪廓方法，其特征在于：定 義能量泛函·%形式如下，
其中，焉項(xiàng)為全局信息項(xiàng)，該項(xiàng)使模型在灰度均勻區(qū)域快速演化;筆:項(xiàng)為局部信息項(xiàng)， 該項(xiàng)使模型在具有細(xì)節(jié)信息的區(qū)域進(jìn)行更加細(xì)膩的演化;項(xiàng)是懲罰項(xiàng)，用以糾正水平集 函數(shù)的誤差;壞1矣,1是關(guān)于圖像?的自適應(yīng)平衡函數(shù)，Μ是圖像梯度模值，是常 數(shù)，用以自適應(yīng)平衡圖像的全局信息和局部信息；1是正參數(shù)，其取值范圍是|5ι|; _和 ?2是兩個(gè)常數(shù)，分別近似等于輪廓內(nèi)部和輪廓外部的平均灰度值，$1?)分別為 在《點(diǎn)附近的逼近曲線內(nèi)外的圖像局部灰度值的光滑函數(shù)；
其中|表示方差為逐的二維高斯濾波器，用來平滑初始圖像;對名 的選取，如果邊過大，可能會發(fā)生邊緣泄露現(xiàn)象，使邊緣檢測不夠精確;反之，如果泛過小， 將會使模型對噪聲過于敏感。:為是下降因子參數(shù)，用以控制函數(shù)的下降速度；
，用以控制演化曲線的平穩(wěn)演化和精確計(jì)算。 進(jìn)一步由Euler-Lagrange方程，可得到模型的水平演化方程：
其中，厶為Laplacian算子;利用平方差公式對模型進(jìn)行因式分解，根據(jù)改進(jìn)C-V模型 的思想，對于模型進(jìn)行變形，得到新的水平集演化方程：
步驟1 ·初始化水平集函數(shù); 步驟2.對初始圖像進(jìn)行高斯濾波，利用公式(3)計(jì)算權(quán)重函數(shù)歹|;抱|; 當(dāng)-時(shí)，自適應(yīng)平衡函數(shù)的曲線圖如圖1所示。
[0013] 步驟3.利用公式（1)、（2)分別計(jì)算太，殺；
步驟5.利用有限差分法，根據(jù)公式(5)更新水平集函數(shù)：
其中T為迭代步長，說為常數(shù)，為了實(shí)現(xiàn)水平集函數(shù)的正則化并加速演化過程：令
步驟6.使用"停止準(zhǔn)則"（即演化曲線趨近目標(biāo)邊界時(shí)，水平集函數(shù)值逐漸變小，當(dāng)?shù)竭_(dá) 目標(biāo)邊界時(shí)，函數(shù)值達(dá)到最小值，停止演化）。檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則 停止迭代;否則，轉(zhuǎn)入步驟2。
[0014] 將本發(fā)明實(shí)施例與其它方法的分割效果進(jìn)行對比，結(jié)果如圖2-5所示，可以看出， 本發(fā)明方法對初始輪廓曲線位置及圖像噪聲具有更高的魯棒性，且分割精度更高、速度更 快，可實(shí)現(xiàn)對灰度分布不均勻的異質(zhì)圖像的有效分割。
【主權(quán)項(xiàng)】
1. 一種基于全局和局部信息自適應(yīng)調(diào)整的圖像分割活動輪廓方法，其特征在于:定義 能量泛函黎濱媒，免:裘論形式如下，其中，馬項(xiàng)為全局信息項(xiàng);焉項(xiàng)為局部信息項(xiàng);葛:;項(xiàng)是懲罰項(xiàng);怠1?絕)它Ip!是關(guān)于圖 像I的自適應(yīng)平衡函數(shù)，|v|是圖像梯度模值，:Μ是常數(shù)，用W自適應(yīng)平衡圖像的全局信 息和局部信息；為是正參數(shù)，其取值范圍是:接1|濟(jì)餐是兩個(gè)常數(shù)，分別近似等于輪廓 內(nèi)部和輪廓外部的平均灰度值，分別為在X點(diǎn)附近的逼近曲線內(nèi)外的圖像 局部灰度值的光滑函數(shù)； :每、退4及裘％J、灰(g衛(wèi)表達(dá)式分別如下：模型中自適應(yīng)平衡函數(shù)篡<|賓|，?4的選取如下：(3) 其中巧:二I專爲(wèi)筒I，瑪表示方差為沒的二維高斯濾波器. 進(jìn)一步由化ler-Lagrange方程，可得到模型的水平演化方程：其中，沒為Laplacian算子，為用來控制演化曲線的平穩(wěn)演化和 精確計(jì)算的懲罰項(xiàng)；利用平方差公式對模型進(jìn)行因式分解，根據(jù)改進(jìn)C-V模型的思想，對于 模型進(jìn)行變形，得到新的水平集演化方程：步驟1.初始化水平集函數(shù)辦馬課:讀二敘； 步驟2.對初始圖像進(jìn)行高斯濾波，利用公式(3)計(jì)算權(quán)重函數(shù)疫(61家|,效)； 步驟3.利用公式（1)、（2)分別計(jì)算邸，每，麻，襲； 步驟4.計(jì)算懲罰項(xiàng)談-為瓣W新的值； 步驟5.利用有限差分法，根據(jù)公式巧)更新水平集函數(shù)：其中左為迭代步長，令二主； 步驟6.使用"停止準(zhǔn)則"檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代；否則， 轉(zhuǎn)入步驟2。
【專利摘要】本發(fā)明提供一種基于全局和局部信息自適應(yīng)調(diào)整的圖像分割活動輪廓方法，（1）定義了一個(gè)新穎的自適應(yīng)平衡函數(shù)，其能夠根據(jù)圖像自身特性自動調(diào)整各部分的權(quán)重，進(jìn)而驅(qū)動曲線演化；（2）在權(quán)重函數(shù)中，加入了高斯濾過程去正則化水平集函數(shù)，同時(shí)增加了一項(xiàng)下降因子，加快了曲線的演化速度；（3）懲罰項(xiàng)的引入保證了模型的精確計(jì)算和平穩(wěn)演化；本發(fā)明無論在分割精度還是處理速度上都達(dá)到了較好的分割效果，可實(shí)現(xiàn)對對灰度分布不均勻的異質(zhì)圖像的分割。
【IPC分類】G06T7/00, G06T7/40
【公開號】CN105551054
【申請?zhí)枴緾N201610022717
【發(fā)明人】王相海, 方玲玲, 張沖, 宋若曦
【申請人】遼寧師范大學(xué)
【公開日】2016年5月4日
【申請日】2016年1月14日