基于改进局部信息的CV模型的图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114255256A(43)申请公布日2022.03.29(21)申请号202111554098.1(22)申请日2021.12.17(71)申请人复旦大学地址200433上海市杨浦区邯郸路220号(72)发明人曹荣商慧亮(74)专利代理机构武汉菲翔知识产权代理有限公司42284代理人贾双明(51)Int.Cl.G06T7/194(2017.01)权利要求书2页说明书4页附图2页(54)发明名称基于改进局部信息的CV模型的图像分割方法(57)摘要本发明公开了基于改进局部信息的CV模型的图像分割方法，包括如下步骤：输入原始图像，计算其像素点灰度值；设置初始轮廓图像，初始轮廓图像为图像任意指定的闭合曲线所对应的图像像素点；对初始轮廓图像进行非下采样Shearlet变换，得到一幅低频缺陷图像和一组高频缺陷图像；利用PCNN方法对所述低频缺陷图像进行信息分割，得到第一缺陷图像。本发明既能考虑到图像的细节信息，又能考虑到图像的总体信息，将图像中目标分割出来，利用矢量化活动轮廓技术做进一步的分割处理，整个流程不需要人工干预，在很短的时间内用户便可得到想要的分割结果，实用性好，能进行较复杂图像的精确分割。CN114255256ACN114255256A权利要求书1/2页1.基于改进局部信息的CV模型的图像分割方法，其特征在于，包括如下步骤：S1输入原始图像，计算其像素点灰度值；S2设置初始轮廓图像，初始轮廓图像为图像任意指定的闭合曲线所对应的图像像素点；S3对初始轮廓图像进行非下采样Shearlet变换，得到一幅低频缺陷图像和一组高频缺陷图像；S4利用PCNN方法对所述低频缺陷图像进行信息分割，得到第一缺陷图像；S5利用逆非下采样Shearlet变换将背景抑制后的第一缺陷图像与所述高频缺陷图像进行重构，得到高频特征图像；S6对高频特征图像进行粗分割，然后以粗分割得到的图像作为初始条件，利用基于CV模型的图像分割方法对其进行精细分割，得到第二缺陷图像；S61计算原始图像的全局目标灰度拟合值和全局背景灰度拟合值，计算初始轮廓图像的局部目标灰度拟合值和局部背景灰度拟合值；S62计算原始图像的加权目标灰度拟合值和加权背景灰度拟合值，构建基于改进局部信息的CV模型的目标与背景灰度拟合值；S63根据能量泛函得到梯度下降流演化水平集函数φ；S64根据水平集迭代公式得到最终的水平集函数φn+1；S7将第一缺陷图像和第二缺陷图像进行融合，得到最终的局部缺陷图像，输出最终的图像分割结果。2.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S2初始轮廓C由水平集函数φ(x)的零水平集得到：即当水平集函数φ(x)＝0时对应的图像像素点x为初始轮廓C，当φ(x)＞0时对应的图像像素点x为背景区域，当φ(x)＜0时对应的图像像素点x为目标区域；。3.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，基于CV模型的图像分割方法使用以下轮廓演化方程：式中，φ为水平集函数，δ为Dirac函数，t为梯度算子，z表示图像灰度值，c1和c2为分别为图像边缘曲线内部和外部区域的图像灰度均值；μ、λ1和λ2为权重参数，ω(x)为权值调整函数。4.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S6判断是否达到迭代次数n，是则提取最终的水平集函数φn+1的零水平集为原始图像I的分割结果，否则n＝n+1转步骤S6继续执行迭代过程。5.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S3单层非下采样Shearlet变换中用于非下采样拉普拉斯塔式分解的滤波器选择“maxflat”，用于进行方向分析的窗函数为“Meyer”。6.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S6利用香农熵作为判断PCNN的最佳迭代次数标准。2CN114255256A权利要求书2/2页7.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S3非下采样Shearlet变换为单层非下采样Shearlet变换。3CN114255256A说明书1/4页基于改进局部信息的CV模型的图像分割方法技术领域[0001]本发明涉及图像处理技术领域，尤其涉及基于改进局部信息的CV模型的图像分割方法。背景技术[0002]图像分割是计算机视觉和图像处理领域中的一个基本问题。图像分割的目的是把图像区域分成若干互不相交的子区域，在每个子区域上图像的某种性质呈现一致性。[0003]活动轮廓模型(ACM)由于其能较好地处理局部间断边缘等特性，受到人们的关注。而水平集方法用定义在