基于显著感知先验的模糊区域活动轮廓分割模型.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CN108898611A(43)申请公布日2018.11.27(21)申请号201810630459.8(22)申请日2018.06.19(71)申请人东华理工大学地址344000江西省抚州市市辖区抚州市学府路56号(72)发明人方江雄刘花香柳和生顾华奇刘军(74)专利代理机构江西省专利事务所36100代理人胡里程(51)Int.Cl.G06T7/149(2017.01)G06T7/12(2017.01)权利要求书2页说明书6页附图8页(54)发明名称基于显著感知先验的模糊区域活动轮廓分割模型(57)摘要一种基于显著感知先验的模糊区域型活动轮廓分割模型，主要包括水平集函数的定义、能量泛函的构建和基于能量泛函的求解过程。通过将图像局部区域信息和显著性先验信息融合于模糊主动轮廓模型，构建了区域型模糊项和显著感知先验模糊项的凸能量泛函，并非用欧拉-拉格朗日公式而是直接计算能量的变化值来更新水平集函数，不仅提高了分割灰度不均匀图像和弱边缘图像的分割效果，而且还使得分割结果与初始条件无关。CN108898611ACN108898611A权利要求书1/2页1.一种基于显著感知先验的模糊区域型活动轮廓分割模型，其能量泛函由区域型模糊项和显著感知先验项构成；区域性模糊项Eimg定义如下：其中，λ是大于0的权重系数，Ω为图像域，c1和c2是图像像素均值，u(x)是模糊成员函数，m是权重幂指数(可取值为1或2)，S(x)为局部区域图；为简化计算，S(x)定义为尺度为r1方差σ1的图像高斯卷积特征图图像灰度值c1和c2定义如下：显著感知先验项定义如下：sal2m2mE(u)＝α∫Ωg(h(x)-s1)·[u(x)]dx+α∫Ωg(h(x)-s2)·[1-u(x)]dx其中，α是大于0的权重系数，s1和s2是显著特征图像素均值，h(x)为显著性检测函数，其定义为h(x)＝||Gσ,r*I(x)-Iu||，Iu是图像的区域特征均值，是尺度为r2方差σ2的高斯核函数，g是边缘检测算子，其算子定义如下：其中，g是奇数行为N的方阵，▽di为当前点到邻近点的距离，K是矩阵元素个数；显著特征图像素均值s1和s2定义为：因此，分割模型的能量函数表达式如下：2.根据权利要求1所述的基于显著感知先验的模糊区域型活动轮廓分割模型，为了计算能量泛函的差值ΔE，假设P是为图像中某一像素点，对应的灰度值为s0和隶属度为u0；相应地，对同一固定点P的新隶属度为un，能量泛函的变化值ΔE计算公式如下：mm其中t1＝∑Ω[u(x)]和t2＝∑Ω[1-u(x)]，λ和α为大于0的权重系数，g是边缘检测算子，新灰度值和显著特征图的新像素值和以及un(x)定义如下：2CN108898611A权利要求书2/2页具体实施步骤如下：(1)输入分割图像，设置初始化参数：权重系数λ和α，最大迭代次数，边缘检测算子g；(2)初始化水平集函数：目标区域u0(x)＞0.5，背景区域u0(x)＜0.5；(3)根据公式h(x)＝||Gσ,r*I(x)-Iu||计算区域显著性特征图，并计算图像的新灰度值和显著特征图的新像素值和mm其中t1＝∑Ω[u(x)]和t2＝∑Ω[1-u(y)]；(4)计算隶属度函数un(x)，并更新对应的新灰度值和显著特征图的新像素值和(5)根据如下公式计算某一像素点P能量变化差值，如果ΔE＞0，用un值代替u0，否则保持u0原始值不变；(6)用Jacobi迭代重复计算所有像素的能量变化值，一次迭代过程结束；(7)重复步骤(4)-(6)直至循环结束。3CN108898611A说明书1/6页基于显著感知先验的模糊区域活动轮廓分割模型技术领域[0001]本发明涉及的是一种图像处理技术领域图像分割的方法，具体是一种基于显著感知先验的模糊区域型活动轮廓(FuzzyRegion-basedActiveContourwithSaliency-awarePrior)分割模型。技术背景[0002]图像分割是图像处理和计算机视觉领域中最重要任务之一，其目的就是提取图像中的具有相同特性区域目标。基于主动轮廓(ActiveContour)的图像分割模型，由于能将模型的初始估计状态和图像数据先验知识统一于特征提取过程中，并能利用分割过程中获得的先验知识来指导分割过程等优势，已成为近年来图像分割领域的研究热点。但是，经典的Chan-Vese分割模型在曲线演化过程需要周期性地再初始化水平集函数，从而增加了计算量和数值计算误差。基于模糊能量的主动轮廓模型(FuzzyEnergy-basedActiveContour)，将模糊能量引入到主动轮廓中，并非采用传统的欧拉-拉格朗日方程，而是采用快速优化算法直接最小化模糊能量函数，能有限次迭代过程中达