基于混合区域的活动轮廓模型图像分割方法.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CN106934815A(43)申请公布日2017.07.07(21)申请号201710106012.6(22)申请日2017.02.27(71)申请人南京理工大学地址210094江苏省南京市孝陵卫200号(72)发明人胡茂海李诗宇(74)专利代理机构南京理工大学专利中心32203代理人陈鹏(51)Int.Cl.G06T7/149(2017.01)权利要求书2页说明书5页附图6页(54)发明名称基于混合区域的活动轮廓模型图像分割方法(57)摘要本发明公开了一种基于混合区域的活动轮廓模型图像分割算法，该方法包括：通过图像增强算法对原始图像进行增强处理；同时使用原始图像的局部灰度拟合项和增强图像的全局灰度拟合项，构建基于混合区域的活动轮廓模型的能量泛函；通过变分法求解构建能量泛函，使用变分水平集的求解框架进行数学计算，即轮廓曲线以隐式水平集的形式表示，然后通过梯度下降流和欧拉一拉格朗日方程将构建的能量泛函转化为一个偏微分方程，并通过迭代逼近的方式求出所述偏微分方程的最优解，进而获得最终的目标边界轮廓。本发明对初始轮廓曲线的位置以及图像的灰度不均匀性不敏感，分割效率和精度都比较高，且受到噪声的影响较小，得到的分割结果鲁棒性较强。CN106934815ACN106934815A权利要求书1/2页1.一种基于混合区域的活动轮廓模型图像分割方法，其特征在于，包括以下步骤：第一步，原始图像的增强处理：通过图像增强算法对原始图像进行增强处理；第二步，构建能量泛函：同时使用原始图像的局部灰度拟合项和增强图像的全局灰度拟合项，构建基于混合区域的活动轮廓模型的能量泛函；第三步，通过变分法求解构建能量泛函，使用变分水平集的求解框架进行数学计算，即轮廓曲线以隐式水平集的形式表示，然后通过梯度下降流和欧拉一拉格朗日方程将构建的能量泛函转化为一个偏微分方程，并通过迭代逼近的方式求出所述偏微分方程的最优解，进而获得最终的目标边界轮廓。2.根据权利要求1所述的基于混合区域的活动轮廓模型图像分割方法，其特征在于，所述的图像增强算法包括以下步骤：S11，通过低通滤波器处理原始图像I0，得到一个尺度系数aj，其中a0＝I0；j↑j↑S12，将相邻两个尺度系数aj和aj-1相减获得小波系数wj，aj＝h*aj-1，h为低通滤波器；S13，选择小波系数进行相加得到增强图像Ie＝w1+w2+w3。3.根据权利要求1所述的基于混合区域的活动轮廓模型图像分割方法，其特征在于，第二步中构建的能量泛函为：其中，λ1、λ2、η1和η2皆为非负常数，ci(x)为图像局部灰度拟合项，是与图像大小一致的矢量，用于近似表示轮廓曲线内外局部区域的灰度；ci为图像全局灰度拟合项，为轮廓曲线内外的灰度均值，R为水平集正则项，其定义如下：其中μ和ν分别为非负常数，为梯度运算符。采用水平集函数φ表示轮廓曲线，从而得到：其中，M1＝H(φ)和M2＝1-H(φ)分别用于描述曲线C的内部和外部区域，H(φ)为正则化Heaviside函数，ε为大于零的常数。4.根据权利要求1所述的基于混合区域的活动轮廓模型图像分割方法，其特征在于，根据变分法将能量泛函转化为偏微分方程的形式为：22F1＝-λ1(I0(x)-c1(x))+λ2(I0(x)-c2(x))22F2＝-η1(Ie(x)-c1)+η2(Ie(x)-c2)其中，div(·)表示曲率运算符，为Dirac函数；根据变分法，得到常数c1和c2满足如下欧拉-拉格朗日方程：2CN106934815A权利要求书2/2页∫(Ie(x)-ci)Midx＝0经求解上式得到：根据LRCV模型中局部灰度拟合项的求解得到：式中，Kσ(x-y)为高斯核函数，x为图像中的某一点，y为x邻域范围内的某一点。3CN106934815A说明书1/5页基于混合区域的活动轮廓模型图像分割方法技术领域[0001]本发明涉及一种图像处理领域的图像分割方法，具体涉及一种基于混合区域的活动轮廓模型图像分割方法。技术背景[0002]人类大脑从外界获取的各种信息中，绝大部分信息是通过眼睛获得的，物体或者场景发出的光或者反射的光通过眼睛中的晶状体折射到视网膜上，在视网膜上形成其倒立的图像，再由视觉感知神经传达给大脑，经大脑处理后即可看到该物体或场景的图像，而图像中包含其所表达物体或场景丰富的描述信息，因此图像信息是人类日常生活中获取信息的主要途径。[0003]随着科学技术的飞速发展，特别是成像技术、计算机技术和信号处理理论的发展，人们将从各种成像器件中获得的图像信息，转变成数字信号，并在计算机中对其进行各种形式的加工和处理，如降噪、压缩、分割、增强、复原、特征抽取、分析和理解等，这些加工和处理即为人们常说的数字图像处理过程。图像分