混合高斯分布模型的活动轮廓图像分割方法.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CN106570882A(43)申请公布日2017.04.19(21)申请号201610970559.6(22)申请日2016.10.28(71)申请人中国科学院苏州生物医学工程技术研究所地址215163江苏省苏州市高新区科灵路88号(72)发明人王雷常严陈光强杨毅杨晓冬(74)专利代理机构苏州华博知识产权代理有限公司32232代理人傅靖(51)Int.Cl.G06T7/149(2017.01)权利要求书2页说明书7页附图3页(54)发明名称混合高斯分布模型的活动轮廓图像分割方法(57)摘要本发明公开一种基于混合高斯分布模型的活动轮廓图像分割方法，其包括：根据现有活动轮廓模型LGDF提出一种新的同时考虑图像全局范围内灰度的高斯分布与局部范围内灰度的高斯分布特性，然后将两种不同范围内的高斯分布模型整合到一个能量泛函中，以有效利用图像的全局信息与局部信息在图像分割中的作用；此外，为了保证分割结果曲线的光滑性和不合理弯曲造成的曲线长度问题，距离偏移和曲线长度两种不同的惩罚约束项被引入到能量泛函中；最后，以变分水平集的方法执行能量泛函的求解，实现目标轮廓的全自动提取。本发明公开基于混合高斯分布模型的活动轮廓图像分割方法能够在不同图像背景和灰度均匀性情况下较为准确地提取图像中的目标物体。CN106570882ACN106570882A权利要求书1/2页1.混合高斯分布模型的活动轮廓图像分割方法，其特征在于，具体包括以下内容：在全局图像区域内计算像素灰度的高斯分布模型，并借鉴LGDF模型提出一个全局高斯分布的能量泛函，即GGDF模型；然后在局部区域内，求解像素灰度的高斯分布模型，并用局部灰度平均值替换GGDF模型中的像素灰度全局平均值，进而得到一个同时考虑图像全局与局部灰度的混合高斯分布的能量泛函，对改进后的GGDF模型的能量泛函中引入轮廓曲线约束项；通过变分求解框架模块构建能量泛函后，使用变分水平集的求解框架进行数学计算，即目标物体的轮廓以高维度隐式水平集的方法表示，然后通过梯度下降流和欧拉-拉格朗日方程将能量泛函转化为一个与时间相关的偏微分方程，通过逐次迭代的方式推动初始轮廓曲线的演化直到轮廓曲线得到所需目标物体的边界而得到能量泛函的最优值。2.根据权利要求1所述的混合高斯分布模型的活动轮廓图像分割方法，其特征在于，根据现存的LGDF活动轮廓模型，建立图像全局与局部范围内像素灰度的高斯分布模型，其中，局部高斯分布模型可参考LGDF模型得到计算公式为：公式中，x为第i个局部区域的中心像素坐标，y为该邻域内的任意像素点的坐标位置，ui(x)和σi(x)分别为局部范围内的灰度权重平均值和标准差，ω(x，y)用于限定图像的局部区域，a和τ分别为尺度参数；根据灰度局部高斯分布模型，可得到图像全局范围内的灰度高斯分布公式：式中，i用以标识图像中的前景或背景区域，ci和σi分别为全局范围内前景或背景像素灰度的平均值和标准差。3.根据权利要求1所述的混合高斯分布模型的活动轮廓图像分割方法，其特征在于，为了同时使用图像全局与局部范围内像素灰度的高斯分布模型，构建一个混合高斯分布的能量泛函具体步骤如下：借鉴现有的LGDF活动轮廓模型，构建一个仅基于图像全局的GGDF活动轮廓模型，用以区分全局范围内所需的目标物体与图像背景，GGDF模型的具体计算公式如下：2CN106570882A权利要求书2/2页其中，λi为图像范围内前景或背景像素高斯分布模型对应的权重参数；对GGDF模型进行适当的修改，并将图像局部信息引入到该模型中改善模型的图像分割性能，具体的做法是：将GGDF模型中的灰度平均值ci和标准差σi替换为：改进后的GGDF模型同时使用了图像全局与局部灰度信息，因而能够更好地分割所需目标物体，并到达图像分割的全局最优解；对在GGDF模型的能量泛函中增加两个轮廓曲线的惩罚约束项，它们的计算公式为：其中，υ，μ分别为轮廓曲线平滑性和曲线长度的权重系数；φ(x)为零水平集函数，H(·)为单位阶跃函数。4.根据权利要求1所述的混合高斯分布模型的活动轮廓图像分割方法，其特征在于，变分求解框架中所述的求解能量泛函的步骤如下：变分水平集方法中梯度下降流的计算公式为：根据该公式将能量泛函转化为偏微分方程的形式为：3CN106570882A说明书1/7页混合高斯分布模型的活动轮廓图像分割方法技术领域[0001]本发明属于图像分割与目标探测领域，具体涉及一种混合高斯分布模型的活动轮廓图像分割方法。背景技术[0002]图像分割是一个根据图像灰度特性使图像中的目标物体与背景区域彼此分离的影像处理技术，该技术能够加深人们对图像理解与分析、计算机视觉、以及目标探测等领域的认识，而得到深入的研究和广泛的应用。在图