法律状态公告日
法律状态信息
法律状态
2020-01-03
未缴年费专利权终止 IPC(主分类):G06T7/12 授权公告日:20180907 终止日期:20190114 申请日:20160114
专利权的终止
2018-09-07
授权
授权
2016-06-01
实质审查的生效 IPC(主分类):G06T7/00 申请日:20160114
实质审查的生效
2016-05-04
公开
公开
技术领域
本发明涉及图像处理领域,尤其是一种计算速度快、对初始轮廓曲线位置及图像噪声具有鲁棒性且能够分割灰度分布不均匀的异质图像的基于全局和局部信息自适应调整的图像分割活动轮廓方法。
背景技术
目前,图像分割已在日常生活、医疗技术、军事等领域都得到了广泛的应用,例如目标提取、边缘检测、目标跟踪等。基于活动轮廓模型的图像分割是该领域中一次重要的理论方法革新,其基本思想是利用图像的几何特性建立一个能量泛函,在变分法下求能量函数极小值,得到相应的Euler-Lagrange方程,然后利用泛函分析和数值分析等领域的相关知识对模型的合理性进行分析,最终提取出感兴趣的图像区域。
现有的活动轮廓模型进行图像分割的模型主要包括以下几类:基于边缘的分割模型、基于区域的分割模型、基于边缘和区域信息相结合的分割模型等。其中,测地活动轮廓模型利用图像自身的特性在黎曼空间中寻找能够刻画其特性的测地线,从而实现对目标物体的分割。水平集函数的引用使模型能够很好地适应演化曲线的拓扑结构变化,其实质就是将轮廓曲线演化过程转化为偏微分方程求解问题。与参数活动轮廓相比,该模型的数值计算稳定性得到了增强,曲线的几何特性更容易被捕捉。同时,该模型中还可以添加某些附加信息,使其鲁棒性得到提高,但边缘泄露问题会时常发生;C-V模型是由Chan等人在Mumford-Shan能量泛函基础上提出的,它假定待分割图像只包含目标和背景两个区域,且两区域的平均灰度值差别较大。因此,C-V模型只要根据目标和背景区域的平均灰度值的差别即可完成分割,而不需要利用图像的梯度信息。C-V模型的出现具有重大意义,不仅解决了GAC模型中存在的大量缺陷问题,而且能够较好地处理边缘噪声严重以及内部区域出现遮挡的图像。但是,C-V模型的适用范围亦被严重限制,而且演化速度慢,对异质图像的处理不是很理想。为此,研究人员提出了很多改进模型,其中,基于边缘信息和区域信息相融合的方案成为了主要的研究趋势和研究方向,作为该思想的一个主要代表,SBGFRLS模型将C-V模型的全局信息引入到GAC模型中,不仅利用了图像的边缘信息,也结合了图像的区域信息,进而解决了GAC模型容易陷入能量函数极小值的问题。但是,该模型依然没能解决GAC和C-V模型不能分割灰度分布不均匀的异质图像的问题。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种计算速度快、对初始轮廓曲线位置及图像噪声具有鲁棒性且能够分割灰度分布不均匀的异质图像的基于全局和局部信息自适应调整的图像分割活动轮廓方法。
本发明的技术解决方案是:一种基于全局和局部信息自适应调整的图像分割活动轮廓方法,其特征在于:定义能量泛函
其中,
模型中自适应平衡函数
其中
进一步由Euler-Lagrange方程,可得到模型的水平演化方程:
其中,
步骤1.初始化水平集函数
步骤2.对初始图像进行高斯滤波,利用公式(3)计算权重函数
步骤3.利用公式(1)、(2)分别计算
步骤4.计算惩罚项
步骤5.利用有限差分法,根据公式(5)更新水平集函数:
其中
步骤6.使用“停止准则”检查演化曲线是否稳定收敛,若稳定收敛,则停止迭代;否则,转入步骤2。
与现有技术相比,本发明具有以下优点:第一,引入的自适应平衡函数可根据曲线演化的当前状态自适应调整权重信息控制演化的总体演化趋势。而且,全局信息保证模型的对于噪声和弱边缘图像的处理效果,细节信息保证了模型对复杂背景区域的目标分割精度。第二,模型通过引入惩罚项,确保了模型演化的平稳性,提高了演化的速度。第三,模型在演化过程中通过使用高斯卷积来规范水平集函数,避免了传统活动轮廓模型由于重新初始化和正则化而引起的计算复杂,通过对多种类型图像分割的仿真实验表明,本发明具有分割精度高、速度快和对初始轮廓曲线位置及图像噪声具有鲁棒性的特点,可实现对灰度分布不均匀的异质图像的分割。
附图说明
图1是当
图2是本发明方法与C-V方法、LBF方法、自适应拟合方法对Rice图像的分割结果对比。
图3是本发明方法与C-V方法、LBF方法、自适应拟合方法对血管图像的分割结果对比。
图4是本发明方法与C-V方法、LBF方法、自适应拟合方法对脑部核磁共振图像的分割结果对比。
图5是本发明方法与C-V方法、LBF方法、自适应拟合方法对脑部CT图像的分割结果对比。
具体实施方式
一种基于全局和局部信息自适应调整的图像分割活动轮廓方法,其特征在于:定义能量泛函
其中,
模型中自适应平衡函数
其中
其中,
步骤1.初始化水平集函数
步骤2.对初始图像进行高斯滤波,利用公式(3)计算权重函数
当
步骤3.利用公式(1)、(2)分别计算
步骤4.计算惩罚项
步骤5.利用有限差分法,根据公式(5)更新水平集函数:
其中
步骤6.使用“停止准则”(即演化曲线趋近目标边界时,水平集函数值逐渐变小,当到达目标边界时,函数值达到最小值,停止演化)。检查演化曲线是否稳定收敛,若稳定收敛,则停止迭代;否则,转入步骤2。
将本发明实施例与其它方法的分割效果进行对比,结果如图2-5所示,可以看出,本发明方法对初始轮廓曲线位置及图像噪声具有更高的鲁棒性,且分割精度更高、速度更快,可实现对灰度分布不均匀的异质图像的有效分割。
机译: 用于图像分割的可训练深度活动轮廓的系统和方法
机译: 基于深度学习的停车槽检测方法和装置集成全局和局部信息
机译: 数值控制器,数值控制系统和控制参数的自动调整方法和特征量准则变更方法以及全局调整条件全局决策方法和数据采样方法