法律状态公告日
法律状态信息
法律状态
2022-09-23
实质审查的生效 IPC(主分类):G06T 7/11 专利申请号:2022105263277 申请日:20220516
实质审查的生效
技术领域
本申请涉及图像解析这一领域,更具体地说,尤其涉及一种基于局部校正函数的变分水平集模型图像精准分割方法。
背景技术
图像处理技术广泛应用于人工智能、计算机视觉、医学临床诊断等诸多领域。由于图像的丰富性,至今没有一种通用的图像分割技术。几何化主动轮廓模型由于水平集方法的引入则它的发展被大大地推动了。该方法在结合了图像信息的能量泛函的驱动下,使轮廓线不断变形,逐步抵达目标区域的边界。
几何化主动轮廓模型由于水平集方法的引入则它的发展被大大地推动了。
该方法在结合了图像信息的能量泛函的驱动下,使轮廓线不断变形,逐步抵达目标区域的边界。目前,发展为边缘型,区域型,偏场矫正型,区域与边缘型等水平集模型。
边缘型是利用图像的梯度或二阶微分信息驱动轮廓线到达目标边缘,缺点是对弱边缘及非均匀性图像的分割精度低。
区域型是采用拟合代表轮廓线内外区域灰度强度值或函数的方法,构建一个衡量图像与拟合值或函数差异性的能量函数,并使能量函数最小化到达分割目的,缺点是模型系数的鲁棒性差,分割速度慢。
偏场矫正是将图像分解为偏场及真像的数学乘法合成,并使模型能量函数最小化实现分割,缺点是运行速度太缓慢,无法广泛推广应用。
发明内容
本申请的目的在于针对上述现有技术的不足,提出一种基于局部校正函数的变分水平集模型图像精准分割方法。
本申请是通过以下技术方案实现:
基于局部校正函数的变分水平集模型图像精准分割方法,其包括以下步骤:
S100,对于图片I,设置以下参数:N,ι,α,r,Δt,σ,ε(这几个参数可根据实际需要来自行设定);
N表示最大迭代数;
ι是目标对象系数,图像目标对象为亮色或暗色时取值不同,分割的目标对象为亮色时,ι=-1;反之,为ι=1;
α是一个系数,用来控制模型的迭代速度;
r是一个常数,表示图像域子集的范围半径;
σ是高斯函数中的标准偏差;
Δt为参数;
ε为迭代阈值;
α=1.2,r=3,σ=2,Δt=0.05,ε=0.005。
S200,初始化水平集函数φ(x,t=0):
其中,Ω
x表示:图像域的任意一点;
t表示:时间域上的变化。
4.根据权利要求2所述的基于局部校正函数的变分水平集模型图像精准分割方法,其特征在于:
还包括:S300,其包括S301~S305;
S301,计算c
其中,K是K(y-x)的简称,表示圆形邻域的核函数,此处为一个高斯截断函数,定义为:
*表示卷积操作,1
φ表示水平集函数;
然后执行步骤S302;
S302,计算e
其中,|I(x)-c
c
c
然后执行步骤S303;
S303,计算
然后执行步骤S304-1;
S304-1,i初始赋值为1,φ
S304-2,计算下式:
φ
S304-3,判断是否结束循环:
若|φ
若|φ
其中,ε为迭代阈值(一个极小数);
S304-4,判断是否结束循环:
若i=N结束迭代执行步骤S400;
若i S304-5,i的赋值为自加1,执行步骤S304-2。 S400,对水平集函数φ φ 上式中的φ 其中,intrans(x)定义如下: intrans(x)=sign(x)·|x| S500,计算φ φ 其中,Ω A(y-x)采用如下方式求解:
S600,输出水平集函数φ=φ 一种存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行前述的方法中的步骤。 本申请的有益效果在于:本申请的总体构思是:采用几何轮廓模型,通过梯度下降法求解能量泛函最小化的位置,即封闭连续的轮廓线的位置。通过设计局部预拟合函数去在迭代前计算图像局部区域的平均强度,因此计算速度大幅度提升,计算成本大幅度下降;本申请通过设计一个新的正则化函数去正则化数据驱动项,从而提高系统的鲁棒性和抗噪声干扰性,以及提高数据驱动项过零点处的灵敏度。 附图说明 下面结合附图中的实施例对本申请作进一步的详细说明,但并不构成对本申请的任何限制。 图1是水平集函数的正则化(c 图2是初始轮廓线鲁棒性实验。 图3是长度项的鲁棒性实验效果图。 图4是控制迭代速度系数的鲁棒性实验效果图。 图5是本发明与其他模型比较示意图一。 图6是本发明与其他模型比较示意图二。 具体实施方式 下面结合附图,通过实施例对本申请作进一步地描述。以下实施例将有助于本领域的技术人员进一步理解本申请,但不以任何形式限制本申请。应当指出的是,对本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进。这些都属于本申请的保护范围。以下结合附图对本申请的实施详细说明,但本申请的保护范围不限于下述的实施例。 实施例1: 将 图像分割的目的就是将具有相同或相似的图像属性集合为一个区域,不同的集合区域其属性具有明显的差异性,图像分割的结果是将图像Ω域分成
首先,定义一个半径为ρ的圆形邻域,点x|x∈Ω是O 其次,定义一个上述圆形邻域的核函数K(y-x)为高斯截断函数,定义如下:
将高斯截断函数K(y-x)引入到 然后,在O 最后,定义校正函数如下:
其中,ι是目标对象系数,因为,当图像目标对象为亮色或暗色时,c 当图像O
由于校正函数e(x)与水平集函数φ(x)具有一定的相似性,为此,我们可以直接引入水平集函数与其匹配,引导e(x)←M(φ(x))。水平集函数是利普希茨函数φ(x),可以正确表示区域Ω的两个不相交区域Ω
其中,c 轮廓线外区域Ω 采用欧氏距离公式来度量匹配的具体数值,添加一个能量函数定义如下: E(C,c 用M
将所有点x的拟合能量E
能量最小化公式(6),对于固定的φ,使能量E
至此,能量函数的最小化过程便可以转化为求解水平集演化方程,表达如下:
最小化公式(8),可以得到欧拉-拉格朗日方程,采用标准梯度下降法,可以得到以下方程:
公式(9)的 公式(10)中,添加一个系数α用于控制迭代速度。
水平集函数在迭代运算过程中不断演变,如果长时间朝单一方向叠加,例如 本发明在每次迭代后做一次非线性拉伸,拉伸的目的是提高过零点区域(|φ|<0.1)的斜率,增大其输出值域,同时,平滑(|φ|≥0.1)的斜率,完成水平集函数的正则化。公式定义如下,图1为函数的输出特性曲线: φ intrans(x)定义如下: intrans(x)=sign(x)·|x|
由于噪声的存在,水平集函数在演化过程中会分裂成许多的闭合区间,同时由于演化速度及方向的不同,使得零水平集函数凹凸不平。提出了一种解决方法,长度项函数采用圆形邻域均值截断函数,定义如下: φ 其中,Ω
圆形邻域均值截断函数可以有效地滤去小面积的噪声目标同时能平滑零水平轮廓线,其设定的参数比较稳定,实现传统长度项的功效,解决了传统长度项鲁棒性弱的缺点。
输入:图片I;设置:最大迭代数N,符号ι,系数α,r及σ。 输出:水平集函数φ和图像分割结果I 1.初始化水平集函数:
其中,Ω 2.从1到N: 3.按公式(7)计算c 4.按公式(2)计算e 5.水平集函数演化计算 6.若|φ 结束迭代 7.用公式(11)对水平集函数φ 8.用公式(13),计算φ 9.输出水平集函数φ=φ
初始轮廓线设置问题是模型系统中一个重要指标,有关模型的鲁棒性。我们选择四副非均匀性干扰图像进行实验,如图2所示。实验表明,模型具有较好的鲁棒性,当然由于位置的不同,会影响迭代速度。
本发明设计的长度项函数(公式13)可以有效地滤去小面积的噪声目标,同时,能平滑零水平轮廓线,其设定的参数比较稳定。当然,系数太小,就达不到平滑效果,但系数过大,有可能滤除分割目标或失去目标的轮廓细节。因此,一般要根据分割对象的特点设定系数大小,可以更好地获得满意的分割效果,如分割直角或细小目标,系数要选择小一点。实验结果如图3所示,实验表明,模型的参数r=2~6之间均呈现稳定的分割效果。
设置α系数的目的是为了调整迭代的运算速度,但此参数必须要保证模型的鲁棒性。适度提高模型的迭代速度可以节省运行开销。鲁棒性实验如图4所示,实验表明,在一定的范围内,调整α系数,在提高模型运行速度的同时,模型保持较好的鲁棒性。
如图5所示,是将近四年发表的五个不同类型的水平集模型与本发明(最后一列)在速度及精度方面进行比较,其参数设置参考文献。图5及Table1表明:在144个实验数据中,有6个其他论文模型数据优于本文模型数据。从上述数据分析,本文LCF模型对其他模型有比较明显的优势,特别是速度方面。 计算的精度采用交并比(IOU),即杰卡德相似性系数(JSC)公式如下:
其中,A 表1:图片的分割时间和IOU(JSC/time(s))
以上所举实施例为本申请的较佳实施方式,仅用来方便说明本申请,并非对本申请作任何形式上的限制,任何所属技术领域中具有通常知识者,若在不脱离本申请所提技术特征的范围内,利用本申请所揭示技术内容所作出局部更动或修饰的等效实施例,并且未脱离本申请的技术特征内容,均仍属于本申请技术特征的范围内。
机译: 基于概率水平集和基于标签传播强度的图像分割方法
机译: 基于深度学习的变分推理模型的信号单元特征变分推理方法及其系统
机译: 基于深度学习的变分推理模型的信号单元特征变分推理方法及其系统