基于全局信息和局部信息自適應擬合的圖像分割方法
【專利摘要】本發(fā)明公開一種基于全局信息和局部信息自適應擬合的圖像分割方法，方法中所用模型是在分析改進的CV模型的演化模式和全局信息的基礎上，增加了LBF模型中局部信息的優(yōu)點，融合圖像局部信息和全局信息，由圖像幾何信息和數(shù)學分析實現(xiàn)相關權重系數(shù)的自適應，很好地解決了原有模型對初始輪廓線敏感、水平集重新初始化、數(shù)值求解復雜、分割效率低、分割效果差和人為因素的干擾等問題。
【專利說明】
基于全局信息和局部信息自適應擬合的圖像分割方法
技術領域
[0001] 本發(fā)明設及圖像處理領域，尤其是一種計算簡單、對初始位置和大小不敏感并結 合了圖像的局部信息，可有效處理灰度不均勻圖像和其它類型圖像的基于全局信息和局部 信息自適應擬合的圖像分割方法。
【背景技術】
[0002] 圖像分割在圖像處理領域中占有比較基礎而重要的地位，其目的是從待分割圖像 中提取感興趣的對象，W便與圖像中的其余對象相分離，進一步服務于更高層次的圖像處 理。
[0003] 近年來，基于偏微分方程的圖像分割技術得到了廣泛關注，而目前基于偏微分方 程的圖像分割又W活動輪廓模型的研究為主。在現(xiàn)階段國內外所提出的活動輪廓模型當 中，CV模型是基于全局信息的經典模型，此模型具有對輪廓初始化不敏感的特點，但不能分 割異質（灰度分布不均勻）的圖像。為此，研究人員在CV模型中引入了高斯核函數(shù)，把CV模 型的全局二值擬合能量泛函改為W高斯函數(shù)為核函數(shù)的局部二值擬合能量泛函，設計了一 種局部二值能量泛函擬合的LBF模型。該模型具有很好的局部特性，在一定程度上解決了灰 度不均勻圖像的分割問題。然而，LBF模型中許多圖像性質的計算及約束項的控制使得模型 計算較為復雜，同時分割結果較大地依賴于演化曲線的大小與初始位置的選擇。

【發(fā)明內容】

[0004] 本發(fā)明是為了解決現(xiàn)有技術所存在的上述技術問題，提供一種計算簡單、對初始 位置和大小不敏感并結合了圖像的局部信息，可有效處理灰度不均勻圖像和其它類型圖像 的基于全局信息和局部信息自適應擬合的圖像分割方法。
[0005] 本發(fā)明的技術解決方案是:一種基于全局信息和局部信息自適應擬合的圖像分割 方法，其特征在于按如下步驟進行： 步驟1.讀入圖像相關信息，并設置相關高斯核函數(shù)； 步驟2.建立水平集演化方程：
其中，所述^為水平集，所述站游:舞為初始圖像，所述其余符號見公式四~喊； 步驟3.為了求解模型錬!，初始化水平集函數(shù)巧= 0，令濾=:潛； 步驟4.計算參數(shù)單!癡;!?:：械紹4 .為餐^墓辨

其中，所述唾斬1，嚇乾i為輪廓曲線在第η次迭代后，圖像在其內部和外部的全局信 息，所述4學)和裹辦)為曲線內部和外部區(qū)域的圖像在點X處的注個局部擬合值，所化皮.為 髙斯核，所述Ε 為擬合參數(shù)，嶺鍵為Heaviside函數(shù)，其定義為：
鑛 步驟5.利用有限差分法，根據(jù)公式:!導更新水平集函數(shù)裝：
其中，乎為迭代步長，為了實現(xiàn)水平集函數(shù)的正則化并加速演化過程，令黯茜=巾:耐。?; 步驟6.使用"停止準則"檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代;否則， 令巧..二:駁呼1:,，并轉入步驟4。
[0006]本發(fā)明是在CV模型和LBF模型的基礎上，公開一種自適應的區(qū)域活動輪廓模型。該 模型繼承了改進CV模型的計算簡單、對初始位置和大小不敏感的特性，并結合了圖像的局 部信息，既克服了只包含全局信息的活動輪廓模型的不足，又簡化了LBF模型的計算，可有 效處理灰度不均勻圖像和其它類型圖像的分割。同時，用來結合兩個模型的擬合參數(shù)由于 使用了圖像本身的梯度信息，能夠避免了人為因素選取參數(shù)的干擾，從而自適應地判斷全 局信息和局部信息的主導作用。本發(fā)明融合圖像局部信息和全局信息，由圖像幾何信息和 數(shù)學分析實現(xiàn)相關權重系數(shù)的自適應，很好地解決了原有模型對初始輪廓線敏感、水平集 重新初始化、數(shù)值求解復雜、分割效率低、分割效果差和人為因素的干擾等問題。
【附圖說明】
[0007]圖1是本發(fā)明實施例權重擬合參數(shù)凌曲線示意圖。
[000引圖2是本發(fā)明實施例與改進的CV模型、L邸模型分割CT圖像的結果比較。
[0009] 圖3是本發(fā)明實施例與改進的CV模型、LBF模型分割合成圖像的結果比較。
[0010] 圖4是本發(fā)明實施例與改進的CV模型、LBF模型分割二值扳子圖像的結果比較。 具體實施例
[0011] 本發(fā)明實施例提供的一種基于全局信息和局部信息自適應擬合的圖像分割水平 集模型的圖像分割方法，包括如下步驟： 步驟1.讀入圖像相關信息，并設置相關高斯核函數(shù)； 步驟2.建立水平集演化方程：
其中，所述瓣為水平集，所述嗔樂錢為初始圖像，所述其余符號見公式繳~議； 步驟3.為了求解模型銷，初始化水平集函數(shù)的睞= 0,令難二替；
其中，所化嗎fiy，麵錢)為輪廓曲線在第η次迭代后，圖像在其內部和外部的全局信 息，所述|餐)和遙擇)為曲線內部和外部區(qū)域的圖像在點X處的兩個局部擬合值，所述為 高斯核，所述€ |_a3j為擬合參數(shù)，茲為化aviside函數(shù)，其定義為：
纖 步驟5.利用有限差分法，根據(jù)公式黎3更新水平集函數(shù)察：
其中，了為迭代步長，為了實現(xiàn)水平集函數(shù)的正則化并加速演化過程，令 滅褲立沖冀I二i; 步驟6.使用"停止準則"檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代;否則， 令巧二巧并轉入步驟4。
[0012]本發(fā)明公開如下擬合參數(shù)來實現(xiàn)模型的自適應性：
其特征在于，當擬合參數(shù)渡=母時，只有局部信息驅動活動輪廓演化；當擬合參數(shù) 泌=1時，模型退化成改進的CV模型，只有全局信息驅動活動輪廓演化；當濃右攀藻時，全 局信息和局部信息兩者同時起作用，既可W處理灰度不均勻圖像的分割問題，又可W克服 CV模型和LBF模型的初始輪廓敏感和計算過程復雜等不足，從而驅動活動輪廓演化，實現(xiàn)圖 像分割。
[OOU] 本發(fā)明實施例權重擬合參數(shù)曲線示意圖入圖1所示。
[0014]本發(fā)明實施例與改進的CV模型、L邸模型分割CT圖像的結果比較如圖2所示。
[001引本發(fā)明實施例與改進的CV模型、LBF模型分割合成圖像的結果比較如圖3所示。 [0016]本發(fā)明實施例與改進的CV模型、LBF模型分割二值扳子圖像的結果比較如圖4所 /J、- 〇
【主權項】
1. 一種基于全局信息和局部信息自適應擬合的圖像分割方法，其特征在于按如下步驟 進行： 步驟1.讀入圖像相關信息，并設置相關高斯核函數(shù)； 步驟2.建立水平集演化方程：其中，所述鈐為水平集，所述幻為初始圖像，所述其余符號見公式_~職； 步驟3 ·為了求解模型?，初始化水平集函數(shù)丨?) s 〇，令教=;其中，所述％^|，為輪廓曲線在第η次迭代后，圖像在其內部和外部的全局信 息，所述#齡和#^為曲線內部和外部區(qū)域的圖像在點X處的2個局部擬合值，所述為 高斯核，所述毯_:興1為擬合參數(shù)，為Heaviside函數(shù)，其定義為：步驟5.利用有限差分法，根據(jù)公式變更新水平集函數(shù)#:其中，:r為迭代步長，為了實現(xiàn)水平集函數(shù)的正則化并加速演化過程，令％^= |交夢| = !; 步驟6.使用"停止準則"檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代；否則， 令爲1,，并轉入步驟4。
【文檔編號】G06T7/00GK105825513SQ201610159166
【公開日】2016年8月3日
【申請日】2016年3月21日
【發(fā)明人】王相海, 陶兢哲, 李明, 孫麗
【申請人】遼寧師范大學