專利名稱：基于水平集和分水嶺相結(jié)合的圖像輪廓檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及圖像分割，具體地說是一種圖像輪廓 檢測(cè)方法，該方法可用于圖像分割和輪廓檢測(cè)技術(shù)領(lǐng)域中，比如目標(biāo)與背景的分割、 目標(biāo)外部輪廓的檢測(cè)。
背景技術(shù)：
圖像分割是圖像理解與模式識(shí)別的基礎(chǔ)，廣泛應(yīng)用于醫(yī)學(xué)、軍事、氣象、氣候
等領(lǐng)域，是當(dāng)前研究的熱點(diǎn)與難點(diǎn)。圖像分割和輪廓檢測(cè)密切相關(guān)的，圖像分割方
法可分為傳統(tǒng)圖像分割方法和與特定理論相結(jié)合的圖像分割方法。分水嶺變換和水 平集方法都是與特定理論相結(jié)合而產(chǎn)生的圖像分割方法。
分水嶺變換是一種基于區(qū)域的圖像分割方法，它具有簡(jiǎn)單，快速，可得到連續(xù) 閉合分割邊界的優(yōu)點(diǎn)，而且對(duì)弱邊界敏感。但是，分水嶺變換極易導(dǎo)致過分割。所 以，為了得到滿意的分割結(jié)果，需要對(duì)圖像做一些必要的預(yù)處理或者是后處理。在 分水嶺變換以前，對(duì)輸入圖像或梯度圖像做預(yù)處理的目的是，降低噪聲的影響，或 者減少局部不規(guī)則梯度帶來的極小值的影響，比如Soille P等人使用強(qiáng)制最小技術(shù) 對(duì)梯度圖像進(jìn)行修改，以使局部最小區(qū)域僅出現(xiàn)在標(biāo)記的位置，很好地抑制了圖像 過分割現(xiàn)象的產(chǎn)生，參見Soille P, Morphological Image Analysis: Principles and Appllications. 2nd ed.， Springer Verlag， NY, 2003。而對(duì)圖像的過分割結(jié)果做后處理的 目的也是減少過分割，也就是將不必要的細(xì)節(jié)部分去掉，保留重要的分割結(jié)果。這 些不必要的"細(xì)節(jié)"可以是邊緣或者區(qū)域。比如HansenM和Higgins W等人通過 合并區(qū)域來達(dá)到降低過分割的目的，參見Bleau A禾n Leon L J， Watershed-Based Segmentation and Region Merging. Computer Vision and Image Understanding, vol. 77, no. 3， pp. 317-370。
水平集方法是一種可用于圖像分割的方法，該方法能自動(dòng)靈活地處理零水平集 拓?fù)浣Y(jié)構(gòu)的變化，如曲線的分裂、合并，通過提取目標(biāo)輪廓來完成圖像分割。但是， 傳統(tǒng)水平集方法需要周期性地對(duì)水平集函數(shù)進(jìn)行重新初始化，計(jì)算復(fù)雜度較高。Li 等人提出一種無需重新初始化的變分水平集方法，克服了傳統(tǒng)水平集方法需要周期 性地重新初始化的缺點(diǎn),參見Li C, Xu C， Gui C, Fox M D, Level Set Evolution WithoutRe-initialization: A New Variational Formulation. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005: 430-436。后來， Li等把窄帶思想運(yùn)用到上述方法中，極大地提高了活動(dòng)輪廓的演化速度，參見LiC， Xu C， Konwar K M, Fox M D, Fast Distance Preserving Level Set Evolution for Medical Image Segmentation. Proceedings of the 9th Int，l Conference on Control, Automation, Robotics and Vision, 2006。盡管Li等人提出的方法克服了傳統(tǒng)方法中需要重新初始 化的缺點(diǎn)，但是該方法不能準(zhǔn)確定位圖像邊緣，導(dǎo)致目標(biāo)檢測(cè)不完全。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述己有技術(shù)的不足，提出了一種基于水平集和分水嶺 相結(jié)合的圖像輪廓檢測(cè)方法， 一方面，它利用了水平集演化方法獲得目標(biāo)的大致外 部輪廓，減小噪聲和目標(biāo)內(nèi)部結(jié)構(gòu)的影響；另一方面，它利用分水嶺變換能準(zhǔn)確定 位邊緣的特點(diǎn)，以避免對(duì)圖像的過分割，提高目標(biāo)檢測(cè)效果。
為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下步驟
(1) 對(duì)輸入圖像用水平集方法檢測(cè)目標(biāo)輪廓，得到初始的目標(biāo)與背景二值分割 結(jié)果；
(2) 將檢測(cè)到的目標(biāo)輪廓作為分水嶺的內(nèi)部控制標(biāo)記；
(3) 將內(nèi)部控制標(biāo)記依次進(jìn)行距離變換和分水嶺變換，并將得到的分水線結(jié)果 作為分水嶺的外部控制標(biāo)記；
(4) 利用內(nèi)部控制標(biāo)記和外部控制標(biāo)記，對(duì)輸入圖像的梯度圖像進(jìn)行修正；
(5) 將修正后的梯度圖像進(jìn)行分水嶺變換，檢測(cè)圖像中的目標(biāo)輪廓。 本發(fā)明由于將水平集方法作為預(yù)分割方法，能夠獲得有效的內(nèi)部控制標(biāo)記和外
部控制標(biāo)記；同時(shí)由于本發(fā)明利用內(nèi)部控制標(biāo)記和外部控制標(biāo)記對(duì)輸入圖像的梯度 圖像進(jìn)行修正，減小了噪聲和目標(biāo)內(nèi)部結(jié)構(gòu)的影響，能較好地解決圖像的過分割問 題。


圖1是本發(fā)明的流程圖2是本發(fā)明使用的一幅云朵圖像；
圖3是本發(fā)明使用的一幅五角星圖像；
圖4是本發(fā)明使用的一幅被高斯白噪聲污染的人工圖像；
圖5是用本發(fā)明方法與現(xiàn)有水平集方法和分水嶺方法對(duì)圖2分割的仿真結(jié)果對(duì) 比圖；圖6是用本發(fā)明方法與現(xiàn)有水平集方法和分水嶺方法對(duì)圖3分割的仿真結(jié)果對(duì) 比圖7是用本發(fā)明方法與現(xiàn)有分水嶺方法對(duì)圖4分割的仿真結(jié)果對(duì)比圖。
具體實(shí)施例方式
參照?qǐng)Dl，本發(fā)明的具體實(shí)施步驟如下
步驟l.對(duì)輸入圖像用水平集方法檢測(cè)目標(biāo)輪廓，得到初始的目標(biāo)與背景二值分 割結(jié)果；
1.1) 在輸入圖像/中選定任意區(qū)域i 作為初始目標(biāo)區(qū)域，初始目標(biāo)區(qū)域以外的 區(qū)域/-及為初始背景區(qū)域，得到初始水平集函數(shù)A:
"、H，(《力" 戎o，力叫 ,
L c, e/犯
其中，c為正常數(shù)，水平集函數(shù)AO，力-0對(duì)應(yīng)為初始目標(biāo)區(qū)域與初始背景區(qū)域的邊
界，該邊界即初始目標(biāo)輪廓；
1.2) 設(shè)定初始水平集函數(shù)迭代次數(shù)/的初始迭代次數(shù)/。-l和最大迭代次數(shù)iV，
將初始水平集函數(shù)在如下偏微分方程控制下進(jìn)行迭代，以更新水平集函數(shù)-:
其中，等式右邊第一項(xiàng)為距離懲罰能量，第二項(xiàng)為曲線長度能量，第三項(xiàng)為目標(biāo)面 積能量，/是輸入圖像，g是輸入圖像對(duì)應(yīng)的梯度圖像，-是水平集函數(shù)，t是步長，
a代表拉普拉斯算子，V代表梯度算子，div代表散度算子，5W)是Dirac函數(shù)，// 為距離懲罰能量權(quán)系數(shù)，A為曲線長度能量權(quán)系數(shù)，v為目標(biāo)面積能量權(quán)系數(shù)，
1.3) 如果水平集函數(shù)的迭代次數(shù)z、iV，則將迭代次數(shù)/加l，再返回步驟(1,2);
否則，終止水平集函數(shù)迭代，此時(shí)水平集函數(shù)-的零水平集為待檢測(cè)的目標(biāo)輪廓。
步驟2.將檢測(cè)到的目標(biāo)輪廓作為分水嶺變換的內(nèi)部控制標(biāo)記。 分水嶺變換的基本思想是把圖像看作測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每個(gè)像素點(diǎn) 的灰度值表示該像素點(diǎn)的海拔高度，每個(gè)區(qū)域都有它的局部極小值，每個(gè)局部極小 值及其影響區(qū)域稱為集水盆地，而集水盆地的邊界則形成分水線。分水嶺變換可以 用模擬侵入過程來說明，其具體步驟是計(jì)算輸入圖像/的梯度圖像g;對(duì)梯度圖 像g進(jìn)行修正得到g';計(jì)算修正后梯度圖像g'的所有局部極小值，并將不同的局部極小值進(jìn)行標(biāo)記；在局部極小值打孔，水從小孔勻速溢出，對(duì)集水盆地進(jìn)行淹沒； 當(dāng)且僅當(dāng)不同集水盆地的水將要匯合時(shí)，將匯合處標(biāo)記為分水線。
上述分水嶺變換直接用于梯度圖像g時(shí)，噪聲和梯度的局部不規(guī)則性會(huì)導(dǎo)致圖 像過分割。為解決圖像過分割問題，德國學(xué)者Soille P提出基于控制標(biāo)記的分水嶺 方法，該方法利用內(nèi)部控制標(biāo)記和外部控制標(biāo)記對(duì)梯度圖像g進(jìn)行修正。內(nèi)部控制 標(biāo)記處在每個(gè)感興趣目標(biāo)的內(nèi)部，外部控制標(biāo)記將背景分割成互不重疊的區(qū)域，每 個(gè)區(qū)域包含唯一的目標(biāo)和部分背景。
本發(fā)明獲取內(nèi)部控制標(biāo)記的方法是，對(duì)于水平集方法檢測(cè)到的初始目標(biāo)輪廓， 將輪廓所在像素點(diǎn)灰度值賦為l，將輪廓以外像素點(diǎn)灰度值賦為O，得到的二值圖像， 將該二值圖像作為分水嶺變換的內(nèi)部控制標(biāo)記。
步驟3.將內(nèi)部控制標(biāo)記進(jìn)行距離變換和分水嶺變換，得到分水嶺的外部控制標(biāo)記。
3.1) 將內(nèi)部控制標(biāo)記進(jìn)行距離變換，該距離變換是指計(jì)算前景像素點(diǎn)到其最近 的背景像素點(diǎn)的歐氏距離"，可通過下式計(jì)算
￡> = V(A—A)2+(^-y2)2 其中，(&乂)為前景像素點(diǎn)，(;c2，y2)為離(x,，^)最近的背景像素點(diǎn)；
3.2) 將距離變換的結(jié)果圖進(jìn)行分水嶺變換，得到的分水線，將該分水線作為分 水嶺的外部控制標(biāo)記。
步驟4.利用內(nèi)部控制標(biāo)記和外部控制標(biāo)記，對(duì)輸入圖像的梯度圖像進(jìn)行修正。
4.1) 設(shè)定梯度深度閾值Tl和局部極小值閾值T2，并計(jì)算輸入圖像/的梯度圖 像g ;
4.2) 將梯度圖像g中梯度深度小于閥值Tl的局部極小值區(qū)域修正為0，得到第 一次修正后的梯度圖像g';
4.3) 將內(nèi)部控制標(biāo)記和外部控制標(biāo)記所對(duì)應(yīng)的梯度圖像g'中的梯度修正為T2， 得到第二次修正后的梯度圖像g"。
步驟5,將第二次修正后的梯度圖像g"進(jìn)行分水嶺變換，得到分水線，該分水 線為待檢測(cè)的目標(biāo)輪廓。
本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)進(jìn)一步說明
1.仿真內(nèi)容本發(fā)明用如圖2所示的云朵圖像、圖3所示的五角星圖像和圖4所 示的添加方差為0.01的高斯白噪聲的人工圖像作為測(cè)試圖像，將本發(fā)明所提出的圖像輪廓檢測(cè)方法與現(xiàn)有的水平集方法和分水嶺方法進(jìn)行比較。
2. 仿真條件Intel(R) Pentium(R) 4 CPU， 3.OOGHz， Windows XP系統(tǒng)，Matlab7.4.0
運(yùn)行平臺(tái)。
3. 仿真實(shí)驗(yàn)結(jié)果如圖5、圖6和圖7所示，其中
圖5(a)和圖6(a)分別是用現(xiàn)有水平集方法對(duì)圖2和圖3的分割結(jié)果圖，從5(a) 和圖6(a)這兩幅圖像可以看出，水平集方法對(duì)邊界的定位不準(zhǔn)確，容易漏檢弱邊界。
圖5(b)和圖6(b)分別是用現(xiàn)有分水嶺方法對(duì)圖2和圖3的分割結(jié)果圖，從5(b) 和圖6(b)這兩幅圖像可以看出，在目標(biāo)內(nèi)部存在紋理結(jié)構(gòu)時(shí)，分水嶺分割的結(jié)果都 具有過分割現(xiàn)象，不必要的細(xì)節(jié)太多。
圖5(c)和圖6(c)分別是用本發(fā)明方法對(duì)圖2和圖3的分割結(jié)果圖，對(duì)比圖5(a)、 5(c)和6(a)、 6(c)可以看出，本發(fā)明方法對(duì)目標(biāo)輪廓的定位比較準(zhǔn)確；對(duì)比圖5(b)、 5(c)和6(b)、 6(c)可以看出，本發(fā)明方法的分割結(jié)果避免了圖像過分割，去除了不必 要細(xì)節(jié)的影響，得到更為清晰的目標(biāo)輪廓。
圖7(a)和(b)分別是使用分水嶺方法和本發(fā)明方法對(duì)圖4的分割結(jié)果圖，對(duì)比圖 7(a)和7(b)可以看出，分水嶺方法由于噪聲存在而產(chǎn)生圖像過分割結(jié)果，而本發(fā)明 方法具有較好的抗噪性，能準(zhǔn)確檢測(cè)圓形的目標(biāo)輪廓。
權(quán)利要求
1、一種基于水平集和分水嶺相結(jié)合的圖像輪廓檢測(cè)方法，包括如下步驟(1)對(duì)輸入圖像用水平集方法檢測(cè)目標(biāo)輪廓，得到初始的目標(biāo)與背景二值分割結(jié)果；(2)將檢測(cè)到的目標(biāo)輪廓作為分水嶺的內(nèi)部控制標(biāo)記；(3)將內(nèi)部控制標(biāo)記依次進(jìn)行距離變換和分水嶺變換，并將得到的分水線結(jié)果作為分水嶺的外部控制標(biāo)記；(4)利用內(nèi)部控制標(biāo)記和外部控制標(biāo)記，對(duì)輸入圖像的梯度圖像進(jìn)行修正；(5)將修正后的梯度圖像進(jìn)行分水嶺變換，檢測(cè)圖像中的目標(biāo)輪廓。
2、 根據(jù)權(quán)利要求1所述的圖像輪廓檢測(cè)方法，其中步驟(l)所述的對(duì)輸入圖像用水平集方法檢測(cè)目標(biāo)輪廓，按如下步驟進(jìn)行(2a)在輸入圖像I中選定任意區(qū)域R作為初始目標(biāo)區(qū)域，初始目標(biāo)區(qū)域以外的區(qū)域I-R為初始背景區(qū)域，得到初始水平集函數(shù)^:其中，c為正常數(shù)，水平集函數(shù)^(x，力-0對(duì)應(yīng)為初始目標(biāo)區(qū)域與初始背景區(qū)域的邊界，即初始目標(biāo)輪廓；(2b)設(shè)定初始水平集函數(shù)迭代次數(shù)/的初始迭代次數(shù)/。=1和最大迭代次數(shù)N， 將初始水平集函數(shù)在如下偏微分方程控制下進(jìn)行迭代，以更新水平集函數(shù)- -嘗- M —+ g(V/) jl^i] + vg(V/，)其中，等式右邊第一項(xiàng)為距離懲罰能量，第二項(xiàng)為曲線長度能量，第三項(xiàng)為目標(biāo)面 積能量，I是輸入圖像，g是輸入圖像對(duì)應(yīng)的梯度圖像，^是水平集函數(shù)，t是步長， a代表拉普拉斯算子，V代表梯度算子，div代表散度算子，5^)是Dirac函數(shù)， 為距離懲罰能量權(quán)系數(shù)，義為曲線長度能量權(quán)系數(shù)，v為目標(biāo)面積能量權(quán)系數(shù)，//>0， A>0;(2c)如果水平集函數(shù)的迭代次數(shù)"iV，則迭代次數(shù)/ = / + 1,返回步驟(2b);否則，終止水平集函數(shù)迭代，此時(shí)水平集函數(shù)^的零水平集為待檢測(cè)的目標(biāo)輪廓。
3、根據(jù)權(quán)利要求1所述的圖像輪廓檢測(cè)方法，其中步驟(4)所述的利用內(nèi)部控 制標(biāo)記和外部控制標(biāo)記，對(duì)輸入圖像的梯度圖像進(jìn)行修正，按如下步驟進(jìn)行(3a)計(jì)算輸入圖像I的梯度圖像g，并設(shè)定梯度深度閾值Tl和局部極小值閾值T2;(3b)將梯度圖像g中梯度深度小于閾值Tl的局部極小值區(qū)域修正為0; (3c)將內(nèi)部控制標(biāo)記和外部控制標(biāo)記所對(duì)應(yīng)的梯度圖像g中的梯度修正為T2， 得到修正后的梯度圖像。
全文摘要
本發(fā)明公開了一種基于水平集和分水嶺相結(jié)合的圖像輪廓檢測(cè)方法，主要解決了現(xiàn)有方法產(chǎn)生圖像過分割結(jié)果和不能獲得準(zhǔn)確的目標(biāo)輪廓的問題。其具體實(shí)現(xiàn)步驟為(1)對(duì)輸入圖像用水平集方法檢測(cè)目標(biāo)輪廓，得到初始的目標(biāo)與背景二值分割結(jié)果；(2)將檢測(cè)到的目標(biāo)輪廓作為分水嶺的內(nèi)部控制標(biāo)記；(3)將內(nèi)部控制標(biāo)記依次進(jìn)行距離變換和分水嶺變換，并將得到的分水線結(jié)果作為分水嶺的外部控制標(biāo)記；(4)利用內(nèi)部控制標(biāo)記和外部控制標(biāo)記，對(duì)輸入圖像的梯度圖像進(jìn)行修正；(5)將修正后的梯度圖像進(jìn)行分水嶺變換，檢測(cè)出圖像中的目標(biāo)輪廓。本發(fā)明方法避免了圖像過分割，且具有對(duì)邊界定位比較準(zhǔn)確的優(yōu)點(diǎn)，可用于前景與背景的分割、目標(biāo)外部輪廓的檢測(cè)。
文檔編號(hào)G06T7/00GK101567084SQ200910022868
公開日2009年10月28日 申請(qǐng)日期2009年6月5日 優(yōu)先權(quán)日2009年6月5日
發(fā)明者彪 侯, 朱虎明, 焦李成, 爽 王, 田小林, 符升高, 緱水平, 蘇開亮, 樺 鐘 申請(qǐng)人:西安電子科技大學(xué)