本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及主動輪廓圖像分割方法，可用于在目標(biāo)識別中對自然圖像，人造圖像，醫(yī)學(xué)圖像，紫外極光圖像，多目標(biāo)圖像，灰度不均勻圖像以及背景復(fù)雜圖像的精確分割。

背景技術(shù)：

圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，也是圖像分析的第一步。因此，準(zhǔn)確的圖像分割在圖像處理中有著很重要的作用。但由于圖像分割是一項(xiàng)具有很高難度和深度的任務(wù)，迄今為止都沒有一個適用于多種類型圖像分割的方法。

近幾年，主動輪廓方法在圖像分割中得到了廣泛的應(yīng)用，并且也取得了一定程度的效果。主動輪廓主要分為基于邊緣的主動輪廓和基于區(qū)域的主動輪廓?；谶吘壍闹鲃虞喞椒ㄓ捎谄鋵υ肼暫统跏驾喞奈恢幂^敏感，且不適用于弱邊界圖像的分割，如測地線主動輪廓圖像分割方法gac，以及2005年li提出的無需重新初始化的水平集圖像分割方法lswr。因此，近些年，基于區(qū)域的主動輪廓方法比較流行，如，chan和vese提出的cv模型；gelas等人于2007年提出基于配置法的徑向基函數(shù)水平集圖像分割方法csrbfs；li等人于2008年提出基于區(qū)域可伸縮的能量最小化圖像分割方法rsf，2010年又提出距離正則化的水平集圖像分割方法drlse；andersson等人于2013年提出改進(jìn)的梯度搜索水平集圖像分割方法mgsls；這些方法雖然克服了基于邊緣的主動輪廓方法的缺點(diǎn)，但由于這些方法都是用梯度下降流來最小化能量函數(shù)，容易陷入局部最小。所以有人將主動輪廓方法和圖割模型結(jié)合，用圖割模型來優(yōu)化主動輪廓方法的能量函數(shù)，提出了基于圖割優(yōu)化的主動輪廓方法acbgc，該方法可以找到能量函數(shù)的全局最小。但是該方法不能分割灰度不均勻的圖像和對比度極低的紫外極光圖像。為了克服以上提到的缺點(diǎn)，yang等人于2015年提出了嵌入馬爾可夫隨機(jī)場的水平集圖像分割方法mels，該方法在參數(shù)最優(yōu)的情況下可以得到較好的分割結(jié)果，但是尋找最優(yōu)參數(shù)不僅耗時耗力，而且非常困難。因此，該方法不適用于大量圖像的分割。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出基于中介真值程度度量的局部主動輪廓圖像分割方法，以實(shí)現(xiàn)對大量圖像的準(zhǔn)確分割。

本發(fā)明的技術(shù)思路是：通過給定初始輪廓，把圖像輪廓曲線內(nèi)的部分當(dāng)作目標(biāo)，把圖像輪廓曲線外的部分當(dāng)作背景；通過在圖像的局部區(qū)域內(nèi)用圖割優(yōu)化主動輪廓能量函數(shù)，驅(qū)動局部區(qū)域內(nèi)輪廓曲線向目標(biāo)邊界演化；重復(fù)上述步驟，使圖像上所有局部區(qū)域內(nèi)輪廓曲線都向目標(biāo)邊界演化，完成圖像分割。其實(shí)現(xiàn)步驟包括如下步驟：

(1)在輸入圖像i上定義初始輪廓曲線c，并對圖像上的所有像素進(jìn)行標(biāo)號，即把初始輪廓曲線內(nèi)的像素標(biāo)號為1，把初始輪廓曲線外的像素標(biāo)號為0；

(2)以輪廓曲線c上的第i個像素點(diǎn)為中心，r為邊長做一個正方形，得到圖像i的第i個局部區(qū)域ii，其中r的值在5到40之間，i從1到k，k為輪廓曲線c的周長；

(3)在步驟(2)中得到的局部區(qū)域ii上分別計(jì)算輪廓曲線內(nèi)像素的灰度均值和輪廓曲線外像素的灰度均值

其中，ii(p)為局部區(qū)域ii上像素p的灰度值，lp為局部區(qū)域ii上像素p的標(biāo)號，取值為0或1；

(4)分別計(jì)算ii(p)與的相似度和與的相似度

其中，d(*,*)代表兩者之間的歐式距離；

(5)分別計(jì)算ii(p)與ii(qn)的相似度h(ii(p),ii(qn))和ii(p)與ii(qn)的平均相似度

其中，ii(qn)是局部區(qū)域ii上像素p的八個鄰域像素qn的灰度值，n＝1,2,…,8；

(6)分別計(jì)算局部區(qū)域ii上像素q的灰度值ii(q)與的相似度和

(7)根據(jù)步驟(4)、步驟(5)和步驟(6)的結(jié)果，構(gòu)建能量函數(shù)e：

e＝e1+e2+e3+e4，

其中，e1為能量函數(shù)的邊界平滑項(xiàng)，

e2為能量函數(shù)的內(nèi)部能量項(xiàng)，

e3為能量函數(shù)的外部能量項(xiàng)，

e4為能量函數(shù)的噪聲懲罰項(xiàng)；lq為局部區(qū)域ii上像素q的標(biāo)號，ni是p的八鄰域系統(tǒng)；

(8)用圖割方法對步驟(7)的能量函數(shù)進(jìn)行優(yōu)化，以驅(qū)動局部區(qū)域ii內(nèi)的輪廓曲線向前景的邊界演化，當(dāng)輪廓曲線演化到達(dá)前景的邊界時，完成圖像分割；

本發(fā)明具有如下優(yōu)點(diǎn)：

1.本發(fā)明由于在主動輪廓方法的能量函數(shù)中引入噪聲懲罰項(xiàng)，因此，對噪聲更加魯棒；

2.本發(fā)明由于在主動輪廓方法的能量函數(shù)中引入新的邊界平滑項(xiàng)，因此，可以得到更加平滑準(zhǔn)確的邊界；

3.本發(fā)明由于引入了圖像的局部信息和中介真值程度度量理論，因此適用于分割對比度較低的紫外極光圖像、灰度不均勻圖像以及背景復(fù)雜圖像。

4.本發(fā)明由于只有一個需要人工調(diào)節(jié)的局部區(qū)域的邊長r參數(shù)，且該參數(shù)對結(jié)果的影響較小，因此適合對大量圖像的的準(zhǔn)確分割。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是用本發(fā)明對紫外極光圖像進(jìn)行分割的仿真結(jié)果圖；

圖3是用本發(fā)明與現(xiàn)有方法對灰度不均勻圖像進(jìn)行分割的對比結(jié)果圖；

圖4是用本發(fā)明與現(xiàn)有方法對背景復(fù)雜圖像進(jìn)行分割的對比結(jié)果圖。

具體實(shí)施方式

以下結(jié)合附圖對本發(fā)明的內(nèi)容和效果進(jìn)行進(jìn)一步描述。

參照圖1，本實(shí)例的具體實(shí)現(xiàn)步驟如下：

步驟1:在輸入圖像i上定義初始輪廓曲線c，并對圖像上的所有像素進(jìn)行標(biāo)號。

1a)在輸入圖像上定義初始輪廓曲線：

若輸入圖像為紫外極光圖像，則首先用閾值法得到初步分割結(jié)果，然后對初步分割結(jié)果的內(nèi)外邊界分別進(jìn)行橢圓擬合，得到的橢圓環(huán)作為初始輪廓曲線；

若輸入圖像為其他類型的圖像，則用戶自定義初始輪廓曲線。

1b)對圖像上的像素進(jìn)行標(biāo)號時，把輸入圖像看作一個矩陣，其中這個矩陣的行數(shù)就是圖像的長，列數(shù)就是圖像的寬，矩陣中的元素就是圖像上對應(yīng)位置的像素灰度值；再把矩陣中對應(yīng)于圖像輪廓曲線內(nèi)像素的元素?fù)Q成1，即把圖像輪廓曲線內(nèi)的像素標(biāo)號為1，把矩陣中對應(yīng)于圖像輪廓曲線外像素的元素?fù)Q成0，即把輪廓曲線外的像素標(biāo)號為0。

步驟2：在輸入圖像i上取局部區(qū)域ii。

以初始輪廓曲線上第i個像素點(diǎn)為中心，r為半徑做一個正方形，其中r的大小根據(jù)圖像灰度的不均勻性以及圖像的背景復(fù)雜性選取，當(dāng)圖像灰度不太均勻，且背景也較復(fù)雜時，r的值應(yīng)當(dāng)選的小一些，當(dāng)圖像灰度比較均勻，背景也較單一時，r的值應(yīng)當(dāng)選的大一些，但r的值在5到40之間。

步驟3：計(jì)算在局部區(qū)域ii輪廓曲線內(nèi)外的灰度均值。

輪廓曲線將局部區(qū)域上的所有像素分成兩部分，一部分是輪廓曲線內(nèi)的像素，一部分是輪廓曲線外的像素，

3a)計(jì)算輪廓曲線內(nèi)像素的灰度均值:

3b)計(jì)算輪廓曲線外像素的灰度均值：

其中，ii(p)為局部區(qū)域上像素p的灰度值，lp為像素p的標(biāo)號。

步驟4：計(jì)算局部區(qū)域上像素p的灰度值ii(p)與輪廓曲線內(nèi)外像素灰度均值的相似度。

4a)計(jì)算ii(p)與的相似度

計(jì)算ii(p)與的相似度可通過計(jì)算ii(p)到某個具體數(shù)值的歐式距離和到某個具體數(shù)值的歐式距離之比來計(jì)算，灰度值ii(p)的取值不同，得到的相似度不同，其公式如下：

其中d(ii(p),0)表示p的灰度值ii(p)與數(shù)值0之間的歐氏距離，d(ii(p),1)表示p的灰度值ii(p)與數(shù)值1之間的歐氏距離，表示輪廓內(nèi)灰度均值與數(shù)值0之間的歐氏距離，表示輪廓外灰度均值與數(shù)值1之間的歐氏距離；

4b)計(jì)算ii(p)與的相似度

計(jì)算ii(p)與的相似度可通過計(jì)算ii(p)到某個具體數(shù)值的歐式距離和到某個具體數(shù)值的歐式距離之比來計(jì)算，灰度值ii(p)的取值不同，得到的相似度不同，其公式如下：

其中表示輪廓內(nèi)灰度均值與數(shù)值0之間的歐氏距離，表示輪廓外灰度均值與數(shù)值1之間的歐氏距離；

從上述公式可見：和的取值在0到1之間，當(dāng)這個值越接近1，說明ii(p)與和越相似，反之，說明ii(p)與和越不相似；

步驟5：計(jì)算ii(p)與ii(qn)的相似度和平均相似度。

5a)計(jì)算ii(p)與ii(qn)的相似度h(ii(p),ii(qn))：

找出局部區(qū)域內(nèi)像素p的八個鄰域像素qn，并計(jì)算像素p的灰度值ii(p)與其八個鄰域像素的灰度值ii(qn)的相似度，n＝1,2,…,8，i＝1,2,...,k,其中k為輪廓曲線的周長，其公式如下：

其中d(ii(qn),0)表示輪廓內(nèi)灰度均值ii(qn)與數(shù)值0之間的歐氏距離，d(ii(qn),1)表示輪廓外灰度均值ii(qn)與數(shù)值1之間的歐氏距離；

5b)根據(jù)5a)的結(jié)果計(jì)算ii(p)與ii(qn)的平均相似度

的值在0到1之間，當(dāng)這個值越接近1，說明ii(p)和p的八個鄰域像素的灰度值都很相似，反之，說明ii(p)和和p的八個鄰域像素的灰度值都很不太相似。

步驟6：計(jì)算ii(q)與的相似度。

找出像素p的四鄰域像素q，并計(jì)算像素q的灰度值ii(q)與和的相似度，

6a)計(jì)算ii(q)與的相似度

計(jì)算ii(q)與的相似度可通過計(jì)算ii(q)到某個具體數(shù)字的歐式距離和到某個具體數(shù)字的歐式距離之比來計(jì)算，灰度值ii(q)的取值不同，得到的相似度不同，其公式如下：

其中d(ii(q),0)表示q的灰度值ii(q)與數(shù)值0之間的歐氏距離，d(ii(q),1)表示q的灰度值ii(q)與數(shù)值1之間的歐氏距離；

的值在0到1之間，當(dāng)這個值越接近1，說明ii(q)和越相似，反之，說明ii(q)和越不相似；

6b)計(jì)算ii(q)與的相似度

計(jì)算ii(q)與的相似度可通過計(jì)算ii(q)到某個具體數(shù)字的歐式距離和到某個具體數(shù)字的歐式距離之比來計(jì)算，灰度值ii(q)的取值不同，得到的相似度不同，其公式如下：

的值在0到1之間，當(dāng)這個值越接近1，說明ii(q)和越相似，反之，說明ii(q)和越不相似。

步驟7：構(gòu)建能量函數(shù)e。

7a)構(gòu)建能量函數(shù)的邊界平滑項(xiàng)e1：

7a1)構(gòu)建邊界約束因子k：

k＝∑pmax((k1+k2),0)

其中，

7a2)根據(jù)7a1)的結(jié)果構(gòu)建邊界平滑項(xiàng)e1:

其中，lq為局部區(qū)域ii上像素q的標(biāo)號，ni是p的八鄰域系統(tǒng)；

7b)構(gòu)建能量函數(shù)的內(nèi)部能量項(xiàng)e2：

7c)構(gòu)建能量函數(shù)的外部能量項(xiàng)e3：

7d)構(gòu)建能量函數(shù)的噪聲懲罰項(xiàng)e4：

7e)根據(jù)7a)-7d)的結(jié)果得到能量函數(shù)e：

e＝e1+e2+e3+e4。

步驟8：用圖割方法對步驟(7)的能量函數(shù)進(jìn)行優(yōu)化，以驅(qū)動局部區(qū)域ii內(nèi)的輪廓曲線向前景的邊界演化，當(dāng)輪廓曲線演化到達(dá)前景的邊界時，完成圖像分割。

8a)將局部區(qū)域ii映射為一個包含多個普通頂點(diǎn)、2個終端頂點(diǎn)、多條n-links邊和多條t-links邊組成的幾何圖：

8a1)確定幾何圖的頂點(diǎn)和邊；

將局部區(qū)域ii中的每個像素都作為一個普通頂點(diǎn)，將局部區(qū)域ii中前景像素的集合作為第一終端頂點(diǎn)，將局部區(qū)域ii中背景像素的集合作為第二終端頂點(diǎn)；將每兩個相鄰的普通頂點(diǎn)的連線作為n-links邊，將每個普通頂點(diǎn)與2個終端頂點(diǎn)的連線作為t-links邊；

8a2)確定幾何圖的邊的權(quán)值；

將步驟(7)得到的能量函數(shù)e設(shè)置為n-links的權(quán)值；

根據(jù)以下規(guī)則設(shè)置t-links的權(quán)值：

對任一普通頂點(diǎn)p，如果其灰度值滿足則將p與第一終端頂點(diǎn)連成的t-links邊的權(quán)值設(shè)為9×10⁹，將p與第二終端頂點(diǎn)連成的t-links邊的權(quán)值設(shè)為0，否則，將p與第二終端頂點(diǎn)連成的t-links邊的權(quán)值設(shè)為9×10⁹，將p與第一終端頂點(diǎn)連成的t-links邊的權(quán)值設(shè)為0；

8b)用最大流和最小割算法找到步驟(8a)中幾何圖的最小割，以對普通頂點(diǎn)的標(biāo)號進(jìn)行更新，進(jìn)而對能量函數(shù)e進(jìn)行更新優(yōu)化：

8b1)把幾何圖看成是一個從第一終端頂點(diǎn)經(jīng)過中間一系列普通頂點(diǎn)到第二終端頂點(diǎn)的網(wǎng)絡(luò)流，從任意一個可行流出發(fā)，使用廣度優(yōu)先搜索法找到一條從第一終端頂點(diǎn)到第二終端頂點(diǎn)的增廣路徑，該可行流，是指給網(wǎng)絡(luò)流中的每條邊一個流量，若這些流量都不超過對應(yīng)邊的權(quán)值，則稱這些流量構(gòu)成的集合f為一個可行流；該增廣路徑，是指給定一個可行流f，設(shè)m是從第一終端頂點(diǎn)到第二終端頂點(diǎn)的一條路，若m上的每一條邊的流量都小于其權(quán)值，則稱m為關(guān)于可行流f的一條可增廣路徑；

8b2)找出增廣路徑中最小的權(quán)值，將此增廣路徑中每條邊的權(quán)值與這個最小權(quán)值相減，把得到的差作為對應(yīng)邊的新的權(quán)值，并去掉新權(quán)值為0的邊，構(gòu)成新的網(wǎng)絡(luò)流；

8b3)重復(fù)步驟8b1)-8b2)，直至搜索不到新的從第一終端頂點(diǎn)到第二終端頂點(diǎn)的增廣路徑，則上一次求得的網(wǎng)絡(luò)流就是最大流；

8b4)將步驟8b3)中得到的最大流中所有的邊構(gòu)成一個集合，該集合就是一個最小割，并用該最小割將幾何圖分成兩部分，一部分由第一終端頂點(diǎn)及其連接的部分普通頂點(diǎn)組成，這部分普通頂點(diǎn)的標(biāo)號被更新為1，另一部分由第二終端頂點(diǎn)及其連接的部分普通頂點(diǎn)組成，這部分普通頂點(diǎn)的標(biāo)號被更新為0，以實(shí)現(xiàn)通過對普通頂點(diǎn)標(biāo)號的更新完成對能量函數(shù)e的優(yōu)化。

本發(fā)明的效果通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：

1、實(shí)驗(yàn)條件

硬件平臺：intelcorei3、2.93ghz、3.45gbram；

軟件平臺：windows7操作系統(tǒng)下的matlabr2011b；

實(shí)驗(yàn)數(shù)據(jù)：本發(fā)明所使用的紫外極光數(shù)據(jù)來自polar衛(wèi)星攜帶的紫外極光成像儀所拍攝的1996年12月的紫外極光圖像100幅，大小均為228*200。

2、實(shí)驗(yàn)內(nèi)容與結(jié)果

仿真1：用本發(fā)明和現(xiàn)有紫外極光圖像分割方法對上述實(shí)驗(yàn)數(shù)據(jù)同時進(jìn)行分割處理，結(jié)果如圖2，其中，圖2(a)為紫外極光圖像，圖2(b)為hkm分割結(jié)果，圖2(c)為amet分割結(jié)果，圖2(d)為llsrht分割結(jié)果，圖2(e)為siials分割結(jié)果，圖2(f)為本發(fā)明的分割結(jié)果，圖2(g)為專家手工標(biāo)定的結(jié)果，比較圖2的各列，可以看出，本發(fā)明在對紫外極光圖像的分割上可以取得令人滿意的結(jié)果。

為了更準(zhǔn)確的評價本發(fā)明，用分割結(jié)果的查全率、查準(zhǔn)率以及fscore對本發(fā)明以及現(xiàn)有方法的結(jié)果做客觀評價，如表1所示。

表1

其中fscore是查全率與查準(zhǔn)率的綜合，公式如下：

從表1可見，本發(fā)明在紫外極光圖像的分割上有最高的fscore，查準(zhǔn)率僅次于hkm方法，這是因?yàn)閔km分割出的極光卵區(qū)域過小所致?？傮w來看，本發(fā)明在紫外極光圖像的分割上有很好的效果，分割準(zhǔn)確率有所提高。

仿真2：本發(fā)明與現(xiàn)有方法對灰度不均勻圖像進(jìn)行分割，結(jié)果如圖3，其中圖3(a)為原圖像，圖3(b)為給定初始輪廓，圖3(c)為測地線主動輪廓gac分割結(jié)果，圖3(d)為cv模型分割結(jié)果，圖3(e)為acbgc的分割結(jié)果，圖3(f)為rsf分割結(jié)果，圖3(g)為lswr分割結(jié)果，圖3(h)為mels分割結(jié)果，圖3(i)為本發(fā)明分割結(jié)果。

從圖3結(jié)果可以看出，其它方法都沒有正確的分割出原圖像的真正前景，而本發(fā)明可以正確的分割出原圖像的前景。

仿真3，用本發(fā)明與現(xiàn)有方法對背景復(fù)雜圖像進(jìn)行分割，結(jié)果如圖4，其中圖4(a)為原圖像，圖4(b)為給定初始輪廓，圖4(c)為gac分割結(jié)果，圖4(d)為cv模型分割結(jié)果，圖4(e)為acbgc的分割結(jié)果，圖4(f)為lswr分割結(jié)果，圖4(g)為rsf分割結(jié)果，圖4(h)為mels分割結(jié)果，圖4(i)為本發(fā)明分割結(jié)果。

從圖4結(jié)果可以看出，只有本發(fā)明可以正確的分割出原圖像的前景。