本發(fā)明屬于圖像信息處理領(lǐng)域，主要涉及圖像分割，具體是一種基于改進(jìn)局部信息的cv模型的圖像分割方法，用于人工合成圖像，灰度不均勻圖像和紅外圖像分割。

背景技術(shù)：

圖像分割是計算機(jī)視覺和圖像處理領(lǐng)域中的一個基本問題。圖像分割的目的是把圖像區(qū)域分成若干互不相交的子區(qū)域，在每個子區(qū)域上圖像的某種性質(zhì)呈現(xiàn)一致性。

活動輪廓模型(acm)由于其能較好地處理局部間斷邊緣等特性，受到人們的關(guān)注。而水平集方法用定義在高維空間中的水平集函數(shù)替代了acm方法中的參數(shù)曲線，成功地解決了曲線演化中拓?fù)浣Y(jié)構(gòu)變化的問題。但是，水平集方法對復(fù)雜場景下的圖像存在著精度差、效率低等問題需要解決，因此開展水平集方法的研究具有重要的現(xiàn)實意義。

基于水平集的活動輪廓模型稱作水平集方法，該類模型不再依賴參數(shù)，對拓?fù)淝€變化可以進(jìn)行有效處理。主要分為三類：邊緣型模型、區(qū)域型模型以及混合型模型。早期較成熟的邊緣模型為gac模型，但該模型對噪聲敏感，同時要不斷重新初始化水平集函數(shù)。針對邊緣性模型過度依賴邊緣信息的缺點，國內(nèi)外專家提出了基于區(qū)域的水平集方法。其中最著名的是cv模型，利用圖像的灰度統(tǒng)計信息，不再依賴圖像的梯度信息能分割模糊邊界、弱邊界、不連續(xù)邊界的圖像，尤其對目標(biāo)和背景灰度均勻的圖像有理想的分割效果，但是該方法不能分割灰度不均勻圖像，而且在分割較大尺寸的圖像或噪聲圖像時，演化速度慢。

針對cv模型的缺點，李春明等人提出了基于局部信息的的lbf模型，把cv模型的全局二值擬合能量泛函改為基于核函數(shù)的局部二值擬合能量泛函，較好的解決了灰度不均勻圖像的分割問題，但是該模型對初始輪廓較為敏感，不同的初始輪廓位置會影響分割結(jié)果，且lbf模型的演化速度難以滿足實時性要求高的應(yīng)用場合。王力等人在論文中結(jié)合cv模型和lbf模型的能量泛函線性組合成新的能量泛函，在一定程度上解決了灰度不均勻圖像的分割問題，但是相比單一模型計算量較大。王曉峰等人結(jié)合局部和全局信息提出了局部cv模型(lcv)，通過卷積之后的圖像與原始圖像做差值，增強(qiáng)目標(biāo)與背景的灰度對比度，可以分割灰度不均勻圖像，分割速度和迭代次數(shù)較lbf快，但是由于沒有利用局部像素點灰度值之間關(guān)系和受卷積窗口大小限制，對于背景復(fù)雜灰度圖像分割效果不理想。

綜上所述，基于全局信息的模型分割速度快，但不能成功分割灰度不均勻圖像?；诰植啃畔⒌哪Ｐ鸵紫萑刖植繕O小值，導(dǎo)致過分割現(xiàn)象。結(jié)合全局與局部信息的混合模型能較好的分割灰度異質(zhì)圖像，但計算較復(fù)雜。

技術(shù)實現(xiàn)要素：

本發(fā)明針對上述技術(shù)的不足，提出一種基于改進(jìn)局部信息的cv模型的圖像分割方法，以在保證分割效率的同時提高分割的準(zhǔn)確性。

本發(fā)明是基于改進(jìn)局部信息的cv模型的圖像分割方法，其特征在于，包括有如下步驟：

(1)輸入原始圖像i，計算其像素點灰度值i(x)，x為圖像像素點；

(2)設(shè)置初始輪廓c，初始輪廓c為圖像任意指定的閉合曲線所對應(yīng)的圖像像素點x，由水平集函數(shù)φ(x)的零水平集得到：即當(dāng)水平集函數(shù)φ(x)＝0時對應(yīng)的圖像像素點x為初始輪廓c，當(dāng)φ(x)＞0時對應(yīng)的圖像像素點x為背景區(qū)域，當(dāng)φ(x)＜0時對應(yīng)的圖像像素點x為目標(biāo)區(qū)域；

(3)設(shè)置時間步長δt，空間步長h，懲罰項系數(shù)μ，正則化參數(shù)ε，廣義高斯函數(shù)的尺度參數(shù)α和形狀參數(shù)β；

(4)設(shè)置長度項系數(shù)v和全局灰度擬合值系數(shù)w；

長度項系數(shù)v＝λ×255²，其中λ∈(0,1)；全局灰度擬合值系數(shù)w∈[0,1]；

(5)設(shè)置迭代次數(shù)n，初始化迭代次數(shù)n＝0；

(6)開始圖像迭代分割:

(6a)計算原始圖像i的全局目標(biāo)灰度擬合值c1和全局背景灰度擬合值c2，原始圖像i的局部目標(biāo)灰度擬合值f1(x)和局部背景灰度擬合值f2(x)；

(6b)計算原始圖像i的加權(quán)目標(biāo)灰度擬合值m1(x)和加權(quán)背景灰度擬合值m2(x)，構(gòu)建基于改進(jìn)局部信息的cv模型的目標(biāo)與背景灰度擬合值；

(6c)根據(jù)能量泛函得到梯度下降流演化水平集函數(shù)φ(x)；

(6d)根據(jù)水平集迭代公式得到最終的水平集函數(shù)φⁿ⁺¹；

(7)判斷是否達(dá)到迭代次數(shù)n，是則提取最終的水平集函數(shù)φⁿ⁺¹的零水平集為原始圖像i的分割結(jié)果，否則n＝n+1轉(zhuǎn)第(6)步繼續(xù)執(zhí)行迭代過程。

實現(xiàn)本發(fā)明的技術(shù)方案是：利用引入了懲罰項的cv模型的能量泛函得到梯度下降流，改進(jìn)lbf模型中的核函數(shù)以擴(kuò)大圖像分割范圍和平滑噪聲，結(jié)合cv模型的灰度擬合值和改進(jìn)核函數(shù)的lbf模型中的灰度擬合值，構(gòu)成加權(quán)的目標(biāo)與背景的灰度擬合值，進(jìn)行水平集迭代實現(xiàn)對灰度圖像的最終分割。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

第一：本發(fā)明在基于全局信息的cv模型中引入了改進(jìn)的局部信息和懲罰項，克服了模型不能分割灰度異質(zhì)圖像的缺點，并且增強(qiáng)了初始輪廓的魯棒性及無需重新初始化，提高了收斂速度，使新模型可以有效分割灰度不均勻圖像。

第二：本發(fā)明擴(kuò)展了目標(biāo)與背景的局部灰度擬合值中的核函數(shù)，更有效的去除了噪聲，使圖像更平滑且增大了圖像分割范圍，實驗證明，對比其他相關(guān)模型，有更高的分割精度。

附圖說明

圖1為本發(fā)明的實現(xiàn)流程圖；

圖2為本發(fā)明實施例對灰度不均勻圖像的分割效果圖；

圖3為本發(fā)明實施例與現(xiàn)有技術(shù)對合成圖像的分割效果比較圖；

圖4為本發(fā)明實施例與現(xiàn)有技術(shù)對多目標(biāo)圖像的分割效果比較圖；

圖5為本發(fā)明實施例與現(xiàn)有技術(shù)對紅外圖像的分割效果比較圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明具體實施方式和效果做進(jìn)一步詳細(xì)描述。

實施例1

基于全局信息的模型分割速度快，但不能成功分割灰度不均勻圖像。基于局部信息的模型易陷入局部極小值，導(dǎo)致過分割現(xiàn)象。結(jié)合全局與局部信息的混合模型能較好的分割灰度異質(zhì)圖像，但計算較復(fù)雜。針對此現(xiàn)狀，本發(fā)明展開研究提出一種基于改進(jìn)局部信息的cv模型的圖像分割方法，參見圖1，包括有如下步驟：

(1)輸入原始圖像i，計算其像素點灰度值i(x)，x為圖像像素點。原始圖像i即待分割圖像。

(2)設(shè)置原始圖像i的初始輪廓c，初始輪廓c為圖像任意指定的閉合曲線所對應(yīng)的圖像像素點x，由水平集函數(shù)φ(x)的零水平集得到：即當(dāng)水平集函數(shù)φ(x)＝0時對應(yīng)的圖像像素點x為初始輪廓c，當(dāng)φ(x)＞0時對應(yīng)的圖像像素點x為背景區(qū)域，當(dāng)φ(x)＜0時對應(yīng)的圖像像素點x為目標(biāo)區(qū)域。

(3)設(shè)置改進(jìn)局部信息的cv模型的時間步長δt，空間步長h，懲罰項系數(shù)μ，正則化參數(shù)ε，廣義高斯函數(shù)的尺度參數(shù)α和形狀參數(shù)β。

(4)設(shè)置改進(jìn)局部信息的cv模型的長度項系數(shù)v和全局灰度擬合值系數(shù)w。

長度項系數(shù)v＝λ×255²，其中λ∈(0,1)；全局灰度擬合值系數(shù)w∈[0,1]。

(5)設(shè)置迭代次數(shù)n，初始化迭代次數(shù)n＝0。

(6)開始圖像迭代分割:

(6a)計算原始圖像i的全局目標(biāo)灰度擬合值c1和全局背景灰度擬合值c2，原始圖像i的局部目標(biāo)灰度擬合值f1(x)和局部背景灰度擬合值f2(x)。

(6b)計算原始圖像i的加權(quán)目標(biāo)灰度擬合值m1(x)和加權(quán)背景灰度擬合值m2(x)，構(gòu)建基于改進(jìn)局部信息的cv模型的目標(biāo)與背景灰度擬合值，本發(fā)明結(jié)合全局和局部信息的加權(quán)目標(biāo)與背景的灰度擬合值m1(x)，m2(x)相比單一信息的目標(biāo)與背景的灰度擬合值更加準(zhǔn)確的表示目標(biāo)與背景的灰度擬合值，在迭代過程中更精確的收斂到目標(biāo)輪廓。

(6c)根據(jù)能量泛函得到梯度下降流演化水平集函數(shù)φ(x)。

(6d)根據(jù)水平集迭代公式得到最終的水平集函數(shù)φⁿ⁺¹。

(7)判斷是否達(dá)到迭代次數(shù)n，若達(dá)到迭代次數(shù)，則基于改進(jìn)局部信息的cv模型演化結(jié)束，提取最終的水平集函數(shù)φⁿ⁺¹的零水平集為原始圖像i的分割結(jié)果，否則，n＝n+1轉(zhuǎn)第(6)步繼續(xù)執(zhí)行迭代過程。

本發(fā)明在基于全局信息的cv模型中引入了改進(jìn)的局部信息和懲罰項，克服了cv模型不能分割灰度異質(zhì)圖像的缺點，并且增強(qiáng)了初始輪廓的魯棒性，本發(fā)明無需重新初始化，提高了收斂速度，使新模型可以有效分割灰度不均勻圖像，在保證分割效率的同時提高分割的準(zhǔn)確性。

實施例2

基于改進(jìn)局部信息的cv模型的圖像分割方法同實施例1，步驟(6a)所述的原始圖像i的全局目標(biāo)灰度擬合值c1和全局背景灰度擬合值c2，原始圖像i的局部目標(biāo)灰度擬合值f1(x)和局部背景灰度擬合值f2(x)，分別按下式計算：

其中海氏函數(shù)廣義高斯函數(shù)γ(·)為gamma函數(shù)，α為尺度參數(shù)，β為形狀參數(shù)，*為卷積運算。

本發(fā)明在基于全局信息的cv模型中引入了局部信息，其中高斯函數(shù)擴(kuò)展為廣義高斯函數(shù)，引入了尺度參數(shù)α和形狀參數(shù)β，使圖像更平滑，對噪聲具有較好的魯棒性，可成功分割灰度異質(zhì)圖像。

實施例3

基于改進(jìn)局部信息的cv模型的圖像分割方法同實施例1-2，步驟(6b)的原始圖像i的加權(quán)目標(biāo)灰度擬合值m1(x)和加權(quán)背景灰度擬合值m2(x)，通過下式計算：

mi(x)＝w·ci+(1-w)·fi(x)，i＝1,2

其中w為全局灰度擬合值系數(shù)，w∈[0,1]，當(dāng)圖像灰度均勻時，w取較大值，當(dāng)圖像灰度不均勻時，w取較小值，具體取值結(jié)合圖像確定。

實施例4

基于改進(jìn)局部信息的cv模型的圖像分割方法同實施例1-3，步驟(6c)中的梯度下降流通過下式計算：

其中狄拉克函數(shù)div(·)為散度算子，為水平集函數(shù)的梯度，|·|為取絕對值運算。

下面給出一個更加完整詳實的例子對本發(fā)明進(jìn)一步說明：

實施例5

基于改進(jìn)局部信息的cv模型的圖像分割方法同實施例1-4，參照圖1本實例的實施步驟如下：

步驟1輸入原始圖像i，計算其像素點灰度值i(x)，x為圖像像素點。

步驟2設(shè)置初始輪廓c，初始輪廓c為圖像任意指定的閉合曲線所對應(yīng)的圖像像素點x，由水平集函數(shù)φ(x)的零水平集得到：即當(dāng)水平集函數(shù)φ(x)＝0時對應(yīng)的圖像像素點x為初始輪廓c，當(dāng)φ(x)＞0時對應(yīng)的圖像像素點x為背景區(qū)域，當(dāng)φ(x)＜0時對應(yīng)的圖像像素點x為目標(biāo)區(qū)域。

步驟3設(shè)置時間步長δt＝0.1，空間步長h＝1，懲罰項系數(shù)μ＝1，正則化參數(shù)ε＝0.1，廣義高斯函數(shù)的尺度參數(shù)α＝40和形狀參數(shù)β＝0.4。

步驟4設(shè)置長度項系數(shù)v和全局灰度擬合值系數(shù)w。

長度項系數(shù)v＝λ×255²，其中λ∈(0,1)v較大時，較大的目標(biāo)可被檢測到，v較小時，較小目標(biāo)可被檢測到；全局灰度擬合值系數(shù)w∈[0,1]，當(dāng)圖像灰度均勻分布時，w取較大值，當(dāng)圖像灰度異質(zhì)時，w取較小值，w＝1時模型為改進(jìn)的cv模型，目標(biāo)與背景灰度值僅由全局信息決定，w＝0時，目標(biāo)與背景灰度值僅由局部信息決定。

步驟5設(shè)置迭代次數(shù)n，初始化迭代次數(shù)n＝0。

步驟6開始迭代分割計算:

(6a)利用下式計算原始圖像i的全局目標(biāo)灰度擬合值c1和全局背景灰度擬合值c2，原始圖像i的局部目標(biāo)灰度擬合值f1(x)和局部背景灰度擬合值f2(x):

其中海氏函數(shù)廣義高斯函數(shù)γ(·)為gamma函數(shù)，α為尺度參數(shù)，β為形狀參

數(shù)，*為卷積運算。

(6b)利用下式計算原始圖像i的加權(quán)目標(biāo)灰度擬合值m1(x)和加權(quán)背景灰度擬合值m2(x)：

mi(x)＝w·ci+(1-w)·fi(x)，i＝1,2

其中c1、c2為全局灰度擬合值，f1(x)、f2(x)為局部灰度擬合值，w為全局灰度擬合值系數(shù)。

(6c)根據(jù)能量泛函得到梯度下降流演化水平集函數(shù)φ(x)：

其中狄拉克函數(shù)div(·)為散度算子，為水平集的梯度，|·|為取絕對值運算。

(6d)根據(jù)水平集迭代公式得到最終的水平集函數(shù)φⁿ⁺¹。

步驟7判斷是否達(dá)到迭代次數(shù)n，是則提取最終的水平集函數(shù)φⁿ⁺¹的零水平集為原始圖像i的分割結(jié)果，否則n＝n+1轉(zhuǎn)步驟6繼續(xù)迭代。

本發(fā)明還擴(kuò)展了目標(biāo)與背景的局部灰度擬合值中的核函數(shù)，更有效的去除了噪聲，使圖像更平滑且增大了圖像分割范圍，實驗證明，對比其他相關(guān)模型，有更高的分割精度。

下面通過仿真及其結(jié)果對本發(fā)明的技術(shù)效果再做說明：

實施例6

基于改進(jìn)局部信息的cv模型的圖像分割方法同實施例1-5，仿真條件和內(nèi)容如下：

仿真條件：

選用七幅灰度圖像，分為四組數(shù)據(jù)進(jìn)行實驗。實驗在cpu為core(tm)i5-45903.30ghz、內(nèi)存為4.00gb的windows7系統(tǒng)上使用matlabr2014a軟件進(jìn)行仿真。

實驗中涉及到的主要參數(shù)設(shè)置為時間步長δt＝0.1，空間步長h＝1，懲罰項系數(shù)μ＝1，正則化參數(shù)ε＝0.1，廣義高斯函數(shù)的尺度參數(shù)α＝40和形狀參數(shù)β＝0.4，長度項系數(shù)v、全局灰度擬合值系數(shù)w和迭代次數(shù)n依具體圖像而定。

仿真內(nèi)容：

仿真實驗1：用本發(fā)明方法分別對四副灰度不均勻圖像進(jìn)行分割，實驗結(jié)果如圖2所示，其中圖2(a)為合成灰度不均勻圖像、圖2(b)為醫(yī)學(xué)ct圖像、圖2(c)和圖2(d)為醫(yī)學(xué)血管圖像。

仿真實驗2：分別運用lbf模型和本發(fā)明方法基于不同的初始輪廓對合成圖像進(jìn)行分割，實驗結(jié)果如圖3所示，其中圖3第一行為不同初始輪廓的合成圖像、圖3第二行為lbf模型對應(yīng)的分割結(jié)果圖像、圖3第三行為本發(fā)明方法對應(yīng)的分割結(jié)果圖像。

仿真實驗3：分別運用cv模型，lbf模型，lgif模型和本發(fā)明方法對多目標(biāo)圖像進(jìn)行分割，實驗結(jié)果如圖4所示，其中圖4(a)為多目標(biāo)原始圖像、圖4(b)為初始輪廓圖像、圖4(c)為cv模型的分割結(jié)果圖像、圖4(d)為lbf模型的分割結(jié)果圖像、圖4(e)為lgif模型的分割結(jié)果圖像、圖4(f)為本發(fā)明方法的分割結(jié)果圖像。

仿真實驗4：分別運用cv模型，lcv模型，lbf模型，lgif模型和本發(fā)明方法對紅外圖像進(jìn)行分割，實驗結(jié)果如圖5所示，其中圖5(a)為紅外圖像、圖5(b)為cv模型的分割結(jié)果圖像、圖5(c)為lbf模型的分割結(jié)果圖像、圖5(d)為lcv模型的分割結(jié)果圖像、圖5(e)為lgif模型的分割結(jié)果圖像、圖5(f)為本發(fā)明方法的分割結(jié)果圖像。

仿真結(jié)果分析：

從圖2可以看出，當(dāng)圖像灰度不均勻且目標(biāo)與背景灰度重疊嚴(yán)重時，本發(fā)明方法的分割結(jié)果準(zhǔn)確，可有效分割灰度不均勻圖像。

從圖3可以看出，lbf模型對于初始輪廓非常敏感，導(dǎo)致分割失?。欢景l(fā)明方法對于四種初始輪廓均能準(zhǔn)確穩(wěn)定的分割，對初始輪廓具有較強(qiáng)的魯棒性。

從圖4(a)可以看出，最上方目標(biāo)灰度值高于背景灰度值，下方目標(biāo)灰度值低于背景灰度值，對于分割造成較大困難；從圖4(c)可以看出，cv模型分割多目標(biāo)圖像時，存在漏分割現(xiàn)象；從圖4(d)可以看出，lbf模型分割多目標(biāo)圖像時，存在冗余輪廓，未能正確分割；從圖4(e)可以看出，lgif模型分割多目標(biāo)圖像時，與cv模型存在相同的漏分割現(xiàn)象。從圖4(f)可以看出，只有本發(fā)明方法對多目標(biāo)圖像實現(xiàn)了完整分割，既無過分割現(xiàn)象也無漏分割現(xiàn)象，對比之下準(zhǔn)確率最高。

從圖5(a)可以看出，紅外圖像存在背景干擾，目標(biāo)與背景灰度值相近；從圖5(b)、圖5(c)、圖5(d)可以看出，cv模型、lbf模型和lcv模型分割紅外圖像時，存在嚴(yán)重的誤分割和過分割現(xiàn)象，不能將圖像目標(biāo)正確分割出來；從圖5(e)可以看出，lgif模型分割紅外圖像時，目標(biāo)被成功分割，但同時背景存在誤分割現(xiàn)象，曲線未能正確收斂；從圖5(f)可以看出，本發(fā)明方法可以較好去除背景干擾，準(zhǔn)確分割出目標(biāo)，輪廓清晰，無錯分背景現(xiàn)象。

簡而言之，本發(fā)明公開的一種基于改進(jìn)局部信息的cv模型的圖像分割方法，主要解決現(xiàn)有改進(jìn)cv模型分割灰度不均勻圖像效果不理想和基于局部信息的模型對初始化輪廓魯棒性較低而產(chǎn)生錯誤分割的問題。其實現(xiàn)步驟是：1.輸入原始圖像，設(shè)置初始輪廓；2.設(shè)置默認(rèn)參數(shù)和重要參數(shù)；3.結(jié)合全局灰度擬合值和改進(jìn)核函數(shù)的局部灰度擬合值為新的加權(quán)目標(biāo)與背景的灰度擬合值；4.利用引入懲罰項的的cv模型的能量泛函得到梯度下降流；5.按水平集迭代公式演化水平集函數(shù)，直到達(dá)到迭代次數(shù)，輸出分割結(jié)果。本發(fā)明可以有效分割灰度不均勻圖像，并且增強(qiáng)了對初始輪廓的魯棒性，更快的收斂到目標(biāo)輪廓，對比其他相關(guān)模型，有更高的分割精度和效率，用于人工合成圖像，灰度不均勻圖像和紅外圖像分割。