一種基于核模糊聚類的多尺度水平集圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，特別是基于一種基于核模糊聚類的多尺度水平集圖像 分割方法。
【背景技術(shù)】
[0002] 圖像處理技術(shù)廣泛應(yīng)用于軍事、醫(yī)療、工業(yè)生產(chǎn)等領(lǐng)域，目標物的分割效果對相關(guān) 任務(wù)的完成起到至關(guān)重要的作用。因此，實時性好，分割準確率高的方法一直是很多學者的 研究熱點。傳統(tǒng)的圖像分割方法或是基于邊緣信息或是基于區(qū)域信息進行分割，對于邊緣 模糊、對比度差、灰度不均勻的圖像分割效果并不是很理想，雖然學者們也提出了很多結(jié)合 邊緣與區(qū)域信息的方法，但是兼顧實時性和準確性依然很難。
[0003] 近年來，水平集方法已成為圖像分割領(lǐng)域的主要發(fā)展方向之一，但是也有一些局 限性；演化過程需要重新初始化，對灰度不均、邊緣對比度差、邊緣復(fù)雜的圖像易出現(xiàn)漏分 割或過分割現(xiàn)象。現(xiàn)有的水平集圖像分割方法多采用手動或半自動給出分割初始水平集， 降低智能化程度；李春明等研究符號距離函數(shù)消除了重新初始化，但利用邊緣信息進行圖 像分割，對灰度不均勻圖像分割效果不理想；一些將邊緣與區(qū)域信息融合的水平集方法雖 對分割效果起到了一定的作用，但并沒有充分利用圖像灰度信息及巧妙設(shè)計獲取初始輪 廓，該都影響了水平集分割的實時性、智能性和準確性。

【發(fā)明內(nèi)容】

[0004] 【1】要解決的技術(shù)問題
[0005] 本發(fā)明針對目前的基于水平集的圖像分割方法存在的上述問題，提出了一種基于 核模糊聚類的多尺度水平集圖像分割方法。
[0006] 【2】解決問題的技術(shù)方案
[0007] 一種基于核模糊聚類的多尺度水平集圖像分割方法，包括W下步驟：
[000引步驟1 ;采用標記分水嶺方法計算每個小區(qū)域的灰度均值；
[0009] 步驟2 ;采用灰度均值初始化隸屬度矩陣，進行核模糊聚類，獲得感興趣區(qū)域初始 輪廓；
[0010] 步驟3 ;設(shè)計多尺度水平集邊緣約束停止項；
[0011] 步驟4 ;進行迭代演化，分割圖像。
[0012] 所述步驟1包括W下步驟：
[0013] 步驟1A ;對圖像進行腐蝕操作，進行內(nèi)、外部標記；
[0014] 步驟1B ;處理圖像目標部分的連通區(qū)域，根據(jù)步驟1A的標號進行保存；
[0015] 步驟1C ;計算每個小區(qū)域的灰度均值^ +1>I + '\：>。 巧
[0016] 所述步驟2包括W下步驟：
[0017] 步驟2A ;選定核模糊聚類的目標函數(shù)式（1);
[001引步驟2B ;采用高斯核函數(shù)式（2)進行演化，得到隸屬度w及聚類中屯、的迭代函數(shù) 分別為式（3)和式（4);
[0019] 步驟2C;輸入圖像灰度均值集{Xk，k= 1，2,…，N}，確定聚類數(shù)C、模糊加權(quán)指數(shù)、 迭代停止闊值e ;
[0020] 步驟2D ;初始化聚類中屯、，令初始迭代此時為0 ;
[0021] 步驟2E ;計算新的隸屬度和聚類中屯、；
[002引步驟2F ;計算停止條件，如果I Ivin+i-Vil |< e，則停止，否則返回步驟2E ;
[002引所述式（1)為
【主權(quán)項】
1. 一種基于核模糊聚類的多尺度水平集圖像分割方法，其特征在于，包括以下步驟： 步驟1:采用標記分水嶺方法計算每個小區(qū)域的灰度均值； 步驟2 :采用灰度均值初始化隸屬度矩陣，進行核模糊聚類，獲得感興趣區(qū)域初始輪 廓； 步驟3 :設(shè)計多尺度水平集邊緣約束停止項； 步驟4 :進行迭代演化，分割圖像。
2. 如權(quán)利要求1所述的一種基于核模糊聚類的多尺度水平集圖像分割方法，其特征在 于，所述步驟1包括以下步驟： 步驟1A:對圖像進行腐蝕操作，進行內(nèi)、外部標記； 步驟1B:處理圖像目標部分的連通區(qū)域，根據(jù)步驟1A的標號進行保存； 步驟1C:計算每個小區(qū)域的灰度均值I=(Xi+ & + ' '~U。 n
3. 如權(quán)利要求1所述的一種基于核模糊聚類的多尺度水平集圖像分割方法，其特征在 于，所述步驟2包括以下步驟： 步驟2A:選定核模糊聚類的目標函數(shù)式（1); 步驟2B:采用高斯核函數(shù)式（2)進行演化，得到隸屬度以及聚類中心的迭代函數(shù)分別 為式（3)和式（4); 步驟2C:輸入圖像灰度均值集{xk，k= 1，2,…，N}，確定聚類數(shù)c、模糊加權(quán)指數(shù)、迭代 停止閾值e; 步驟2D:初始化聚類中心，令初始迭代此時為0 ; 步驟2E:計算新的隸屬度和聚類中心； 步驟2F:計算停止條件，如果| |Vin+1_Vin| |〈e，則停止，否則返回步驟2E;
所述式⑴， 其中，Jm為聚_ ，..，為圖像像素灰度平均值的集合，c為聚類 數(shù)目，{Vi，i= 1，2,…，c}為聚類中心集合，uik為圖像第k個像素隸屬于第i類的隸屬度，uike[0, 1]，參數(shù)m為隸屬度的加權(quán)指數(shù)，決定分類結(jié)果的模糊程度； 所述式⑵為：K(X，v) =exp(-1 |x-v| |2/ 〇 2) ; 〇為函數(shù)的寬度參數(shù)； 其中，K(xk，xk) =LKh，vD= 1，文=1，{xk，k= 1，2,…，N}為圖像像素灰度平均 值的集合，{Vi，i= 1，2,…，c}為聚類中心集合，uik為圖像第k個像素隸屬于第i類的隸屬 度，uikG[〇, 1]; 所述式⑶為
其中，{xk，k= 1,2,…，吣為圖像像素灰度平均值的集合，{Vi,i= 1,2, ???，〇}為聚類 中心集合，uik為圖像第k個像素隸屬于第i類的隸屬度，uikG[〇, 1]，參數(shù)m為隸屬度的加 權(quán)指數(shù)，決定分類結(jié)果的模糊程度； 所述式⑷為
k=l 其中，{xk，k= 1,2,…，吣為圖像像素灰度平均值的集合，{Vi,i= 1,2, ???，〇}為聚類 中心集合，uik為圖像第k個像素隸屬于第i類的隸屬度，uikG[〇, 1]，參數(shù)m為隸屬度的加 權(quán)指數(shù)，決定分類結(jié)果的模糊程度。
4.如權(quán)利要求1所述的一種基于核模糊聚類的多尺度水平集圖像分割方法，其特征在 于，所述步驟3包括以下步驟： 步驟3A:將聚類得到的感興趣區(qū)域輪廓Ck帶入水平集初始函數(shù)式（5)，作為水平集演 化的初始輪廓； 步驟3B:得到C-V模型式（6)，并將其演化成C-V模型水平集演化函數(shù)式（9); 步驟3C:引入局部自適應(yīng)能量函數(shù)式（10)，用偏微分法得到演化的曲線方程式（11);步驟3D:對圖像進行第i次小波變換后得到對應(yīng)尺度下的低頻子圖和3個方向的高頻 子圖，分別為cApcHi(水平），cVi(垂直），cDi(對角），將三個方向上的高頻信息疊加得到 %，將基于小波變換的邊緣約束停止項艮(X,y) =(l+ |Vd,f) 1引入到C-V水平集函數(shù)中，得 到最終演化下面函數(shù)式；
所述式（5)為：巾。(X，y) = 2e(〇. 5_Ck); 其中，Ck為感興趣區(qū)域輪廓，e為迭代停止閾值；(J)Jx,y)為水平集初始函數(shù)； 所述式（6)為： E (c" c2, C)=vL (C) +rA (in (C)) + 入！工in (C) | I_c ! 12dxdy+入2工ou (C) | I_c 212dxdy，其中，E(Cl，c2，C)為能量函數(shù)，Cl、c2分別表示圖像目標和背景的平均灰度，v彡0， Y彡〇, \>〇, A2>〇為常量加權(quán)系數(shù);A表示區(qū)域，in(C)和ou(C)分別表示曲線的內(nèi)部區(qū) 域和外部區(qū)域；I為需要處理的圖像； 由于Chan和Vese引入了Heaviside函數(shù)H( <}>)和Dirac函數(shù)8 (巾），故將式（6)的 能量函數(shù)寫成式（7)， 所述式（7)為：
其中，Cl、c2分別表示圖像目標和背景的平均灰度，I為灰度圖像，▽為梯度算子，v多0，y彡0,A々〇,A2>〇為常量加權(quán)系數(shù)；H〇)和S〇)分別為Heaviside函數(shù)和Dirac函 數(shù)；加入內(nèi)部約束能量項并利用偏微分法，將式⑵演變成所述 式（9); 所述式（9)，
其中，V彡〇,Y彡0,入^，入2>0,y彡0為常量加權(quán)系數(shù)，▽為梯度算子，(^、(32分 別表示圖像目標和背景的平均灰度；I為灰度圖像；S(巾）為Dirac函數(shù)；所述式（10)為：
其中，exdfjxhfjx)):為局部自適應(yīng)能量函數(shù)，ei為迭代停止閾值，Kjx-y)為 高斯核函數(shù)，MfH〇),M2=l-H〇),fi(x)為接近圖像目標區(qū)域的圖像灰度值，f2(x)表 示接近圖像背景區(qū)域的圖像灰度值，I(y)包含了在以圖像點x為中心的局部區(qū)域的灰度信 息； 所述3
=]'1(。（叉1)|1(7)-;^(叉）|2(17，1= 1，2，其中，￥彡0，入1>0，入2>0，4彡0為常量加權(quán)系 數(shù)，V為梯度算子，x為圖像像素灰度值;K。（x-y)為高斯核函數(shù)。
5.如權(quán)利要求1所述的一種基于核模糊聚類的多尺度水平集圖像分割方法，其特征在 步驟4包括： 步驟4A:設(shè)定水平集演化迭代次數(shù)ndPn2; 步驟4B:對聚類得到的初始水平集函數(shù)進行小波變換，得到變換后的水平集函數(shù)； 步驟4C:對低頻子圖cAi按照所述式（12)和迭代次數(shù)^進行演化，得到對應(yīng)尺度下的 水平集函數(shù)巾i，即圖像的粗略輪廓； 步驟4D:采用最近鄰插值法和迭代次數(shù)112對該尺度下的圖像粗略輪廓線巾：作差值操 作，獲得原圖像下的最終輪廓。
【專利摘要】本發(fā)明公開了一種基于核模糊聚類的多尺度水平集圖像分割方法，包括：步驟1：采用標記分水嶺方法計算每個小區(qū)域的灰度均值；步驟2：采用灰度均值初始化隸屬度矩陣，進行核模糊聚類，獲得感興趣區(qū)域初始輪廓；步驟3：設(shè)計多尺度水平集邊緣約束停止項；步驟4：進行迭代演化，分割圖像。針對邊界不清晰、對比度差等圖像，該方法避免基于邊緣信息的分水嶺易造成過分割、基于區(qū)域信息的C-V模型水平集方法易產(chǎn)生邊緣漏分割的缺點，將邊緣信息與區(qū)域信息采用核模糊聚類的方法進行有效融合，加入多尺度邊緣約束停止項，消除重初始化，提高了分割的準確性，且保證了算法的實時性。
【IPC分類】G06T7-00
【公開號】CN104616308
【申請?zhí)枴緾N201510075934
【發(fā)明人】張丹, 陳興文
【申請人】大連民族學院
【公開日】2015年5月13日
【申請日】2015年2月12日