国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于核模糊聚類的多尺度水平集圖像分割方法

      文檔序號:8299728閱讀:150來源:國知局
      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
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1