基于改進梯度矢量模型的紅外圖像分割方法
【技術領域】
[0001] 本發(fā)明涉及數(shù)字圖像處理領域，具體涉及一種基于改進梯度矢量模型的紅外圖像 分割方法。
【背景技術】
[0002] 紅外圖像的分割在紅外圖像的分析以及目標探測中具有重要意義。近年來，國內 外眾多學者在紅外圖像分割中做了很多貢獻，并提出了很多方法，如閾值分割法、邊緣檢測 法以及區(qū)域生長法等。但是由于紅外圖像具有高噪聲、低對比度和弱邊緣的特性，這些方法 并不能實現(xiàn)穩(wěn)定正確的分割。因此對紅外圖像準確有效的分割仍然是一個具有挑戰(zhàn)性的問 題，因此，研究一種高質量的紅外圖像分割方法具有重要意義。
[0003] 活動輪廓首先由Kass等人提出?；顒虞喞Ｐ妥鳛橐环N有效的方法，被廣泛應用 于圖像分割?；顒虞喞Ｐ褪窃趫D像感興趣區(qū)域內初始化一條演化曲線，同時賦予該曲線 能量函數(shù)，最小化能量函數(shù)使演化曲線運動，直至最終逼近圖像目標邊界，從而得到邊界封 閉、平滑的圖像分割結果。能量泛函由內部能量項和外部能量項組成。內部能量項代表曲 線本身，最小化它可使曲線盡可能短且盡可能光滑。外部能量項包含了圖像的數(shù)據信息，最 小化它將使它牽引演化曲線向所要分割的對象靠近，并最終停留在對象邊緣處。針對外力 的構建，現(xiàn)存的研究工作包括，如氣球力，距離力，梯度矢量場（GVF)。
[0004] 在這些外力中，GVF具有較大捕獲能力和收斂到凹陷區(qū)能力受到廣泛的關注。ε =μ▽ 2V(X,y)-| ▽f|2[V(X,y) - ▽f],其中V(X,y)為梯度矢量流，f為邊緣圖，μ為平 滑參數(shù)。GVF模型存在一些缺點，如另外由于邊緣圖的應用，該模型較易收到噪聲影響。在 求取f的過程中，通常的做法為f(x，y) =▽|6。（\7)*1〇^，7)|，盡管噪聲可以在一定程度 上被除去，但是在在紅外圖像分割中，這將增加由弱邊緣所帶來的負面影響，并發(fā)生泄漏的 邊界。為了更好的分割含有弱邊緣的圖像，在構建邊緣圖方面，Jierong Cheng提出了動態(tài) 方向梯度矢量流模型以及Jinshan Tang提出了多方向的梯度矢量流模型使得可以識別不 同方向的邊緣，A. Kovacs構造了新的邊緣圖，（用于表征邊緣特征）。這些改進緩解了噪聲 的影響，但是當邊緣中摻雜的噪聲較為嚴重時，這些方法并不能實現(xiàn)準確的紅外圖像分割。 另外該模型參數(shù)的選擇缺乏自適應性，μ的選擇取決于圖像中的噪聲含量。如果μ采取 不適當?shù)闹?，如太大，則進化曲線將穿過弱邊緣并導致錯誤的分割結果。與此相反，如果μ 取值過小，所得到的外力場將保留過多的噪聲。針對以上問題，本發(fā)明提出一種改進的基于 梯度矢量模型的分割方法，來實現(xiàn)紅外圖像的分割。

【發(fā)明內容】

[0005] 本發(fā)明為解決現(xiàn)有方法在進行紅外圖像分割時，存在噪聲敏感，圖像弱邊界分割 泄露，參數(shù)選擇缺乏自適應性，進而導致的邊緣保持與擴大捕獲范圍之間的失衡等問題，提 供一種基于改進梯度矢量模型的紅外圖像分割方法。
[0006] 基于改進梯度矢量模型的紅外圖像分割方法，該方法由以下步驟實現(xiàn)：
[0007] 步驟一、輸入原始圖像，并根據輸入的原始圖像構造邊緣圖e(x，y);
[0008] 步驟一一、引入引導濾波，獲得引導濾波的核函數(shù)Wxy⑴；
[0009] 所述核函數(shù)Wxy⑴的表達式為：
[0010]
沖λ為調整參數(shù)，μ$《分別為在 窗口Wk中原始圖像I(x，y)的均值和方差，|w|為窗口中像素的個數(shù)；
[0011] 步驟一二、采用獲得的核函數(shù)與輸入原始圖像的每個像素做卷積運算，并求取梯 度后獲得對應的邊緣圖e(X，y);所述邊緣圖e(X，y)的表述式為：
[0012] e(x,y)=V|ffxy(I(x,y)) *1 (x,y) | ；
[0013] 步驟二、將步驟一構造的邊緣圖e(x，y)歸一化0到1之間，構造加權函數(shù) g(X，y)，h(X，y)，用下式表示為：
[0014]
[0015] g(x,y) =l-h(x,y)
[0016] 式中，τ為正數(shù)；
[0017] 步驟三、根據步驟一獲得的邊緣圖和步驟二獲得的加權函數(shù)，構造外力函數(shù)；并獲 得外力場；
[0018] 所述外力函數(shù)的表達式為：
[0019] Ε(V)=Ifg(x,y) * |VV12dxdy+h(x,y) * |V-Ve12dxdy
[0020] 步驟四、初始化輪廓曲線的位置；
[0021] 步驟五、將步驟三中獲得的外力場帶入能量泛函中，采用有限差分迭代，曲線在內 外力的作用下演化到目標邊緣，實現(xiàn)紅外圖像的分割。
[0022] 本發(fā)明的有益效果：本發(fā)明所述的紅外圖像分割方法，能夠有效的實現(xiàn)對含有噪 聲，對比度低并且邊緣較弱的紅外圖像分割。本算法具有較大的捕捉范圍，能夠收斂到凹陷 區(qū)域，另外對曲線初始化位置不敏感，具有噪聲魯棒性并且有效的緩解了分割過程中弱邊 緣泄露的現(xiàn)象，能夠滿足實際工程需要。
【附圖說明】
[0023] 圖1為本發(fā)明所述的基于改進梯度矢量模型的紅外圖像分割方法的流程圖；
[0024] 圖2為采用本發(fā)明所述的基于改進梯度矢量模型的紅外圖像分割方法中濾波前 后圖像對比以及濾波前后邊緣圖像對比圖：2a為原始圖像，2b為原始圖像對應的灰度3D 圖，2c為原始圖像的邊緣圖，2d為濾波后圖像，2e為濾波后圖像對應的灰度3D圖，2f為濾 波后圖像的邊緣圖。
[0025] 圖3為采用本發(fā)明所述的基于改進梯度矢量模型的紅外圖像分割方法分割含有 弱邊緣的紅外圖像的分割結果：圖3a為輸入的原始紅外圖像，圖3b為圖像的分割結果，圖 3c為圖像在弱邊緣處的外力場。
[0026] 圖4中圖4a至圖4c為采用本發(fā)明所述的基于改進梯度矢量模型的紅外圖像分割 方法將初始輪廓曲線放置在不同位置時的分割結果，圖4d為圖4a的外力場。
[0027] 圖5中的圖5a、圖5b和圖5c為采用本發(fā)明所述的基于改進梯度矢量模型的紅外 圖像分割方法對含有噪聲的紅外圖像分割結果。
[0028] 圖6為采用本發(fā)明所述的基于改進梯度矢量模型的紅外圖像分割方法對醫(yī)學圖 像的分割結果：6a、6b、6c為醫(yī)學圖像，6d、6e為其他類型的可見光圖像。
【具體實施方式】
【具體實施方式】 [0029] 一、結合圖1至圖6說明本實施方式，基于改進梯度矢量模型的紅外 圖像分割方法，包括以下步驟：
[0030] 步驟一，主要實現(xiàn)邊緣圖的求取。在該過程中引入引導濾波求取核函數(shù)，引導濾波 的核函數(shù)表達式為
1其中λ為調整參數(shù)，μ,和of 為在窗口 ％中輸入原始圖像I的均值和方差，|w|窗口中像素的個數(shù)。在