[发明专利]基于形状先验的提取目标闭合轮廓的方法

权利要求书

1.一种基于形状先验的提取目标闭合轮廓的方法，其特征在于，包含以下 步骤；

步骤1，利用图像传感器输入图像；

步骤2，针对步骤1输入的图像，建立模拟复杂细胞的滤波器组，即由一组奇 对称和偶对称的Gabor滤波器组对输入图像进行滤波得到p₁(f₁，θ₁)～p_n(f_n，θ_n)，这 类似于人类初级视皮层中的复杂细胞对输入图像采取的操作，目的是从输入图像 中提取具有特定频率和朝向的边缘线段：

pf,θ=(pf,θe)2+(pf,θo)2---(1)]]>

pf,θe=I(x,y)⊗he(x,y,θ,f)---(2)]]>

pf,θo=I(x,y)⊗ho(x,y,θ,f)---(3)]]>

he(x,y,θ,f)=exp(-12(x′2σx2+y′2σy2))cos(2πfx′)---(4)]]>

ho(x,y,θ,f)=exp(-12(x′2σx2+y′2σy2))sin(2πfx′)---(5)]]>

其中x′＝xcosθ+ysinθ y′＝-xsinθ+ycosθ，

I(x，y)表示一幅尺寸为M×N的图像在(x，y)处的亮度信息；p^e表示偶对称的 Gabor滤波器h^e对图像滤波的结果，p^o表示奇对称的Gabor滤波器h^o对图像滤 波的结果，p_f，θ表示这两种滤波器滤波结果的能量总和，对应复杂细胞的响应； 表示卷积运算，exp()表示以e为底的指数运算；f和θ分别表示滤波器的频 率和朝向；σ_x²和σ_y²分别表示滤波器在x方向和y方向上的宽度；p₁(f₁，θ₁)～ p_n(f_n，θ_n)表示由一组频率为f₁，…，f_n，朝向为θ₁，…，θ_n的滤波器组对输入图像进 行滤波的结果；

步骤3，建立模拟非经典感受野的纹理抑制函数r₁(f₁，θ₁)～r_n(f_n，θ_n)；所述纹 理抑制函数r₁(f₁，θ₁)～r_n(f_n，θ_n)的建立为考虑细胞之间通过侧连接产生的抑制作 用，计算抑制产生的能量为r_f，θ，目的是抑制噪声边缘和杂乱的纹理边缘，从而 只保留显著结构的边缘，这是人类视觉系统在长期进化过程中形成的优先处理显 著或感兴趣信息、忽略冗余信息的策略：

rf,θ=pf,θ⊗ω~---(6)]]>

ω(x,y)=14π(4σ)2exp(-x2+y24(4σ)2)-12πσ2exp(-x2+y22σ2)---(7)]]>

ω~=ω||ω||,]]>

式中，σ表示滤波器的带宽，|| ||表示范数，r_f，θ表示抑制作用，以规一化的高 斯差分滤波器与复杂细胞的响应p_f，θ的卷积来表示，是模拟初级视皮层细胞的 非经典感受野模式；

步骤4，获得显著边缘图，包括：先从复杂细胞提取的边缘中去除掉被抑制的 边缘，即得到保留的边缘：

c_f，θ＝[p_f，θ-αr_f，θ]₊                   (8)

其中α为常数，用来调节抑制作用的强弱，[]₊为取非负的操作，非负数经过 此操作后保持不变，负数经过此操作后输出为零；

然后，当θ取不同的朝向时，从对应的各c_f，θ中取最大的作为显著边缘：

sc_f＝max{c_f，θ|θ＝θ₁，θ₂，…，θ_n}                  (9)

步骤5，对于已提供的待检测目标的模板集{模板1～模板m}，通过形状与形 状之间的距离的定义来计算每一个模板中的形状与由步骤4得到的显著边缘图 中的轮廓形状的相似度，其中形状之间的距离定义如下：假设s_i和s_j是任意两个 形状，SD(s_i，s_j)表示它们之间的距离

SD(si,sj)=||φ(si)-φ(sj)||2+||▿φ(si)-▿φ(sj)||2---(10)]]>

其中，φ(s_i)为形状s_i的符号距离函数，当图像二维平面中的任一点(x，y)正好位于s_i的轮廓上时，符号距离为0；当(x，y)位于s_i的轮廓内部时，符号距离为正，大小 为(x，y)距s_i的轮廓的最短欧式距离；当(x，y)正好位于s_i的轮廓外部时，符号距离 为负，大小为(x，y)距s_i的轮廓的最短欧式距离，

d((x，y)，s_i)表示图像二维平面中的任一点(x，y)到形状s_i的轮廓的欧式距离；需要注 意的是事先要对待检测目标的模板中的形状和显著边缘图中的轮廓进行对齐操 作，使得算法具有旋转、平移不变性；

步骤6，通过以下细分步骤获取目标的闭合轮廓，包括

(1)结合显著边缘图的灰度几何信息和模板提供的形状信息，构成能量函数，

E＝E_snake+E_shape    (12)

其中，E_snake为传统的蛇模型能量函数，定义为

Esnake=∫0L(C)g(|▿I[C(p)]|)dp---(13)]]>

式中L(C)表示闭合曲线C的弧长；C(p)是闭合曲线的参数表示形式，当p取 不同的值时，C(p)为闭合曲线上不同的点在二维坐标系下的坐标；表示 图像在闭合曲线上某点处的灰度梯度值；g()是一个正的单调递减并趋近于零的 函数，取I为原始图像，G为高斯函数，表示卷积运算；用 于控制水平集曲线朝着图像的边缘运动，并最终停止在边缘附近，E_shape定义为

Eshape=Σi=1mγiSD2(C,Ci)---(14)]]>

式中C₁，C₂，…，C_m为提供的待检测目标的m个模板的轮廓；SD如(10)式定 义；γ_i为权值，满足γ_i≥0，∑γ_i＝1，具体计算方法是：某个模板轮廓C_i与显著边 缘图中的轮廓C₀的距离，除以显著边缘图与所有模板轮廓的距离之和，

γi=SD2(C0,Ci)Σi=1mSD2(C0,Ci)---(15)]]>

(2)最小化能量函数：以图像边界对应的矩形为初始闭合轮廓，沿能量函数 的负梯度方向进行曲线演化，即执行能量函数的梯度下降迭代；

∂φ∂t=-∂E(φ)∂φ---(16)]]>

∂φ∂t=g(▿I)|▿φ|(div(▿φ|▿φ|)+v)-β▿Eshape---(17)]]>

▿Eshape=Σi=1m(φ-φi||φ-φi||-div(▿(φ-φi)||▿(φ-φi)||))---(18)]]>

其中，v为常数；div表示散度；β表示用来调节先验形状在能量函数中的 作用权的常数；φ是嵌入函数，嵌入函数的零水平集就是我们要提取的目标闭合 轮廓C，即C＝{(x，y)|φ(x，y，t)＝0}；

所述嵌入函数的初始值为初始闭合轮廓的符号距离函数，如上述式(11)定 义；嵌入函数按照式(17)随时间t演化；

(3)如果相邻两次轮廓对应的形状之间的距离小于阈值ε，则停止迭代，此 时得到的闭合轮廓为最终目标轮廓。