[发明专利]基于形状先验的提取目标闭合轮廓的方法

说明书

技术领域

本发明属于计算机应用技术领域，特别涉及一种基于形状先验的提取目标闭合 轮廓的方法。

背景技术

人们在面对一幅陌生而复杂的图像时，人们可以迅速、准确地标出目标轮廓。 然而，把这个对人们来说相当简单的事情交给计算机来做时，就不是那么容易了。 缺少了先验知识等信息，计算机无法判断哪里是边缘，哪里是目标轮廓，哪些是我 们想要的显著区域，哪些内容是冗余的噪声。因此，复杂不规则图像中的目标轮廓 提取便成了计算机视觉中经常面对的问题。

提取目标闭合轮廓是目标检测和跟踪的途径之一，尽管一些非监督的方法已经 在成像条件较好的图像(例如：背景单一、目标背景对比强烈、没有遮挡等)上取 得了局部的成功，但是从复杂的自然场景中获取可能具有任意形状的目标完整轮廓 仍是尚未解决的难题。

与计算机完成这一任务的困难形成鲜明对比的是，人类视觉系统在感知目标轮 廓时具有高效性和鲁棒性。怎么样才能让计算机像人类一样能够迅速准确的找到目 标轮廓？本发明集中研究生物视觉启发下的目标闭合轮廓提取算法，为自动目标检 测提供重要技术。现有的轮廓提取方法分为两类：基于聚类的方法和主动轮廓方法。

基于聚类的方法包括k-均值聚类，信念传递(Affinity propagation)，以及在轮廓提 取中用的最普遍的谱聚类。“谱”是指数据相关性的二阶统计量所表示的数据的能量 谱。谱聚类首先根据图像基元之间的关系构建关系矩阵，然后分析矩阵的特征向量 将构成矩阵的数据划分为不同的类，使得每一类正好对应一个目标的轮廓。按照关 系矩阵的不同函数形式，和所取特征向量的个数与顺序(可能取最大特征向量也可 能取最小特征向量)图分割又可分为最小切分(mini-cut)[Wu 1993]、平均切分(average cut)[Sarkar 2000]和归一化切分(normalized cut)[Shi 1997]。

基于聚类的轮廓提取方法的缺点是：大多数情况会产生不连续的轮廓片段，而 非一条完整的闭合轮廓；这种无监督的方法对噪声的鲁棒性较差；谱聚类方法的计 算复杂度较高。

主动轮廓方法通过在图像力和外部约束力的共同作用下，可控连续变形曲线的 运动得到最终目标轮廓。Kass等人在1987年提出了主动轮廓模型(Active Contour Model，又被称为蛇模型Snake Model)。模型的能量方程可以由两部分构成：一部 分定义了一个可伸缩的并具有一定坚硬程度的曲线的内部能量，控制着模型的物理 行为和局部连续性，使曲线向内收缩的同时又使曲线保持平滑。另一部分为外部能 量，又由图像能量项和外力约束能量项构成。通过定义合适的图像能量项，可以使 曲线向所需的图像特征处运动。外部约束能量所对应的外部约束力可以人为增加， 用来加强对曲线的约束。

主动轮廓模型具有以往方法无法比拟的优点：

蛇模型为以往需要分别解决的多种视觉问题提供了一种有效的统一的解决方 式。边缘、线段以及目标轮廓在该模型机制下具有同样的重要意义；运动跟踪和匹 配问题也同样可以在统一框架下轻松解决。

蛇模型改变了以往低级视觉信息的单一表示方式，通过提供一组相互独立的低 级视觉问题的极值，以多样化的方式向高级视觉传递，通过迭代的方式与高级视觉 知识进行交互，两者首次统一于同一特征提取过程中。

在适当的初始化后，模型会自动的收敛于能量方程的极小值处。

与此同时，主动轮廓模型也具有固有的缺陷：

对初始位置敏感，需要依赖手工或其他机制将初始曲线放在感兴趣的图像特征附 近，以便得到正确的收敛结果。

由于能量函数的非凸性，致使snake模型有可能收缩到局部极值点，甚至发散。

正是因为主动轮廓模型所具有的诸多优点，使其在近20多年中得到了迅猛的发 展。大致可分为基于边缘的主动轮廓模型和基于区域的主动轮廓模型两大类，并引 入了基于水平集的曲线演化技术，用求解偏微分方程的方式来优化目标。