[发明专利]一种基于先验形状和CV模型的目标分割方法

说明书

技术领域

本发明涉及图像处理技术，具体是一种基于先验形状和CV模型的目标分割方法。

背景技术

目前，在已有的各种目标分割方法中，曲线演化方法对目标的分割有相当好的结果，具体包括Snake方法、活动轮廓线方法、变形模型以及水平集方法等，参数化的Snake方法允许与模型直接交互，并且模型的表达紧凑，有利于模型的快速实现，但是难以处理模型拓扑结构的变化。基于变分水平集方法的活动轮廓模型能自然地处理演化曲线或曲面拓扑结构的变化，并能够自然地将边界信息和区域信息整合在一起。

Mumford在1989年提出通过分片光滑函数的最佳逼近解决边缘检测问题的M-S水平集模型(Mumford D，Shah J.Optimal approximation by piecewise smooth functionsand associated variational problems.Communication on Pure and Applied Mathematics，1989，42(5)：577-685.)，Chan和Vese在M-S模型的基础上提出了简化的CV水平集模型(Chan T F，Vese L A.Active contours without edges.IEEE Transactions on ImageProcessing，2001，10(2)：266-277.)，该模型的一个显著优点就是全局优化，在边界模糊处也能获得较好的分割结果，并且初始轮廓线可以放置在图像的任意位置。但该模型是基于灰度相似性来划分目标区域的，因此该模型存在三个方面的缺陷：①不能分割目标灰度与背景相似的目标，②不能有效分割纹理图像，③不能分割被遮挡、数据缺失的目标。

为了克服以上缺陷，近年来国内外许多学者重点研究了把先验形状信息和水平集结合进行图像分割的问题。Tony Chan等提出了利用先验形状知识进行图像分割处理的可形变模型(Chan T and Zhu W.Level set based shape prior segmentation.IEEEConference on Computer Vision and Pattern Recognition(CVPR)，2005：1164-1170.)，该模型在CV模型的基础上加入先验形状信息，能够在图像中分割出数据缺失、被遮挡或目标灰度与背景相似的目标。但该模型中的先验形状项只具有旋转、缩放和平移不变特性，对于发生剪切或在X、Y方向有不同拉伸系数的目标，上述模型的分割效果较差。

发明内容

本发明为了克服现有的先验形状模型对目标的自适应变化存在的局限性，即先验形状项只具有X、Y方向等大小缩放、平移以及旋转三个不变特性，提供一种基于先验形状和CV模型的目标分割方法，本发明在原有先验形状变分水平集模型基础上增加了X、Y方向拉伸以及剪切不变约束能量项，通过对先验形状的自适应变换的拓展，本方法可以实现对复杂背景下姿态变换较大的目标进行准确分割。

本发明通过以下技术方案实现：

一种基于先验形状和CV模型的目标分割方法，为基于变分水平集方法的图像分割模型，它在融入图像区域信息基础上，自然地融入先验形状信息，很好地处理了一些传统的几何活动轮廓模型无法解决的问题。

本发明所构建的模型对应的能量函数表示如下：

E(c₁，c₂，φ，ψ)＝E_CV(c₁，c₂，φ)+λE_shape(φ，ψ)    (1)

其中：c₁和c₂分别是φ对应的零水平集曲线内、外部区域的图像灰度平均值，λ为先验形状能量项对应的权重系数，CV能量项E_CV(c₁，c₂，φ)和先验形状项E_shape(φ，ψ)分别表示如下：