[发明专利]基于简化的LBF模型的图像分割方法

说明书

技术领域

本发明属于图像处理技术范围，具体涉及一种可提高图像分割准确度和分割效率的基于简化的LBF模型的图像分割方法。

背景技术

图像分割是图像处理中的重要任务之一，其目的是将图像中感兴趣的对象与图像中的其余部分相分离，以便为更高层次图像处理服务。目前有两个主要的模型：基于边缘信息的分割模型和基于区域信息的分割模型。基于边缘的分割模型无法准确分割边缘模糊或无边缘的图像，而基于全局区域分割的C-V模型则克服了边缘模型的缺点。区域分割模型利用活动轮廓内外部区域的信息排除了部分噪声的干扰，能处理边缘模糊或无边缘的情况，分割目标的内部和外部以及多层边界，并且对于简单的二值图像C-V模型可获得最佳的分割结果。然而，C-V模型对于纹理细节处理的能力尚达不到令人满意的结果，无法准确分割非同质图像。针对这个问题，国内外有很多研究人员设计了诸多新的模型，较为典型的模型包括分段光滑（Piecewise Smooth, PS）模型，分段常值(Piecewise Constant, PC)模型、局部二值拟合LBF（Local Binary Fitting,以下简称LBF）模型，以及边缘和区域的结合模型等。其中，LBF模型是基于局部区域信息的分割模型，比C-V模型能更好地处理图像的纹理细节，处理效果更佳，但是由于处理了局部信息，其分割效率较低，而且对于初始轮廓线的选取也不是很灵活，人工的因素较多。现有基于偏微分方程的图像分割方法存在的三个方面不足：第一，现有模型只是简单地利用了图像的全局信息（简单的背景和目标），处理效果较为粗糙；第二，LBF模型某些项（如长度项等）的设计比较复杂和繁琐，影响模型的收敛速度；第三，C-V模型水平集函数的演化需要反复初始化，而LBF模型则需要合理设计初始轮廓线的位置，这在实际应用中会受到较大限制，实现亦较为耗时。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种可提高图像分割准确度和分割效率的基于简化的LBF模型的图像分割方法。

本发明的技术解决方案是：一种基于简化的LBF模型的图像分割方法，其特征在于建立简化的LBF模型和图像分割步骤：

简化的LBF模型为：                                                ，其中，是带有标准差的高斯核，本发明取，并且

。

图像分割步骤：

A. 读入图像相关信息，并设置相关高斯核函数；

B. 初始化水平集函数；

C. 利用下式计算参数：

；

D. 利用有限差分法，根据式更新水平集函数，即，其中为迭代步长，这里令；

E. 若达到预先设置的迭代次数，则停止迭代；否则，转入C。

本发明首先通过引进高斯核函数来增强图像的局部结构信息，有利于改善目标分割的准确程度；其次，将现有模型

中的全局常数值替换为函数，分别表示逼近曲线内、外部区域中图像局部强度的光滑函数，它们随着的变化而变化。当一项小于零时，轮廓沿法向演化，反之，沿逆法向演化。这使得轮廓在任意位置处，都有向目标边界演化的力：目标之外，该力为收缩力，将轮廓拉回边界；目标之内，该力为膨胀力，将轮廓推向边界。边界内外力的方向相反，相互制约，轮廓最终停止在目标边界，故而能很好地处理非同质纹理的分割。

与现有技术相比，本发明具有如下优点：第一，本发明兼顾考虑了图像的局部区域信息，相比于C-V模型，本文对局部信息的处理是通过增加高斯核函数来实现的，再结合偏微分方程求解的方法，能够较准确地分割目标物体，实验效果明显好于C-V模型；第二，本发明是基于简化的LBF模型，在保留LBF模型优点的同时，对其模型中的繁琐项进行必要的删减和简化，实验结果表明，本发明的分割效率明显强于LBF模型，分割效率可以从分割时间和迭代次数方面考虑，另外模型的分割效果也强于LBF模型；第三，本发明水平集函数的演化不需要反复初始化，初始轮廓线的位置设置非常灵活，比较任意。具有形式简洁、计算量小、实现简单的优点，并且方便利用隐式方法数值化，因而时间迭代步长不受限制。

附图说明

图1为本发明实施例与现有技术的大脑切片MR图像的分割效果比较图。

图2为本发明实施例与现有技术的多轮廓图像的分割效果比较图。

图3为本发明实施例与现有技术的异质合成图像的分割效果比较图。

图4为本发明实施例与现有技术的多目标图像的分割效果比较图。

图5为本发明实施例对含噪声图像的分割效果图。