[发明专利]基于变分模型的多类彩色纹理图像多层图割优化分割方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于变分活动轮廓模型的多类彩色纹理图像分割方法。

背景技术

目前,基于变分模型的图像分割方法受到了广泛的关注，由于它能够提供光滑封闭的曲线，且能够结合先验信息获得期望的非同质目标边界而被广泛的应用于视觉跟踪，目标检测，场景理解，工业检测，基于内容的图像检索，以及医学图像分析等领域。由于图像中包含多个非同质的目标区域，虽然，有很多学者提出了多类的分割方法，但是它们都是采用恒定密度描述，且采用交互的方式标记目标区域或子目标区域，导致分割的结果在很大程度上取决于先验信息，且对于视频分割任务而言,交互的分割方式是冗闷地，耗时地，甚至是难以胜任的。因此，基于变分模型的无监督多类彩色纹理图像分割方法依然是一个具有挑战性与开放性的研究问题。

基于变分模型的图像分割方法主要分为两类：基于边的方法以及基于区域的方法。基于边的方法主要是利用图像的局部梯度吸引活动轮廓朝着图像的边缘方向进化。虽然，这些基于边的方法在特定的应用环境下能够获得较好的分割结果，但是，它们对初始的点以及轮廓的放置位置比较敏感，且对于不同的初始位置，可能获得不同的感兴趣目标分割结果。此外，这类方法容易受噪声的干扰，在没有全局信息的约束下，对于彩色纹理图像中多样目标区域边界的正确捕获仍然停留在某种程度上，它难以获得满意的边界分割结果。基于区域的方法它假设在每个区域内部的统计密度是同质的，依靠全局的信息来引导活动轮廓的进化，相对基于边的方法而言，它对放置的初始轮廓不敏感，且具有较强的抗噪声能力。但基于区域的方法在分割复杂多变的自然图像时，最终分割的结果容易出现虚假的目标区域，并且捕获的目标边缘不够光滑，如果将基于边的方法与基于区域的方法相结合，它能够获得较好的分割结果。但每种标定颜色对应的区域采用K-Means进行多个恒定聚类中心的统计计算，可能导致多个目标区域的特征分布描述不稳定。更重要的是，对于复杂多变的彩色纹理图像而言，采用这种多段恒定的聚类中心假设，它难以描述图像中具有非线性以及连续性的特征变化。

发明内容

本发明的目的是提供一种基于变分模型的多类彩色纹理图像多层图割优化分割方法，通过边缘项，区域项，测地线活动轮廓项，以及连续性概率密度描述相结合，将多类变分活动轮廓模型转化为多层图割模型的最小割，能够有效克服上述相关问题。

本发明所采用的技术方案是，一种基于变分模型的多类彩色纹理图像多层图割优化分割方法，具体按照以下步骤实施：

步骤1、建立多类连续变分活动轮廓模型，得到多类变分活动轮廓模型能量函数；

步骤2、利用Cauchy-Crofton理论对步骤1中得到的多类变分活动轮廓模型能量函数进行离散表达，得到离散化表达的类变分活动轮廓模型能量函数；

步骤3、建立多层图割模型，对步骤2中的离散化表达的多类变分活动轮廓模型能量函数进行求解，得到近似全局最优解；

步骤4、采用迭代的方式对多类离散的变分活动轮廓能量进行多层图最小割优化，实现稳定的分割。

本发明的特点还在于,

建立多类连续变分活动轮廓模型具体按照以下步骤实施：

步骤1.1、对于一幅彩色纹理图像，记为u₀，它对应的图像域记为：Ω：R²→R，Ω对应的分割区域边界子集为C，它将彩色纹理图像u₀分割为若干个不相连通的子区域Ω_j，且满足：并且其中N(Ω)表示所有不连通的分割区域数，j表示分割区域的下标，即区域Ω_j的内部用常数c_j描述；

步骤1.2、采用多变量高斯分布对各个Ω_j区域进行刻画，建立初始多类连续的活动轮廓模型能量函数：

其中，K_Phose是总类别区域数；

是边缘项；

第k个区域，用高斯分布Θ_k＝{α_k，u_k，∑_k}描述，其中u_k是第k个区域Ω_k的均值向量，∑_k是对应的协方差矩阵，是第k类区域的权重；D代表特征的维度；

对于有效的区域数K_Phose以及相关的统计参数Θ_k＝{α_k，u_k，∑_k}的初始化，利用GMM对图像进行概率密度分布建模；