[发明专利]基于混合区域的活动轮廓模型图像分割方法

说明书

技术领域

本发明涉及一种图像处理领域的图像分割方法，具体涉及一种基于混合区域的活动轮廓模型图像分割方法。

技术背景

人类大脑从外界获取的各种信息中，绝大部分信息是通过眼睛获得的，物体或者场景发出的光或者反射的光通过眼睛中的晶状体折射到视网膜上，在视网膜上形成其倒立的图像，再由视觉感知神经传达给大脑，经大脑处理后即可看到该物体或场景的图像，而图像中包含其所表达物体或场景丰富的描述信息，因此图像信息是人类日常生活中获取信息的主要途径。

随着科学技术的飞速发展，特别是成像技术、计算机技术和信号处理理论的发展，人们将从各种成像器件中获得的图像信息，转变成数字信号，并在计算机中对其进行各种形式的加工和处理，如降噪、压缩、分割、增强、复原、特征抽取、分析和理解等，这些加工和处理即为人们常说的数字图像处理过程。图像分割是指按照图像中各个区域特有的性质，把图像分成几个区域，然后再把感兴趣的区域从这些区域中提取出来的技术。在数字图像处理的过程中，许多加工和处理都是建立在好的图像分割的基础上，只有先从图像中准确分割出目标物体，才能更好得进行下一步的图像处理及分析的工作。因此，图像分割是数字图像处理中一个非常基本、非常关键的技术。虽然图像分割技术很重要，而且到目前为止相关的科研人员也提出了种类多样的图像分割算法，但是由于成像系统的多样性和复杂性，造成了所成图像的多样性和复杂性，所以即使到目前为止科研人员已经提出了许多优秀的图像分割方法，但是还没有一个通用的图像分割算法，各种分割方法也只能用于针对某一类图像的分割问题，也因为这个原因，使得图像分割技术一直是数字图像处理技术当中研究的重点和难点。

传统的图像分割方法包括阈值法、边缘检测法以及基于区域提取的方法。而随着待解决问题复杂程度的提高，需要越来越多的高层知识融入到图像分割当中。此时出现了基于活动轮廓模型的图像分割方法，该方法依据轮廓曲线的表达形式的不同而分为参数活动轮廓模型和几何活动轮廓模型。而几何活动轮廓模型具有能有效处理曲线拓扑结构变化的优点，使得研究人员对其的研究越来越多。几何活动轮廓模型中，利用图像全局灰度信息的模型会对图像灰度不均匀性敏感；利用图像局部灰度信息的模型会对初始轮廓位置敏感；而结合图像全局和局部灰度信息的模型会存在一个全局项权重系数设置的问题。

发明内容

本发明的目的在于提供一种基于混合区域的活动轮廓模型图像分割方法。

实现本发明目的的技术方案为：一种基于混合区域的活动轮廓模型图像分割方法，包括以下步骤：

第一步，原始图像的增强处理：通过图像增强算法对原始图像进行增强处理；

第二步，构建能量泛函：同时使用原始图像的局部灰度拟合项和增强图像的全局灰度拟合项，构建基于混合区域的活动轮廓模型的能量泛函；

第三步，通过变分法求解构建能量泛函，使用变分水平集的求解框架进行数学计算，即轮廓曲线以隐式水平集的形式表示，然后通过梯度下降流和欧拉一拉格朗日方程将构建的能量泛函转化为一个偏微分方程，并通过迭代逼近的方式求出所述偏微分方程的最优解，进而获得最终的目标边界轮廓。

与现有技术相比，本发明的显著优点为：

(1)本发明对初始轮廓曲线的位置以及图像的灰度不均匀性不敏感，分割效率和精度都比较高，且受到噪声的影响较小，得到的分割结果鲁棒性较强；

(2)本发明能够克服现有技术的不足，将图像中感兴趣的目标从背景中清除、完整地分割出来，并且降低了算法的复杂程度。

附图说明

图1是本发明基于混合区域的活动轮廓模型的图像分割方法的流程图。

图2(a)和图2(b)分别是本发明仿真实验中原始图像和增强图像示意图。

图3(a)～图3(c)是本发明仿真实验中选取不同初始轮廓位置时的分割结果图。

图4(a)～图4(c)是本发明仿真试验中对待分割图像加入不同噪声后的分割结果图。

图5(a)～图5(c)是仿真实验中CV模型的分割结果示意图。

图6(a)～图6(c)是仿真实验中LRCV模型的分割结果示意图。

图7(a)～图7(c)是本发明仿真实验中分割结果示意图。

图8(a)～图8(c)是本发明仿真实验中与手工分割结果的对比图。

具体实施方式

结合图1，本发明的一种基于混合区域的活动轮廓模型图像分割方法，包括以下步骤：