[发明专利]基于改进局部信息的CV模型的图像分割方法

权利要求书

1.基于改进局部信息的CV模型的图像分割方法，其特征在于，包括有如下步骤：

(1)输入原始图像I，计算其像素点灰度值I(x)，x为图像像素点；

(2)设置初始轮廓C，初始轮廓C为图像任意指定的闭合曲线所对应的图像像素点x，由水平集函数φ(x)的零水平集得到：即当水平集函数φ(x)＝0时对应的图像像素点x为初始轮廓C，当φ(x)＞0时对应的图像像素点x为背景区域，当φ(x)＜0时对应的图像像素点x为目标区域；

(3)设置时间步长Δt，空间步长h，惩罚项系数μ，正则化参数ε，广义高斯函数的尺度参数α和形状参数β；

(4)设置长度项系数v和全局灰度拟合值系数w；

长度项系数v＝λ×255²，其中λ∈(0,1)；全局灰度拟合值系数w∈[0,1]；

(5)设置迭代次数n，初始化迭代次数n＝0；

(6)开始图像迭代分割:

(6a)计算原始图像I的全局目标灰度拟合值c₁和全局背景灰度拟合值c₂，计算原始图像I的局部目标灰度拟合值f₁(x)和局部背景灰度拟合值f₂(x)；

(6b)计算原始图像I的加权目标灰度拟合值m₁(x)和加权背景灰度拟合值m₂(x)，构建基于改进局部信息的CV模型的目标与背景灰度拟合值；

(6c)根据能量泛函得到梯度下降流演化水平集函数φ(x)；

(6d)根据水平集迭代公式得到最终的水平集函数φⁿ⁺¹；

(7)判断是否达到迭代次数n，是则提取最终的水平集函数φⁿ⁺¹的零水平集为原始图像I的分割结果，否则n＝n+1转第(6)步继续执行迭代过程。

2.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，步骤(6a)所述的原始图像I的全局目标灰度拟合值c₁和全局背景灰度拟合值c₂，原始图像I的局部目标灰度拟合值f₁(x)和局部背景灰度拟合值f₂(x)，分别按下式计算：

c1=∫ΩI(x)Hϵ(φ(x))dx∫ΩHϵ(φ(x))dxc2=∫ΩI(x)(1-Hϵ(φ(x)))dx∫Ω(1-Hϵ(φ(x)))dxf1(x)=Kβ(x)*[Hϵ(φ(x))I(x)]Kβ(x)*Hϵ(φ(x))f2(x)=Kβ(x)*[(1-Hϵ(φ(x)))I(x)]Kβ(x)*[1-Hϵ(φ(x))]]]>

其中海氏函数广义高斯函数Γ(·)为Gamma函数，α为尺度参数，β为形状参数，*为卷积运算。