[发明专利]基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种活动轮廓模型图像分割方法，特别是一种基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法。

背景技术

随着计算机科学技术的迅速发展，图像分割作为图像处理和计算机视觉、目标跟踪、以及医疗成像等领域的一项基础性课题，有着很高的应用和研究价值。在过去的几十年里，研究人员已经做出很大的努力来解决图像的分割问题，并提出了很多分割算法，其中活动轮廓模型已经成为目前该领域中较为活跃的方法之一。

用曲线演化理论和水平集方法表达的活动轮廓模型，通常可分为两种类型：基于边缘的模型和基于区域的模型。基于边缘的模型利用图像的梯度特性来构造边缘指示函数，使得演化曲线不断地向着目标的边界运动，对于梯度变化比较明显的图像有较好的分割效果。然而，对于某些包含大量噪声的目标图像往往会造成分割结果的不理想。相反，基于区域的模型被不断地开发并应用到图像分割领域，通过使用全局或局部图像信息来引导水平集演化，使得模型在应对弱边缘与不连续边界等问题时，具有更好的通用性。其中，Chan和Vese提出的C-V模型最具有代表性，通过假定带分割图像在同质区域内灰度的分布是均匀的，该模型具有较好的全局优化特性，且对初始轮廓曲线的依赖性很小。但是该方法在进行灰度不均匀及噪声图像的处理时，很容易出现误分割，这就限制了它的实际应用。针对上述问题，Vese等人提出了PS(Piecewise Smooth)模型，有效地解决了灰度不均匀图像的分割问题，但模型的计算量比较大。

为此，Li等人提出了著名的LBF模型，通过将C-V模型中的全局拟合能量替代为局部二值拟合能量，该方法能很好地处理灰度不均匀图像，且具有更好的分割定位能力。但是，LBF模型对图像噪声和初始轮廓曲线比较敏感，且能量方程容易陷入局部极小。

发明内容

本发明的目的是针对现有的技术存在上述问题，提出了一种基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法，本活动轮廓模型图像分割方法可以实现灰度不均匀目标的分割，对初始轮廓曲线的形状、大小、位置更不敏感，且具有一定的抗噪性。

本发明的目的可通过下列技术方案来实现：

一种基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法，其特征在于，该方法包括如下步骤：

S1：输入原始图像I(x)；

S2：计算图像的局部熵，进而得到图像的局部符号差能量项；

S3：初始化水平集函数φ＝φ⁰(x)，它的符号距离函数定义如下：

S4：初始化系数α、β、λ₁、λ₂、μ、ν、ε、σ、Δt；

S5：计算局部拟合能量项e₁、e₂；

S6：更新水平集函数φ；

S7：判断水平集演化曲线是否满足收敛准则，若没有，转到步骤S5继续计算，直到满足终止条件。

在上述基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法，在步骤S2中，图像局部熵的表达式为：

公式中，Ω_x是以x为中心的邻域，y是邻域中的像素，P(y,Ω_x) 是邻域像素灰度级的分布函数，可以表示为：

图像的局部符号差能量项的表达式为：

公式中，E_r(x)＝E(x,B(x,r))是以x为中心的邻域像素点的局部熵，B(x,r)＝{y:|x-y|≤r,r＞0}是窗口函数；

W(x)是权重函数，定义如下：

W(x)＝∫_inside(C)K_σ(x-y)dy∫_outside(C)K_σ(x-y)dy

前景聚类f₁和背景聚类f₂的符号差能量E^lsd(x)定义如下：

E^lsd(x)＝f₁(x)-f₂(x)。

在上述基于局部高斯分布拟合与局部符号差能量驱动的活动轮廓模型图像分割方法，在步骤S5中，包括如下子步骤：

S5.1：在局部高斯分布拟合能量的基础上引入局部符号差能量项