[发明专利]基于ALR‑CV模型与边缘转换的图像分割算法

说明书

技术领域

本发明涉及图像分割算法领域，具体涉及基于ALR-CV模型与边缘转换的图像分割算法。

背景技术

飞鸟识别是驱鸟系统中十分重要的一个环节，计算机视觉识别是其中一种常用的手段；图像分割是计算机视觉中的重要任务，也是图像处理的关键步骤。近年来，随着计算机技术领域高速发展，图像分割技术随之取得巨大进步，目前已成功的应用在遥感、医学、天文学、工业等领域；同时，图像分割质量的好坏直接决定着后续图像分析、图像识别等方面的性能，所以如何准确、高效的检测图像中目标物体是图像分割的重中之重。

近年来出现了很多种有效的图像分割方法，其中Chan Vese模型(简称CV模型)是一个成熟的基于区域的模型，其具有易于处理曲线的拓扑结构变化、不依赖梯度信息、能有效分割离散状的目标等优点，但同时又具备数值解的局部性、分割结果的二值性等缺陷，故许多学者对该模型进行了研究与改进。

文献《D.Li,W.Li,Q.Liao,Active contours driven by local and global probability distributions[J].Image Represent,2013,24(5):522–533.》提出了一种使用边缘和区域信息的主动轮廓模型，该模型是测地线主动轮廓(GAC)模型、CV模型、梯度方向项及内部区域项对准的组合模型。文献《王瑜,闫沫.基于Wasserstein距离和SBGFRLS的活动轮廓模型图像分割算法[J].西安航空学院学报,2016,34(1):68-72.》提出了另一种改进模型，是采用二值函数作为水平集函数并利用高斯核函数正则化(简称SBGFRLS)，它是GAC模型和CV模型的组合，这种方法使用基于区域的符号压力函数(SPF)代替GAC模型中的边界停止函数(ESF)，当应用于均匀图像时提供令人满意的性能。文献《张爱华,王帆,陈海燕.基于改进CV模型的高原鼠兔图像分割[J].华中科技大学学报(自然科学版),2017,45(8):32-37.》公开了第三种改进的局部二进制拟合(LBF)模型，通过引入一个核函数来定义能量泛函的方法，通过使用额外的区域信息来扩展SBGFRLS，相比SBGFRLS能获得更好的分割性能，但是由于每次迭代的内核操作，其成本显著增加。后两种基于Chan Vese模型的改进模型具有一定的分割效果，能够实现图像部分目标轮廓提取，但是由于采取的是欧氏距离度量位置点与拟合中心间的距离，测量距离时不能很好地识别像素点的差异，噪声点和真实像素都有可能被统计进来。相对来说，第一种使用边缘和区域信息的主动轮廓模型，使用基于局部概率分布的新型SPF嵌入到GAC中，通过实验证明，与原始的CV模型和经典的Otsu分割方法相比，该方法可获得更好的分割结果。文献《Y.Tian,F.Duan,M.Zhou.Active contour model combining region and edge information[J].Mach.Vis.Appl,2013,24(3)47-61.》中提出了另一个类似模型，该模型使用基于全局和局部区域信息的新型SPF及通用的GAC，并且将SBGFRLS和LBF模型分别设置为对比项在部分合成和真实图像进行了实验，结果表明该模型能获得更好的分割效果。总而言之，使用边缘和区域信息以及使用全局和局部区域信息均可增强分割性能。

发明内容

本发明要解决的技术问题是提供一种基于ALR-CV模型与边缘转换的图像分割算法，可以进一步提高对复杂图像的分割精度。

本发明通过以下技术方案实现：

基于ALR-CV模型与边缘转换的图像分割算法，包括以下步骤：

1)获取图像的边缘信息；

2)根据边缘信息的二进制边缘掩码计算得到二进制边缘掩码的距离图；

3)根据距离图构建边缘转换图ETM(x,y)；

4)将CV模型的能量泛函E_CV最小化，得到水平集演化方程式(2)，去除其中正则项后得到方程式(3)，将方程式(3)等号两边分别除以能量项权重系数λ₁，并在执行过程中进行归一化，得到方程式(6)，用能量项权重系数的局部比替换原始CV模型中能量项权重系数的一般比，得到ALR-CV模型；

5)用ALR-CV模型分割边缘转换图ETM(x,y)。

本发明的进一步方案是，步骤4)中CV模型的能量泛函E_CV为方程式(1)：