[发明专利]结合局部熵的局部能量泛函与非凸正则项的图像分割方法

说明书

本发明公开了一种结合局部熵的局部能量泛函与非凸正则项的图像分割方法，包括以下步骤：(1)读入图像I(x，y)；(2)初始化基于局部熵的局部能量泛函与非凸正则项的图像分割模型中的各个参数；(3)计算图像I(x，y)的局部熵h_x；(4)在步骤(2)初始化参数的基础上对图像I(x，y)进行分割，采用基于局部熵的局部能量泛函与非凸正则项的图像分割模型对所述图像I(x，y)进行分割，并在分割的过程中进行水平集函数φ的更新；(5)根据方程对水平集函数φ进行演化，判断水平集函数φ是否收敛，如果收敛，则水平集函数φ停止演化，并输出分割图像；反之，则返回步骤(4)继续。本发明可以高效，准确地分割灰度不均匀图像。

技术领域

本发明属于图像处理技术领域，特别涉及一种图像分割方法。

背景技术

图像分割作为模式识别、计算机视觉、人工智能等领域的关键技术，主要目的是将特定前景目标从背景中分离出来。但是由于图像中的感兴趣区域和背景区域灰度都有可能出现灰度不均匀现象，给图像的准确分割带来一定的困难。目前在众多的图像分割技术中，由于变分水平集模型具有自由拓扑变换特点，能够有效地提取复杂目标边界，受到越来越多的关注与应用。

水平集方法包括基于区域和基于边缘的两种方法，其中，CV模型是典型的基于区域统计的水平集方法，该模型利用图像的全局区域信息，利用全局二值分段常数进行水平集函数的拟合，驱动活动轮廓向目标边缘演化。但是该模型假设图像中的每个目标区域内的灰度是同质的，并且仅仅利用了图像的全局信息，忽略了局部信息，导致对灰度不均匀图像分割困难。

为了实现对不均匀图像的分割，国内外学者提出了很多基于局部图像特征的模型，例如LBF模型，LIF模型，LGD模型以及LAW模型等，其中以Li等人提出了利用局部二值拟合的LBF(Local Binary Fitting)模型最为典型。LBF模型利用局部区域信息，使用像素点的局部邻域信息进行二值拟合的能量泛函，该模型很好的克服了图像灰度不均匀特性，但是对初始轮廓比较敏感，容易陷入局部极小值。这些模型虽然实现了对灰度不均匀图像的分割，但是只是考虑了局部灰度情况统计信息，因此对灰度分布不均匀图像的分割结果不够准确，并且对初始轮廓的鲁棒性不够。

文献WANG Xiaofeng，Huang DeShuang，XU Huan.An efficient local Chan-Vesemodel for image segmentation[J].Pattern Recognition，2010，43(3)：603-618.公开了一种局部CV模型(Local Chan-Vese)，该模型将全局区域信息与局部区域信息相结合实现图像分割，但是该模型只是简单地局部和全局的组合，对于灰度不均匀图像的分割仍然出现了失败的现象。

发明内容

本发明的目的在于针对上述现有技术对于灰度不均匀图像分割效果不佳等缺点，提出了一种结合局部熵的局部能量泛函与非凸正则项的图像分割方法，以保证在分割灰度不均匀图像时取得满意的分割效果。

本发明的技术解决方案是：

一种结合局部熵的局部能量泛函与非凸正则项的图像分割方法，包括以下步骤：

(1)读入图像I(x，y)；

(2)初始化基于局部熵的局部能量泛函与非凸正则项的图像分割模

型中的各个参数，所述参数为φ、α、β、μ、v及σ，所述模型如下：