[发明专利]基于先验约束水平集框架的鲁棒快速图像分割方法

权利要求书

1.一种基于先验约束水平集框架的鲁棒快速图像分割方法，其特征在于，包括以下步骤：

S1：定义能量泛函；

S2：极小化能量泛函；

S3：并行算法分割医学图像；

S4：分割结果与比较，得到最终轮廓线；

步骤S1包括：

定义为图像区域，对于图像I:Ω→R，定义新的能量泛函的三项分别是长度项，拟合能量项和约束项，其中约束项是粗略的手动分割的结果或者是其他方法的预分割结果,长度项、拟合能量项和约束项的作用分别是检测图像边缘并缩短轮廓线的长度或光滑轮廓线，驱使活动轮廓线朝着物体的边缘移动和约束轮廓线过分偏离物体的边缘，约束项在本文模型中是一个重要的项，因为它保证了活动轮廓在相互分割曲线上的移动，从而从根本上提高了对初始条件的鲁棒性；

其中，能量泛函中的一些参数的值可以根据不同种类的图像做调整，使得结果更准确和快速；此外还加入了边缘检测函数和高斯核函数，保证了边缘的细节又保证了得到最终轮廓线的光滑；

同时，新的能量泛函是凸函数，符合应用分裂Bregman方法极小化的条件，相比梯度下降法，分裂Bregman方法收敛速度快，因此提高了模型的分割效率；

其中，定义能量泛函的过程如下：

定义为图像区域，对于图像I:Ω→R，新的能量泛函如下：

其中Φ(x)和Φ_pre(x)分别是待分割图像的水平集函数和约束图像的水平集函数，而Φ_pre(x)是粗略的手动分割的结果或者是其他方法的预分割结果；新的能量泛函的三项分别是长度项，拟合能量项和约束项；其作用分别是检测图像边缘并缩短轮廓线的长度或光滑轮廓线，驱使活动轮廓线朝着物体的边缘移动和约束轮廓线过分偏离物体的边缘；约束项在本文模型中是一个重要的项，因为它保证了活动轮廓在相互分割曲线上的移动，从而从根本上提高了对初始条件的鲁棒性，其中：

其中，x,y是图像中像素点的位置，参数λ₁,λ₂,σ,β和α均是大于零的参数，其值能够根据不同种类的图像做调整，使得结果更准确和快速；g和K_σ分别是边缘检测函数和高斯核函数；f₁和f₂分别是轮廓线内外的近似图像强度；

此时能量泛函是凸函数，符合应用分裂Bregman极小化的条件，因此，极小化公式(1)简化为：

其中

步骤S2包括：

本方法主要应用于2D图像分割，并引入一个向量辅助变量，因此问题转换为一个约束极小化问题，引入一个带有惩罚参数的二次惩罚函数，得到一个无约束问题，然后引入Bregman变量，极小化问题就可以通过分裂Bregman方法解决；

步骤S3包括：

约束项通过修正原始曲线条件来影响模型，考虑到这一点，选择N个圆圈circle_i(i＝1,2,...,N)表示在感兴趣区域ROI周围，确保这些圆是够大到足以覆盖感兴趣区域ROI的边界，这些圆在计算尺度上是不相关的，所以可以独立地做同样的演化；首先，需要选择一个小的Ω_i包含circle_i，每一个演化过程都是在Ω_i上进行；

在每个小区域Ω_i上，所有的演化过程完成后，得到最终的水平集函数，然后做一个简单的合并操作，并获得初步分割结果；而合并分割曲线可能不是非常光滑或准确，需要一个额外的演化步骤，以获得更平滑和更准确的分割结果，把初步分割结果为再次对整个图像域演化，呈现一个完整的和最终的分割结果，在此基础上，采用并行算法大大缩短了迭代时间，由于Ω_i比原来的区域小得多，迭代效率得到了极大的提升；

步骤S4包括：得到最终演化的水平集函数，取零水平集函数即为最终轮廓线。

2.根据权利要求1所述的基于先验约束水平集框架的鲁棒快速图像分割方法，其特征在于：在步骤S1中，建立基于先验约束水平集框架的鲁棒快速图像分割模型；在步骤S2中，应用全局凸分割方法的思想和分裂Bregman方法；在步骤S4中，得到最终演化的水平集函数，取零水平集函数即为最终轮廓线。

3.根据权利要求1所述的基于先验约束水平集框架的鲁棒快速图像分割方法，其特征在于，计算过程如下：

1)、输入待分割图像I，初始水平集函数Φ₀，约束水平集函数Φ_pre，初始Bregman变量初始辅助向量和迭代终止条件ν；

2)、计算初始轮廓线内外图像近似强度

3)、计算数据拟合能量项T^k；

4)、计算水平集函数Φ^k+1；

5)、计算初始辅助向量

6)、计算Bregman变量

7)、计算轮廓线内外图像近似强度

8)、得到零水平集函数Φ^k+1＝0；

9)、判断‖Φ^k+1-Φ^k‖≥υ；

10)、如果9)中条件为是，则返回3)继续计算；直到9)中条件为否，

输出最终轮廓线。