[发明专利]一种自动初始轮廓生成的水平集高原鼠兔图像分割方法

说明书

本发明涉及一种自动初始轮廓生成的水平集高原鼠兔图像分割方法。首先采用基于Faster_RCNN的目标检测网络对高原鼠兔进行目标检测，确定目标位置，然后以该位置作为水平集图像分割方法的初始轮廓，使用水平集图像分割模型完成高原鼠兔图像的分割，解决传统水平集图像分割方法初始轮廓无法自动生成的问题，且分割性能与手动标记初始轮廓的水平集图像分割方法相近。

技术领域

本发明涉及图像识别技术领域，尤其是一种自动初始轮廓生成的水平集高原鼠兔图像分割方法。

背景技术

高原鼠兔图像分割是对高原鼠兔进行目标跟踪、密度估计、行为分析等研究的基础，对研究高原鼠兔的生活习性，有效掌握高原鼠兔的种群变化，防治高原鼠兔对生态环境的破坏等方面具有重要的意义。

在自然场景下，高原鼠兔图像具有背景复杂、灰度不均、噪声大、边缘对比度低的特点，这对高原鼠兔图像的分割带来了很大的挑战。现有的高原鼠兔图像分割采用水平集方法。水平集模型分为基于边缘的水平集模型、基于区域的水平集模型两大类。基于边缘的水平集模型利用图像梯度信息对图像进行分割，因此在弱边缘或噪声图像中分割效果不佳；基于区域的水平集模型不再依赖于图像的梯度信息，而是依赖于图像区域信息，所以在弱边缘或噪声图像中分割效果较好。常见的基于区域的水平集方法有Chan_Vese模型、LBF模型、RSF模型等，但这些方法都需要手动标记初始轮廓，水平集初始轮廓的位置会严重影响图像分割的性能。

针对传统水平集方法中初始轮廓无法自动生成的问题，近年来有许多解决方法被相继提出，白雪飞等提出了一种利用图像先验形状自适应的定义初始轮廓，但是该方法无法精确定位复杂背景图像中的目标；郭海涛等提出一种利用四叉树的方法来确定目标初始轮廓，但该方法只适用于正方形图像；张爱华等提出了一种利用视频序列的时域信息，采用背景减法确定目标初始轮廓的方法，但该方法利用了序列时域信息，而静态图像不具有时域信息；Yiwei Liu等运用模糊连接算法来获取目标的初始轮廓，但该方法的分割性能严重依赖于模糊连接的结果；Rukhmini Roy等利用SegNet网络进行粗分割，再利用水平集进行细分割的方法完成了对肺部图像的分割，利用粗分割阶段输出的种子点作为水平集的初始轮廓，但该方法的分割结果严重依赖于粗分割阶段的结果。

深度学习具有强大的学习能力，在自动提取目标特征、多层次特征表示上具有极大的优势。基于深度学习的目标检测方法通过提取目标高级特征，提高了检测精度；到目前为止，已经有很多基于深度学习的目标检测方法，其中著名的有RCNN、Fast-RCNN、Faster-RCNN等，Faster-RCNN与其它两种方法相比，具有计算速度更快、检测精度更高等优点。

发明内容

本发明提供一种基于Faster-RCNN的目标检测网络自动确定目标初始轮廓的方法，以此来克服水平集图像分割方法需要手动标记初始轮廓的问题。

一种自动初始轮廓生成的水平集高原鼠兔图像分割方法，首先采用基于Faster-RCNN的目标检测网络进行目标检测，再将检测得到的目标框作为水平集的初始轮廓，运用水平集方法对图像进行分割。

具体包括以下步骤：

1、收集大量高原鼠兔图像，并分为训练集和测试集两部分；

2、构建基于Faster-RCNN的目标检测网络；

3、利用训练集对目标检测网络进行网络训练；

4、用训练好的目标检测网络对测试集进行目标检测，获取包含目标区域框的图像；

5、对包含目标区域框的图像进行预处理；

6、把包含目标区域的检测框作为水平集的初始轮廓，运用水平集方法对图像进行分割，获取图像分割结果。

进一步的，所述步骤5的预处理是指对高原鼠兔图像进行形态学滤波，消除背景中的细密纹理及由噪声引起的干扰，增强目标的边缘；