[发明专利]基于双权重符号压力函数的活动轮廓图像分割方法

说明书

本发明公开了一种基于双权重符号压力函数的活动轮廓图像分割方法，包括以下步骤：步骤S1，输入待分割的原始图像，并初始化活动轮廓模型的参数及设定初始轮廓；步骤S2，计算全局灰度项和勒让德多项式，得到基于双权重的符号压力函数；计算边缘停止函数g(|▽I|)；步骤S3，使用梯度下降算法求解活动轮廓模型的能量函数，得到所对应的梯度流方程以进行分割曲线的迭代，得到新时刻的水平集函数；步骤S4，对新时刻的水平集函数进行二值化惩罚以及高斯滤波的正则化处理；步骤S5，判断曲线是否继续迭代，若满足收敛条件，则停止迭代，完成图像分割；若不满足收敛条件，则执行步骤S2，进行下一次迭代。

技术领域

本发明涉及图像分割领域，具体涉及一种基于双权重符号压力函数的活动轮廓图像分割方法。

背景技术

图像分割在图像处理，机器学习，计算机视觉和其他领域中发挥着重要作用。基于活动轮廓模型(active contour model，ACM)的图像分割技术目前占据着十分重要的地位，它目前广泛应用于医学图像、雷达图像、合成图像分割等相关领域中，具有广泛的应用前景与应用价值。医学图像有多种图像模态，诸如MR、CT、PET、超声成像等等，各种图像可以获得反映二维和三维区域人体的生理和物理特性。基于活动轮廓模型的图像分割技术应用于医学图像领域时，可以分割提取医学图像中的特征区域，为后续的临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断帮助，例如图1所示的冠状动脉CT血管分割，如图2所示的脑出血CT图像分割等领域。

现有的ACM可被分类为两种类型：基于边缘的活动轮廓模型和基于区域的活动轮廓模型。基于边缘的活动轮廓模型利用图像梯度模定义的边缘停止函数使演化曲线停止在待分割的图像边缘上。基于区域的活动轮廓模型利用轮廓线内部和外部的统计信息来控制曲线的演化。在基于活动轮廓模型的图像分割方法中，灰度不均匀、噪声、边缘模糊，计算耗时以及对初始轮廓敏感等复杂情况对于准确高效地得到图像分割结果具有一定的挑战。因此，有必要提出一种更为准确和高效的方法，以保证能够在各种复杂情况下保持较高的分割准确率并且有效地控制耗时和计算量。

发明内容

本发明的目的在于克服现有技术中所存在的基于活动轮廓模型的图像分割方法实时性准确度不高的问题，提供一种基于双权重符号压力函数的活动轮廓图像分割方法，在待分割图像存在灰度不均匀、噪声、边缘模糊等复杂情况时，提高分割效率与准确率。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于双权重符号压力函数的活动轮廓图像分割方法，包括以下步骤：

步骤S1，输入获取的待分割的原始图像；并初始化活动轮廓模型的参数及设定初始轮廓；

步骤S2，计算全局灰度项以及勒让德多项式，得到基于双权重的符号压力函数；计算边缘停止函数g(|▽I|)；

步骤S3，使用梯度下降算法对活动轮廓模型的能量函数进行数值求解，得到所对应的梯度流方程以进行分割曲线的迭代，得到新时刻水平集函数；

步骤S4，对步骤S3得到的新时刻水平集函数进行二值化惩罚以及高斯滤波的正则化处理；

步骤S5，判断曲线是否继续迭代，若满足收敛条件，停止迭代，完成图像分割；若不满足收敛条件，则执行步骤S2，进行下一次迭代。

优选地，所述步骤S1的详细步骤如下所述：

输入原始图像，并计算各像素点灰度值，记做I(x)，x为图像域Ω中的像素点；初始化活动轮廓模型的参数，并设定初始轮廓。

优选地，所述步骤S2中，

基于双权重的符号压力函数为：