[发明专利]基于改进局部信息的CV模型的图像分割方法

权利要求书

1.基于改进局部信息的CV模型的图像分割方法，其特征在于，包括如下步骤：

S1输入原始图像，计算其像素点灰度值；

S2设置初始轮廓图像，初始轮廓图像为图像任意指定的闭合曲线所对应的图像像素点；

S3对初始轮廓图像进行非下采样Shearlet变换，得到一幅低频缺陷图像和一组高频缺陷图像；

S4利用PCNN方法对所述低频缺陷图像进行信息分割，得到第一缺陷图像；

S5利用逆非下采样Shearlet变换将背景抑制后的第一缺陷图像与所述高频缺陷图像进行重构，得到高频特征图像；

S6对高频特征图像进行粗分割，然后以粗分割得到的图像作为初始条件，利用基于CV模型的图像分割方法对其进行精细分割，得到第二缺陷图像；

S61计算原始图像的全局目标灰度拟合值和全局背景灰度拟合值，计算初始轮廓图像的局部目标灰度拟合值和局部背景灰度拟合值；

S62计算原始图像的加权目标灰度拟合值和加权背景灰度拟合值，构建基于改进局部信息的CV模型的目标与背景灰度拟合值；

S63根据能量泛函得到梯度下降流演化水平集函数φ；

S64根据水平集迭代公式得到最终的水平集函数φn+1；

S7将第一缺陷图像和第二缺陷图像进行融合，得到最终的局部缺陷图像，输出最终的图像分割结果。

2.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S2初始轮廓C由水平集函数φ(x)的零水平集得到：即当水平集函数φ(x)＝0时对应的图像像素点x为初始轮廓C，当φ(x)＞0时对应的图像像素点x为背景区域，当φ(x)＜0时对应的图像像素点x为目标区域；。

3.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，基于CV模型的图像分割方法使用以下轮廓演化方程：

式中，φ为水平集函数，δ为Dirac函数，t为梯度算子，z表示图像灰度值，c1和c2为分别为图像边缘曲线内部和外部区域的图像灰度均值；μ、λ1和λ2为权重参数，ω(x)为权值调整函数。

4.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S6判断是否达到迭代次数n，是则提取最终的水平集函数φn+1的零水平集为原始图像I的分割结果，否则n＝n+1转步骤S6继续执行迭代过程。

5.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S3单层非下采样Shearlet变换中用于非下采样拉普拉斯塔式分解的滤波器选择“maxflat”，用于进行方向分析的窗函数为“Meyer”。

6.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S6利用香农熵作为判断PCNN的最佳迭代次数标准。

7.根据权利要求1所述的基于改进局部信息的CV模型的图像分割方法，其特征在于，所述步骤S3非下采样Shearlet变换为单层非下采样Shearlet变换。