[发明专利]基于改进局部信息的CV模型的图像分割方法

说明书

本发明公开了基于改进局部信息的CV模型的图像分割方法，包括如下步骤：输入原始图像，计算其像素点灰度值；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；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；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。本发明既能考虑到图像的细节信息，又能考虑到图像的总体信息，将图像中目标分割出来，利用矢量化活动轮廓技术做进一步的分割处理，整个流程不需要人工干预，在很短的时间内用户便可得到想要的分割结果，实用性好，能进行较复杂图像的精确分割。

技术领域

本发明涉及图像处理技术领域，尤其涉及基于改进局部信息的CV模型的图像分割方法。

背景技术

图像分割是计算机视觉和图像处理领域中的一个基本问题。图像分割的目的是把图像区域分成若干互不相交的子区域，在每个子区域上图像的某种性质呈现一致性。

活动轮廓模型(ACM)由于其能较好地处理局部间断边缘等特性，受到人们的关注。而水平集方法用定义在高维空间中的水平集函数替代了ACM方法中的参数曲线，成功地解决了曲线演化中拓扑结构变化的问题。但是，水平集方法对复杂场景下的图像存在着精度差、效率低等问题需要解决，因此开展水平集方法的研究具有重要的现实意义。

基于水平集的活动轮廓模型称作水平集方法，该类模型不再依赖参数，对拓扑曲线变化可以进行有效处理。主要分为三类：边缘型模型、区域型模型以及混合型模型。早期较成熟的边缘模型为GAC模型，但该模型对噪声敏感，同时要不断重新初始化水平集函数。针对边缘性模型过度依赖边缘信息的缺点，国内外专家提出了基于区域的水平集方法。其中最著名的是CV模型，利用图像的灰度统计信息，不再依赖图像的梯度信息能分割模糊边界、弱边界、不连续边界的图像，尤其对目标和背景灰度均匀的图像有理想的分割效果，但是该方法不能分割灰度不均匀图像，而且在分割较大尺寸的图像或噪声图像时，演化速度慢。

针对CV模型的缺点，李春明等人提出了基于局部信息的的LBF模型，把CV模型的全局二值拟合能量泛函改为基于核函数的局部二值拟合能量泛函，较好的解决了灰度不均匀图像的分割问题，但是该模型对初始轮廓较为敏感，不同的初始轮廓位置会影响分割结果，且LBF模型的演化速度难以满足实时性要求高的应用场合。王力等人在论文中结合CV模型和LBF模型的能量泛函线性组合成新的能量泛函，在一定程度上解决了灰度不均匀图像的分割问题，但是相比单一模型计算量较大。王晓峰等人结合局部和全局信息提出了局部CV模型(LCV)，通过卷积之后的图像与原始图像做差值，增强目标与背景的灰度对比度，可以分割灰度不均匀图像，分割速度和迭代次数较LBF快，但是由于没有利用局部像素点灰度值之间关系和受卷积窗口大小限制，对于背景复杂灰度图像分割效果不理想。

综上所述，基于全局信息的模型分割速度快，但不能成功分割灰度不均匀图像。基于局部信息的模型易陷入局部极小值，导致过分割现象。结合全局与局部信息的混合模型能较好的分割灰度异质图像，但计算较复杂。

发明内容

基于背景技术存在的技术问题，本发明提出了基于改进局部信息的CV模型的图像分割方法。

本发明提出的基于改进局部信息的CV模型的图像分割方法，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；