[发明专利]一种基于多特征的灰度不均图像快速分割方法

摘要

本发明公开了一种基于多特征的灰度不均图像快速分割方法，通过引入相似性理论快速估计偏压场信息，从而简化了局部信息模型，不但在运行速度上有了很大的提高，而且降低了对初始化轮廓信息的敏感度；本方法与经典算法相比，通过构造与阶跃函数更近似的Heaviside函数，在分割曲线的光滑度上表现更优；本方法通过引入双重终止条件，根据图像内容的不同自适应的结束曲线演化进程，从而提高了分割算法的速度。

主权项

一种基于多特征的灰度不均图像快速分割方法，其特征在于，包括下述步骤：步骤1，输入待分割图像：I0；步骤2，设置初始轮廓C₀，使用公式(2)初始化水平集函数φ₀，设置时间步长：Δt＝0.1，用来控制曲线光滑度函数Heaviside中的参数设置为：ε＝1.5，长度惩罚项参数：μ＝λ×255²,λ∈(0,1)；公式(3)H^new(x)是曲线光滑度Heaviside函数；${\mathrm{\φ}}_0\left(x\right)=\left\{\begin{array}{cc}2& x\∈C_0\\ -2& otherwise\end{array}\right.---\left(2\right)$$H^{new}\left(x\right)=\frac{1}{2}cos(\frac{\mathrm{\π}}{2}-atan(\frac{x}{\mathrm{\ϵ}}))+\frac{1}{2}---\left(3\right)$其中，π为圆周率；步骤3，根据步骤2中初始化信息建立局部信息模型、全局信息模型以及正则化能量模型，将三类模型嵌入到水平集框架中，得到总能量信息模型并进行曲线演化；所述的的总能量信息模型表示如下：E(φ)＝α·E^L(φ)+β·E^G(φ)+R_p(φ)         (4)其中E(φ)表示总的能量模型；E^L(φ)表示局部统计信息模型；E^G(φ)表示全局统计信息模型；R_p(φ)用来表示距离正则化能量模型；α，β是分别用来控制局部和全局信息模型的非负常数；步骤4，将步骤3中三类信息模型嵌入到水平集框架进行曲线演化，使用双重终止条件进行判断曲线演化是否终止：若条件不满足，则跳转到步骤(3)接着进行曲线演化；若满足条件，则算法终止，提取零水平集轮廓得到分割结果。