[发明专利]一种多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法

摘要

本发明公开了一种基于多尺度局部统计主动轮廓模型(LSACM)的水平集图像分割方法，对LSACM水平集方法中的偏移场Bε、方差σiε、水平集函数φ(x)进行初始化；计算用来描述多尺度LSACM方法中的局部区域特征的量L(x)；计算描述多尺度局部区域的差分特征d(x)；计算多尺度LSACM方法中的高通滤波器的最大响应M；更新局部区域模拟灰度ciε；更新偏移场Bε；更新方差σiε；通过求解多尺度LSACM水平集能量函数对应的偏微分方程最小值达到曲线演化的目的；若已到达设定的迭代次数，则迭代运算停止，曲线演化结束，若还没有达到迭代次数，则返回继续迭代；本发明提出的多尺度LSACM水平集方法可以更有效的分割灰度不均匀图像，改善图像分割过程中出现的过分割和分割不足的现象。

主权项

一种多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法，其特征在于：步骤如下：步骤1：首先初始化多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的几个数值：偏移场Bε＝1，ε＝1...m,ε为所选尺度个数；方差σiε＝i，i＝1...2，ε＝1...m；水平集函数x是水平集函数变量，x∈inside表示水平集内部，otherwise表示水平集外部；步骤2：计算用来描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域特征的量L(x)，假定图像灰度不均匀大部分出现在低频区域，使用多尺度低通高斯滤波器来构造局部区域特征描述，其中x为中心像素，y为中心像素的邻域，邻域的尺度由σε＝2ε+1决定，描述局部区域特征的量为L(x)＝Bε(x)ciε，其中ciε为局部区域近似灰度；步骤3：根据步骤2得到的描述局部区域特征的量L(x)计算描述多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法中的局部区域的差分特征d(x)，其中d(x)＝(I(x)‑L(x))2＝(I(x)‑Bε(x)ciε)2，I(x)表示原始图像，根据演化曲线的特点将d(x)分成两部分，曲线内部din(x)和曲线外部dout(x)，其中din(x)＝(I(x)‑Lin(x))2，Lin(x)表示L(x)在演化曲线内部的分量，dout(x)＝(I(x)‑Lout(x))2，Lout(x)表示L(x)在演化曲线外部的分量，差分特征d(x)表示原始图像I(x)和局部特征L(x)的相似程度；步骤4：根据步骤3得到的局部区域差分特征d(x)计算多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的多尺度高通滤波器的最大响应M：M＝max(d(x))，即M＝max((I(x)‑L(x))2)＝max((I(x)‑Bε(x)ciε)2)，其中M分成两部分，演化曲线内部Min和演化曲线外部Mout，Min＝max((I(x)‑Lin(x))2)，Mout＝max((I(x)‑Lout(x))2)，M的作用是保留图像的高频信息以及在分割曲线演化的过程中寻找最优尺度；步骤5：计算步骤2中提到的局部区域近似灰度ciε，ciε由公式迭代计算，其中M1(φ)＝H(φ)，代表演化曲线内部，M2(φ)＝1‑H(φ)，代表演化曲线外部，H(φ)为阶跃函数；步骤6：计算步骤2中提到的偏移场Bε(x)，Bε(x)由公式迭代计算，其中M1(φ)＝H(φ)，代表演化曲线内部，M2(φ)＝1‑H(φ)，代表演化曲线外部，H(φ)为阶跃函数；步骤7：计算步骤1和步骤6中所提到的方差σiε，σiε表示相应区域的灰度变化，σiε由公式迭代计算，其中M1(φ)＝H(φ)，代表演化曲线内部，M2(φ)＝1‑H(φ)，代表演化曲线外部，H(φ)为阶跃函数；步骤8：综合上述步骤，多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的能量函数用E表示，，曲线演化方程为通过该微分方程求解能量函数E的最小值，从而达到曲线演化，图像分割的目的，其中为水平集函数的规整项，μ和υ为常量,μ的作用是驱使演化曲线向目标移动，υ＝o*255*255，o∈[0，1]，υ与检测目标的大小有关；步骤9：利用上述步骤中的公式进行迭代运算，求解多尺度局部统计主动轮廓模型(LSACM)水平集图像分割方法的能量最小值，若已经到达设定的迭代次数Ite，则迭代运算停止，曲线演化结束，从而图像分割完成，若还没有达到迭代次数，则返回步骤2继续迭代。