[发明专利]一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法

摘要

本发明公开了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。提取笼养蛋鸡图像的S分量图像，用k‑means聚类法将方形局部窗口内的S分量图像像素分成两类，遍历S分量图像得到两个类中心函数，构建包含这两个类中心函数的能量函数，并在能量函数中引入平均核函数和水平集函数形成总能量泛函，用标准梯度下降法最小化总能量泛函得到分界线演化方程，加入形态学开运算操作和高斯滤波操作，最后用有限差分法对分界线演化方程进行迭代直到收敛，最终的演化分界线即为笼养蛋鸡图像的分割结果。本发明能够快速精确地分割笼养蛋鸡图像，消除笼子遮挡的影响。

主权项

1.一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法，其特征在于该方法包含如下步骤：步骤1：读取笼养蛋鸡原始图像I，提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω，其中Ω表示S分量图像的图像域；步骤2：构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ωx，用标准k‑means聚类方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl，分别为第一类区域Ωs和第二类区域Ωl，遍历S分量图像Is的每个像素点得到两类区域Ωs和Ωl的类中心函数fs(x)和fl(x)；根据方形局部窗口Ωx像素的灰度值为I(y)和类中心函数fs(x)和fl(x)，构建关于两类区域Ωs和Ωl的能量函数Ex，能量函数Ex的公式如下：式中，Ex是能量函数，y为图像域Ω中的一像素点，I(y)为图像域Ω中第y个像素点的灰度值；步骤3：用两类区域Ωs和Ωl之间的分界线Cx对能量函数Ex进行改写；步骤4：构建包含两个类中心函数的能量函数Ex，并在能量函数Ex中引入平均核函数Kσ(y)和水平集函数φ改变形成总能量泛函ELPF；4.1：利用平均核函数Kσ(y)对能量函数Ex改写为：式中，Kσ为平均核函数；4.2：对所有图像域Ω的像素点x进行积分得到总能量泛函ELPF，其公式如下。ELPF(C,fs,fl)＝∫Ω(∫outside(C)Kσ(y)|I(y)‑fs(x)|2dy)dx           +∫Ω(∫inside(C)Kσ(y)|I(y)‑fl(x)|2dy)dx式中，Cx是两类区域Ωs和Ωl之间的分界线，C是{Cx,x∈Ω}的分界线集合；4.3：再用水平集函数φ对总能量泛函ELPF改写为：ELPF(φ,fs,fl)＝∫Ω(∫ΩKσ(y)|I(y)‑fs(x)|2Hε(φ(y))dy)dx            +∫Ω(∫ΩKσ(y)|I(y)‑fl(x)|2(1‑Hε(φ(y)))dy)dx式中，φ是水平集函数，Hε(x)和δε(x)分别是规则化的海维赛徳(Heaviside)函数和规则化的狄拉克(Dirac)函数，规则化的海维赛徳(Heaviside)函数Hε(x)和规则化的狄拉克(Dirac)函数δε(x)分别计算为：其中，π是圆周率，ε是狄拉克函数的参数；所述的水平集函数φ根据分界线集C表示为以下函数：式中，φ(y)表示图像域Ω中水平集函数φ在第y个像素点的取值；步骤5：用标准梯度下降法最小化总能量泛函E^LPF，保持水平集函数φ不变，得到分界线演化方程分界线演化方程的公式如下：式中，x为方形局部窗口Ωx的中心位置的像素点序数，δε(y)是规则化的狄拉克(Dirac)函数，ε是狄拉克函数的参数，是一个常数。步骤6：用有限差分法求解分界线演化方程求解前先用一个结构元素b对分界线演化方程进行形态学开运算，然后在分界线演化方程中加入高斯滤波函数G_σ，不断迭代求解分界线演化方程直到水平集函数φ稳定，选取水平集函数φ中零水平上的像素点组成分割轮廓，作为笼养蛋鸡原始图像的精确分割结果。