[发明专利]一种频域边界能量模型的水平集图像分割方法

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种能够有效分割图像的频域边界能量模型的水平集图像分割方法。

背景技术

图像分割一直是图像处理领域的研究热点和难点，其目的是将图像分割为具有相同特性的若干子区域，如亮度、纹理、密度等。图像分割是进行高级图像如图像分析、目标识别、图像理解和计算机视觉的关键步骤。图像分割在医学领域、安防系统、军事领域等诸多方面都有广泛应用。虽然经过多年研究，许多学者已经提出大量有效的图像分割算法，但图像分割没有一种通用的有效算法，针对不同的应用场景，往往需要进行研究改进现有算法从而达到最好效果。在众多图像分割算法中，基于活动轮廓模型的方法能够获取亚像素精度结果以及平滑的轮廓而被广泛应用于医学图像分割。然而，在医学图像中，由于成像技术水平的限制，获取的图像常常包含了强噪声或偏移场。而且，两种干扰信息常常同时出现，例如超声波图像，光学相干层析图像(Optical Coherence Tomography，OCT)图像等。这些干扰信息严重影响了医学图像的精细分割，因此实现一种能够消除强噪声和偏移场干扰的分割方法是十分必要的。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种频域边界能量模型的水平集图像分割方法。

为了解决上述技术问题，本发明公开了一种频域边界能量模型的水平集图像分割方法，在频域内，将图像分割问题归结为如何设计滤波器有效地提取边界能量信息，包括以下步骤：

步骤1，在图像区域Ω范围内，对初始化轮廓外区域和内区域进行傅里叶变换。

步骤2，利用设计的滤波器，如带通滤波器，提取图像的边界能量项。

步骤3，融合水平集函数正则化项，轮廓约束项及边界能量项，获得整体的能量项。

步骤4，实例化阶跃函数H(·)函数和冲击函数δ(·)，计算使得能量函数变小的水平集函数的变化值。对水平集函数进行更新。若能量函数不收敛，则返回步骤3；否则输出分割结果。

其中，步骤1包括以下步骤：

步骤1-1，对于定义在Ω上的输入图像u₀，输入图像u₀上的每个像素对应一个Ω上的坐标向量x。在Ω上设置初始化轮廓C₀，例如可以采用通过交互式方法。设t时刻，在Ω上的初始化轮廓演化为C_t，将C_t用水平集函数Φ表示，即C_t＝{x|Φ(x)＝0}。C_t将Ω划分为两个子区域，即C_t外区域Ω₁及内区域Ω₂。利用阶跃函数H(·)及水平集函数Φ(·)，Ω₁及Ω₂可以分别表示为u₁和u₂，如下式所示：

u₁(x)＝u₀(x)H(φ(x)),u₂(x)＝u₀(x)(1-H(φ(x)))。

步骤1-2,在Ω范围内分别对u₁及u₂进行傅里叶变换，得到变换结果：

其中，s为频域坐标向量，在Ω上对u_i进行傅里叶变换，F_i(s)为变换结果。

步骤2包括以下步骤：

步骤2-1，设置带通滤波器作为最优的边界滤波器。使用DoG算子作为带通滤波器，公式如下：

H_bp(s)＝DoG(s)＝G(s,σ_s1)-G(s,σ_s2)，

G(s,σ_si)为变量为s标准差为σ_si的高斯滤波器。σ_s1和σ_s2分别为两个高斯滤波器的标准差，满足：σ_s1＞0，σ_s2＞0；

步骤2-2，使用频域滤波器H_bp(s)对F_i(s)进行滤波，并进行傅里叶逆变换得到目标的边界信息。

其中，f_b1(x)为图像区域上C_t外部的边界信息，f_b2(x)为图像区域上C_t内部的边界信息；为傅里叶逆变换。