[发明专利]一种基于符号压力函数的活动轮廓图像分割方法及装置

说明书

本发明涉及一种基于符号压力函数的活动轮廓图像分割方法及装置，该方法包括：根据原始图像，求取图像分割轮廓曲线内外区域的灰度均值；根据轮廓曲线内外区域的灰度均值，求取轮廓曲线内外区域的灰度密度分布函数，进而得到基于图像统计信息的符号压力函数；根据轮廓曲线内外区域的灰度均值，求取加权组合函数，并根据该加权组合函数得到基于图像全局信息的符号压力函数；给两个符号压力函数分配权值得到水平集演化方程，使水平集演化方程不断演化，进而获取图像分割结果。本发明不仅能够有效地分割含有弱边界、灰度不均匀的图像，而且也能够有效地分割多目标图像，且对噪声有较好的抗干扰性。

技术领域

本发明涉及一种基于符号压力函数的活动轮廓图像分割方法及装置，属于图像分割技术领域。

背景技术

图像分割是图像处理、图像分析、图像理解、图像识别和计算机视觉领域中最基础、最重要的问题，在以图像和视频为研究对象的模式识别系统中扮演重要角色。根据图像的灰度、颜色、纹理等特征把图像划分成具有某种特性的区域，并根据这些特性提取出有用的目标。对图像进行合理的分割，是一项具有挑战性的任务。

活动轮廓模型是图像分割的重要方法之一，该模型演化光滑封闭的曲线，恢复目标边界，具有局部自适应性、次像素精确度和开放模式等优点。按照曲线演化的形式可以分成基于边界的活动轮廓模型和基于区域的活动轮廓模型。其中，基于边界的活动轮廓模型利用图像的梯度作为附加约束，驱动活动曲线靠近并停止于目标边界。由于根据局部的图像梯度信息来识别目标，该类模型对于噪声和初始曲线敏感，且无法识别弱边界或非梯度形式边界。基于区域的活动轮廓模型是根据区域的灰度统计信息为约束，引导曲线移动从而分割图像。基于区域的模型考虑图像的全局信息，能识别弱边界或无边界的目标，且抗噪能力强，对初始曲线位置不敏感。

Caselles等人在International Journal of Computer Vision(《计算机视觉》国际杂志)公开了一种Geodesic active contours model(测地线活动轮廓模型)，该测地线活动轮廓模型是经典的基于边界的活动轮廓模型，该模型首次通过水平集方法来实现曲线的演化，从而使该模型能够适应曲线演化中的拓扑变化，其能量泛函定义为：

其中，I为原始图像，L(C)是轮廓曲线C(s)的弧长，g(·)是边缘停止函数。

结合变分法和水平集方法，可以得到测地线活动轮廓模型的Euler-Lagrange方程为：

其中，φ为水平集函数，α是气球力，使轮廓线膨胀或者收缩的常数。

测地线活动轮廓模型仅依赖于图像的边缘信息，因而对噪声十分敏感，而且当初始轮廓远离目标时，演化曲线将会陷入局部最小。但是由于该模型依旧利用梯度信息，所以无法分割弱边界目标。

Chan等人在Inte rnational Journal of Computer Vision(《计算机视觉》国际杂志)公开了一种Chan-Vese(CV)模型，它是经典的基于区域的活动轮廓模型，通过利用图像的区域统计信息构造轮廓演化的驱动力，对弱边界和离散化边界目标都具有较好的分割效果，其能量函数表示为：

其中，I为原图像，L为轮廓曲线C的长度，A为轮廓曲线C的内部面积，μ、ν、λ₁、λ₂是各项的加权系数，μ≥0，ν≥0，λ₁>0，λ₂>0，c₁和c₂分别是轮廓曲线C内部inC和外部outC的灰度均值。当轮廓曲线C位于图像目标边界时，能量函数E取得最小值。为求得E的最小值，可以引入水平集函数φ的零水平集表示轮廓曲线C，于是E可表示为：