[发明专利]基于区域灰度异质能量的图像分割方法

说明书

本发明公开了一种基于区域灰度异质能量的图像分割方法，包括以下步骤：S10、输入原始图像，得到其灰度图像的像素点个数和灰度值；S20、基于灰度图像的像素点个数和灰度值，计算图像的灰度异质指标和灰度异质因子，得到与初始图像对应的灰度异质因子图像；S30、构建基于区域灰度异质能量的活动轮廓模型，所述模型的总能量泛函包括区域灰度异质能量泛函项、边缘能量项和局部区域拟合项；S40、求解总能量泛函，得到图像的分割结果。本发明的能量泛函既使用了原始图像的灰度信息，又融合了区域灰度异质信息。两者结合，相互平衡，能够有效地分割灰度极其不均匀的图像。实验表明，本方法在分割两类特定图像时，分割结果优于仅基于图像灰度信息的分割结果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种图像分割方法。

背景技术

图像分割是图像处理和计算机视觉领域中的一项基本而重要的任务，分割结果将直接影响后续处理步骤的性能。

图像的灰度不均匀一直是图像分割的一个难题。最近几十年来，活动轮廓模型(active contour model)逐渐成为图像分割领域应用最广泛的方法之一，它可以分为两类：基于边界和基于区域的方法。

但是，现有的活动轮廓模型在很多时候无法得到理想的分割结果。基于边界的活动轮廓模型由于能量泛函中利用了图像梯度的信息，使得这类模型对于图像中的边缘信息敏感。因此在分割带有丰富边缘信息的图像，如自然图像中的老虎、豹子以及医学图像中具有钙化、坏死的病灶等的表现无法令人满意。基于区域的活动轮廓模型(如C-V[1]，RSF[2])能够在某种程度上解决基于边界的活动轮廓模型对边缘信息敏感的缺点。这类模型不考虑图像的边缘信息，有时能够分割出带有弱边界的图像目标。但是这类模型通常要求图像的目标与背景尽可能为同质的。Li等人[2]的RSF模型，通过引入高斯核函数来利用像素点间空间信息，极小化基于局部灰度信息的能量泛函，在一定程度上能够处理图像灰度不均匀的图像。但是图像灰度的不均匀程度只能为缓慢的、光滑变化的。Zhang等人在[3]中拓展了该模型，提出了LIF(local image fitting)模型，通过极小化原图像以及‘RSF’得到的图像的差异进行分割。其主要思想为，用一个‘RSF’图像来拟合原图像。Sandberg等人[4]提出在活动轮廓模型中融入纹理信息来处理图像灰度不均匀的问题。他们选取Gabor滤波器来获取图像的纹理。Kim等人[5]提出了一种基于显著边界能量的活动轮廓模型，该模型用图像中的显著边界作为活动轮廓模型中的边界示性函数。Zhang等人[6]提出局部统计活动轮廓模型(local statistical active contour model，LSACM)用以分割灰度异质图像。Qi等人[7]提出了一种各项异性的数据项根据沿着轮廓方向的局部灰度信息区分区域内外。并且提出了一种基于结构张量的梯度下降流正则项。最近Zhi,Shen[8]提出一种基于水平集的方法，该方法包括使用显著性信息和颜色强度作为区域外部能量来激发水平集的演化，但是这种显著性信息似乎不够强大以处理显著不均匀的强度的图像。Wang，Chang等人[9]提出一种基于两种不同局部拟合组合的混合图像拟合能量分割方法。以上现有文献里的这些方法对于灰度不均匀的图像具有一定的处理能力，但是对于目标或背景灰度非常不均匀的图像，上述的模型也很难得到满意的分割结果。

引用的参考文献如下：

[1]T.Chan,L.Vese,Active contours without edges[J],IEEE Trans.ImageProcess.10(2),266-277,2001.

[2]C.Li,C.Kao,J.Gore,Z.Ding,Minimization of region-scalable fittingenergy for image segmentation[J],IEEE Trans.Image Process.vol.17,1940-1949,2008.