[发明专利]一种基于全局和局部符号能量型压力驱动活动轮廓模型的图像分割方法

权利要求书

1.一种基于全局和局部符号能量型压力驱动活动轮廓模型的图像分割方法，其特征在于：

步骤1：输入分割图像，设置初始化参数：权重系数μ和ν，最大迭代次数，局部窗口大小k和均方差σ；

步骤2：初始化水平集函数φ：

其中x为图像域Ω中的像素点，Ω_b为图像域Ω内闭合子集，ρ为正常数；

步骤3：计算全局数据项和局部数据项权重w_g和w_l，其表达式如下：

其中，σ_g和σ_l分别表示输入图像的全局和局部区域方差，其定义如下：

其中，I(x)表示图像域，m_g表示整个图像的灰度均值；Ω_x表示以像素点x为中心，r为半径的局部图像区域，N_l表示Ω_x内的像素个数，m_l表示Ω_x内的灰度均值；

步骤4：计算全局和局部灰度均值：

4.1)计算全局灰度均值c₁和c₂，其表达式如下：

其中，φ(x)为水平集函数，c₁和c₂分别表示演化曲线内部和外部图像区域的灰度均值；

4.2)假设x是图像域Ω中的一点，点y是以x为中心半径为r的局部图像区域Ω_x，Ω₁表示Ω_x与演化曲线内部C_in图像区域的交集，Ω₂表示Ω_x与演化曲线外部C_out图像区域的交集，局部区域Ω_x的灰度均值m₁和m₂表达式如下：

其中，φ(y)为水平集函数，m₁和m₂分别表示Ω₁和Ω₂图像区域的灰度均值；

步骤5：计算全局能量函数和

步骤6：计算局部能量函数和其表达式如下：

其中，κ_σ(·)是尺度参数为σ的高斯核函数，H(·)为Heaviside函数；

步骤7：更新水平集函数，其表达式如下：

其中，w_g和w_l为全局数据项和局部数据项的权重，是水平集函数φ的梯度，t为曲线演化的时间，div为求函数的散度，max()表示求矩阵的最大值，上式第一项和第四项分别为正则项和惩罚项，全局能量差值ΔE^g(I(x))，其表达式如下：

步骤8：重复步骤:4-7直至循环结束。