[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

说明书

一种基于全局和局部符号能量型压力驱动的新型活动轮廓分割模型，首先，通过设计基于全局能量压力作为图像全局特征提取的驱动力，能有效地分割灰度均匀图像。提出了基于局部能量压力作为图像局部特征提取的驱动力。在全局和局部压力传递函数中分别使用了全局图像信息和局部能量信息，使用全局和局部方差来自动平衡GSEPF和LSEPF的权重，解决了参数设置的问题。接着，在水平集函数迭代过程中，保持目标区域的平均灰度值大于（或小于）背景区域的平均灰度值，以提高对初始曲线的鲁棒性。增加了正则化项和惩罚项。本发明方法不仅提高了分割灰度不均匀图像和噪声分割效果，而且还使得分割结果与初始条件无关。

技术领域

本发明涉及机器视觉与图像处理技术领域中图像分割方法，具体是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(An Image SegmentationMethod Based on Active Contour Model Guided by Global and Local SignedEnergy-based Pressure Force)。

技术背景

图像分割是计算机视觉领域既基础又具有挑战性的问题之一，其目的就是将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标。灰度不均匀(IntensityInhomogeneity)图像分割方法一直是图像处理领域研究的难点。基于局部区域性活动轮廓(Local Region-based Active Contour)的图像分割方法，由于将图像的局部信息融合于图像能量泛函中，并利用梯度下降法求解能量泛函的极小值，已成为近年来灰度不均匀图像分割领域的研究热点。其中，基于局部Chan-Vese的可变尺度区域拟合(RegionScablable Fitting，RSF)分割模型，通过利用局部空间变化权重的尺度参数获取局部图像信息，能处理不同程度的灰度不均匀图像。但是，该模型忽视了图像的全局信息，导致分割结果对初始条件敏感，抗噪能力差，限制了该算法的实际应用价值。测地线引导的Chan-Vese模型(Geodesic-Aided Chan-Vese，GACV)，通过结合边缘型(Geodesic ActiveContour，GAC)活动轮廓模型和区域型Chan-Vese活动轮廓模型，构建了一种混合型活动轮廓模型，能较好地分割灰度均匀图像，已成为近年来图像分割领域的研究热点之一。

经对现有技术文献的检索发现，局部或全局选择性分割活动轮廓模型(Zhang K.,Zhang L.,Song H.,Zhou W..“Active contours with selective local or globalsegmentation:a new formulation and level set method”(局部或全局选择性分割活动轮廓模型，ImageVision Computing(2010)28：668-676)，通过设计一个符号压力函数来构造全局主动活动轮廓，在迭代过程中采用高斯滤波来平滑水平集函数。基于全局和局部权重的标记压力驱动的活动轮廓模型(Han B.,Wu Y.“Active contours driven by globaland local weighted signed pressure force for image segmentation”(基于全局和局部权重的符号压力驱动的活动轮廓线，简称LIF模型，Pattern Recognition(2019)88:715-728)，通过构建权重的全局符号压力函数和局部符号压力函数，并根据图像的特征自动更新各项的权重。但是，这些分割模型利用全局图像特征无法准确分割灰度不均匀图像。

发明内容

本发明的目的是，通过提出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，主要解决混合活动轮廓模型无法准确分割灰度不均匀和噪声图像以及分割结果依赖初始化位置问题。

本发明的技术解决方案是：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，其步骤如下：

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；