[发明专利]一种基于改进的主动轮廓算法的指静脉图像分割方法

权利要求书

1.一种基于改进的主动轮廓算法的指静脉图像分割方法，其特征在于，包括：获取待分割的指静脉图像；采用改进的主动轮廓算法对待分割的指静脉图像进行分割处理，得到分割后的指静脉图像；采用改进的主动轮廓算法对待分割的指静脉图像进行处理的过程包括：

S1：采用局部二值拟合主动轮廓算法构建指静脉图像分割模型；

S2：采用改进的模糊均值聚类算法计算待分割的指静脉图像的初始轮廓，将初始轮廓作为指静脉图像分割模型的初始指静脉轮廓；

S3：根据初始指静脉轮廓采用指静脉图像分割模型对待分割的指静脉图像进行分割处理。

2.根据权利要求1所述的一种基于改进的主动轮廓算法的指静脉图像分割方法，其特征在于，构建指静脉图像分割模型的过程包括：获取Heaviside函数、水平集函数以及高斯核函数；根据Heaviside函数、水平集函数和高斯核函数计算以x为圆心的圆与零水平集轮廓相交的内部均值f₁和以x为圆心的圆与零水平集轮廓相交的外部均值f₂；获取像素集合到像素的强度映射，根据内部均值f₁、外部均值f₂以及强度映射构建能量泛函模型，该能量泛函模型为手指静脉结构特征分割模型。

3.根据权利要求2所述的一种基于改进的主动轮廓算法的指静脉图像分割方法，其特征在于，能量泛函模型的表达式为：

ε_lbf(φ,f₁,f₂)＝α₁∫∫_ΩK_σ(x-y)|I(y)-f₁(x)|²H_τ(φ(y))dydx+α₂∫∫_ΩK_σ(x-y)|I(y)-f₂(x)|²(1-H_τ(φ(y)))dydx

其中，ε_lbf表示能量泛函模型，φ表示水平集函数，f₁表示以x为圆心的圆与零水平集轮廓相交的内部均值，f₂表示以x为圆心的圆与零水平集轮廓相交的外部均值，α₁和α₂均表示大于0的常数，K_σ表示尺度因子为σ的高斯核函数，I(.)表示像素集合到像素的强度映射，y表示像素点，x表示以x为中心的圆，H_τ表示赫维赛德函数，Ω表示图像中的所有像素点。

4.根据权利要求1所述的一种基于改进的主动轮廓算法的指静脉图像分割方法，其特征在于，计算待分割的指静脉图像的初始轮廓的过程包括：采用基于果蝇优化算法的模糊C均值聚类算法获取初始轮廓，其步骤包括：

步骤1：初始化参数；初始化参数包括设置初始聚类中心个数n，最大聚类中心个数；

步骤2：采用果蝇优化算法获取全局最优解，最优解为当前聚类中心n条件下的最优聚类中心；

步骤3：记录当前聚类中心数n对应最优值时的味道浓度值Sm；

步骤4：当聚类中心数n大于设置的最大聚类中心个数时，结束果蝇寻优算法；当聚类中心数n小于等于设置的最大聚类中心个数时，设置n＝n+1，返回步骤2继续进行寻优算法；

步骤5：比较所有n的取值，获取最优解时的味道浓度值Sm，即当味道浓度值最大时聚类中心数为最佳的聚类中心数，输出聚类中心对应的位置值；将该该位置值作为初始聚类中心位置；

步骤6：根据初始聚类中心位置采用模糊C均值聚类算法对待分割图像进行分割，输出手指静脉图像的初始分割结果，并将其设置为分割模型的初始轮廓。