[发明专利]通用型图像分割方法

摘要

本发明公开了一种通用型图像分割方法，该方法将图像分割问题看作量子系统演化问题，通过将图像的每个像素与一个量子位系统相对应，将量子动力学演化机制引入到图像分割中。通过对像素特征值进行一系列处理，快速建立像素特征值与支配量子位演化的哈密顿算子之间的最佳函数关系。然后通过每个像素的特征值构造支配该像素量子位演化的哈密顿算子，并将哈密顿算子作用到像素量子位，得到其最终稳定量子态，再对每个像素量子位的最终稳定态执行阈值判断，得到每个像素的像素类别，进而得到最终分割结果。该方法可以快速、准确的分割不同类型的对象，并在噪声干扰环境中仍能保持优秀的性能；该方法适用于单一或批量相似图片的处理，如连续的医学影像或监控视频等。

主权项

1.一种通用型图像分割方法，其特征在于，包括：将待分割处理图片转化为灰度图像；从灰度图像中随机挑选N块图像块组成碎片化的学习模块，并制作学习模块的标准分割参照图；其中，学习模块的大小不超过灰度图像的预定百分比；根据选取的最佳特征值提取方案，提取学习模块中所有像素的特征值，得到特征值序列，并且提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列；采用预定的方式分别对特征值序列及标准分割参照序列进行处理后，对特征值序列中的任一个像素特征值X，随机分配一组多项式f(X)的初始系数作为哈密顿算子的常数系数；并根据处理后的特征值序列与标准分割参照序列构造以灵敏度和特异度为变量的总误差函数，通过最速下降法，计算哈密顿算子的常数系数的最佳多项式系数，从而得到哈密顿算子的通用形式；利用哈密顿算子的通用形式并结合量子机制对学习模板进行分割测试，再计算本次分割测试的灵敏度与特异度；若本次分割测试的灵敏度与特异度均合格，则利用哈密顿算子的通用形式并结合量子机制对所述待分割处理图片进行分割；其中，选取最佳特征值提取方案，其步骤包括：随机选择m种类别的特征值，特征值的类别包括：像素灰度值、中值、平均值与图像纹理特征；利用学习模块及其标准分割参照图分别对m种类别的特征值进行测试，计算每种类别特征值在不同大小提取模板的情况下，单独作为提取方案时候的满意度S：a、对于每一种类别的特征值，均利用相应的特征值提取方案提取学习模块所有像素的特征值，得特征值序列；b、提取标准分割参照图中每个像素的类别，得到与特征值序列相对应的标准分割参照序列，其中，所述标准分割参照图中像素的类别包括0与1，像素的类别为0表示背景类像素，像素的类别为1表示前景类像素；c、将特征值序列从小到大进行排序，并根据特征值序列的变动改变标准分割参照序列的顺序；d、统计特征值序列中对应背景或前景类像素的百分比不低于W的相同特征值片段，再统计这些相同特征值片段的特征值总量，并计算这些特征值总量占特征值总量的百分比，计算到的百分比即为满意度S；根据满意度S的大小找到每种类别特征值最优的提取模板，最终得到m种类别特征值的最优提取模板；m种类别的特征值在其最优提取模板的情况下，能够通过不同的权重比系数组合成一种新的特征值，通过数学迭代的方法，寻找到使满意度达到最高的特征值类别最佳权重比系数，利用最佳权重比系数，得到最佳特征值提取方案。