[发明专利]基于先验形状和循环移位的目标分割方法

摘要

本发明涉及一种基于先验形状和循环移位的目标分割方法。该方法，首先将形状用概率的方式定义，建立一个先验目标的形状库并运用主成份分析进行降维，利用核密度估计拟合先验形状分布建立先验形状约束项。然后利用先验形状的循环移位，将目标位移和旋转变换，看作循环卷积运算，通过快速傅里叶变换，提高运算速度。将目标形变与底层灰度特征相结合建立数据约束项。接着将数据约束项和先验形状约束项线性组合建立总的能量函数，最后通过能量极小化完成目标的分割。本发明利用高层先验形状的循环移位辅助底层目标分割，解决了现有目标分割方法中对于目标形状发生形变时分割效果不佳的问题。

主权项

1.一种基于先验形状和循环移位的目标分割方法，其特征在于：按以下步骤实现：步骤S1：用概率的方式定义形状q，q:Ω→[0,1]，其中Ω为图像的定义域，对于任意x∈Ω，q(x)表示x属于目标形状的概率；引入参数τ∈[0,1]，将概率形状转换为二值形状(q)_τ＝{x|q(x)≥τ}；利用概率定义，将先验形状库中的N个形状，采用概率的方式定义为：q₁,q₂,…,q_N；步骤S2：利用主成份分析对所有概率定义的形状q₁,q₂,…,q_N进行降维，计算前n个特征值最大的特征向量{ψ₁,ψ₂,…,ψ_n}，其中n≤N，得到形状的低维表示方法q_α＝μ+ψα，其中特征向量矩阵ψ＝[ψ₁,ψ₂,…,ψ_n]；任意形状q都用低维形状向量表示α＝ψ^T(q‑μ)；步骤S3：将目标分割看作最大化条件概率Ρ(α|I)，即从给定的测试图像I中估计出最佳的目标形状向量α；利用贝叶斯推理最大化条件概率转换为最小化一个数据项E_d(α)＝‑logΡ(I|α)和一个形状约束项E_s(α)＝‑logP(α)的线性组合；步骤S4：给定一个低维形状向量α，目标区域定义为q_α，背景区域定义为1‑q_α，构建数据项E_d(α)，要求属于目标的每个像素点x属于目标的概率P_in(I(x))比属于背景的概率P_out(I(x))大，同理，属于背景的每个像素点属于背景的概率比属于目标的概率大，得到如下E_d(α)＝‑logP(I|α)＝‑∫_Ωq_αlogP_in(I)+(1‑q_α)logP_out(I)dx＝‑∫_Ωq_αe(I)dx其中步骤S5：假设q为先验形状，k_h为位移循环元，循环移位用卷积表示，采用来表示目标的形状，解决目标位移对齐问题；步骤S6：将形状的直角坐标转换为极坐标，坐标变换为Γ，类似步骤S5，k_θ为旋转循环元，在极坐标下用循环移位来表示目标形状解决目标旋转对齐问题；步骤S7：合并S5和S6，解决目标位移和旋转对齐问题；步骤S8：构建形状约束项，估计目标的形状用先验形状的核密度估计表示σ采用最近邻方法计算，步骤S9：结合数据项和形状约束项，构建目标分割总的目标函数步骤S10：对于形变参数k_h,k_θ，采用快速傅里叶变换计算，对于形状参数α采用梯度下降法求解，完成待测图像的目标分割