基于改进局部信息的CV模型的图像分割方法与流程

本发明属于图像信息处理领域，主要涉及图像分割，具体是一种基于改进局部信息的cv模型的图像分割方法，用于人工合成图像，灰度不均匀图像和红外图像分割。

背景技术：

图像分割是计算机视觉和图像处理领域中的一个基本问题。图像分割的目的是把图像区域分成若干互不相交的子区域，在每个子区域上图像的某种性质呈现一致性。

活动轮廓模型(acm)由于其能较好地处理局部间断边缘等特性，受到人们的关注。而水平集方法用定义在高维空间中的水平集函数替代了acm方法中的参数曲线，成功地解决了曲线演化中拓扑结构变化的问题。但是，水平集方法对复杂场景下的图像存在着精度差、效率低等问题需要解决，因此开展水平集方法的研究具有重要的现实意义。

基于水平集的活动轮廓模型称作水平集方法，该类模型不再依赖参数，对拓扑曲线变化可以进行有效处理。主要分为三类：边缘型模型、区域型模型以及混合型模型。早期较成熟的边缘模型为gac模型，但该模型对噪声敏感，同时要不断重新初始化水平集函数。针对边缘性模型过度依赖边缘信息的缺点，国内外专家提出了基于区域的水平集方法。其中最著名的是cv模型，利用图像的灰度统计信息，不再依赖图像的梯度信息能分割模糊边界、弱边界、不连续边界的图像，尤其对目标和背景灰度均匀的图像有理想的分割效果，但是该方法不能分割灰度不均匀图像，而且在分割较大尺寸的图像或噪声图像时，演化速度慢。

针对cv模型的缺点，李春明等人提出了基于局部信息的的lbf模型，把cv模型的全局二值拟合能量泛函改为基于核函数的局部二值拟合能量泛函，较好的解决了灰度不均匀图像的分割问题，但是该模型对初始轮廓较为敏感，不同的初始轮廓位置会影响分割结果，且lbf模型的演化速度难以满足实时性要求高的应用场合。王力等人在论文中结合cv模型和lbf模型的能量泛函线性组合成新的能量泛函，在一定程度上解决了灰度不均匀图像的分割问题，但是相比单一模型计算量较大。王晓峰等人结合局部和全局信息提出了局部cv模型(lcv)，通过卷积之后的图像与原始图像做差值，增强目标与背景的灰度对比度，可以分割灰度不均匀图像，分割速度和迭代次数较lbf快，但是由于没有利用局部像素点灰度值之间关系和受卷积窗口大小限制，对于背景复杂灰度图像分割效果不理想。

综上所述，基于全局信息的模型分割速度快，但不能成功分割灰度不均匀图像。基于局部信息的模型易陷入局部极小值，导致过分割现象。结合全局与局部信息的混合模型能较好的分割灰度异质图像，但计算较复杂。

技术实现要素：

本发明针对上述技术的不足，提出一种基于改进局部信息的cv模型的图像分割方法，以在保证分割效率的同时提高分割的准确性。

本发明是基于改进局部信息的cv模型的图像分割方法，其特征在于，包括有如下步骤：

(1)输入原始图像i，计算其像素点灰度值i(x)，x为图像像素点；

(2)设置初始轮廓c，初始轮廓c为图像任意指定的闭合曲线所对应的图像像素点x，由水平集函数φ(x)的零水平集得到：即当水平集函数φ(x)＝0时对应的图像像素点x为初始轮廓c，当φ(x)＞0时对应的图像像素点x为背景区域，当φ(x)＜0时对应的图像像素点x为目标区域；

(3)设置时间步长δt，空间步长h，惩罚项系数μ，正则化参数ε，广义高斯函数的尺度参数α和形状参数β；

(4)设置长度项系数v和全局灰度拟合值系数w；

长度项系数v＝λ×255²，其中λ∈(0,1)；全局灰度拟合值系数w∈[0,1]；

(5)设置迭代次数n，初始化迭代次数n＝0；

(6)开始图像迭代分割:

(6a)计算原始图像i的全局目标灰度拟合值c1和全局背景灰度拟合值c2，原始图像i的局部目标灰度拟合值f1(x)和局部背景灰度拟合值f2(x)；

(6b)计算原始图像i的加权目标灰度拟合值m1(x)和加权背景灰度拟合值m2(x)，构建基于改进局部信息的cv模型的目标与背景灰度拟合值；

(6c)根据能量泛函得到梯度下降流演化水平集函数φ(x)；

(6d)根据水平集迭代公式得到最终的水平集函数φⁿ⁺¹；

(7)判断是否达到迭代次数n，是则提取最终的水平集函数φⁿ⁺¹的零水平集为原始图像i的分割结果，否则n＝n+1转第(6)步继续执行迭代过程。

实现本发明的技术方案是：利用引入了惩罚项的cv模型的能量泛函得到梯度下降流，改进lbf模型中的核函数以扩大图像分割范围和平滑噪声，结合cv模型的灰度拟合值和改进核函数的lbf模型中的灰度拟合值，构成加权的目标与背景的灰度拟合值，进行水平集迭代实现对灰度图像的最终分割。

本发明与现有技术相比具有如下优点：

第一：本发明在基于全局信息的cv模型中引入了改进的局部信息和惩罚项，克服了模型不能分割灰度异质图像的缺点，并且增强了初始轮廓的鲁棒性及无需重新初始化，提高了收敛速度，使新模型可以有效分割灰度不均匀图像。

第二：本发明扩展了目标与背景的局部灰度拟合值中的核函数，更有效的去除了噪声，使图像更平滑且增大了图像分割范围，实验证明，对比其他相关模型，有更高的分割精度。

附图说明

图1为本发明的实现流程图；

图2为本发明实施例对灰度不均匀图像的分割效果图；

图3为本发明实施例与现有技术对合成图像的分割效果比较图；

图4为本发明实施例与现有技术对多目标图像的分割效果比较图；

图5为本发明实施例与现有技术对红外图像的分割效果比较图。

具体实施方式

以下结合附图对本发明具体实施方式和效果做进一步详细描述。

实施例1

基于全局信息的模型分割速度快，但不能成功分割灰度不均匀图像。基于局部信息的模型易陷入局部极小值，导致过分割现象。结合全局与局部信息的混合模型能较好的分割灰度异质图像，但计算较复杂。针对此现状，本发明展开研究提出一种基于改进局部信息的cv模型的图像分割方法，参见图1，包括有如下步骤：

(1)输入原始图像i，计算其像素点灰度值i(x)，x为图像像素点。原始图像i即待分割图像。

(2)设置原始图像i的初始轮廓c，初始轮廓c为图像任意指定的闭合曲线所对应的图像像素点x，由水平集函数φ(x)的零水平集得到：即当水平集函数φ(x)＝0时对应的图像像素点x为初始轮廓c，当φ(x)＞0时对应的图像像素点x为背景区域，当φ(x)＜0时对应的图像像素点x为目标区域。

(3)设置改进局部信息的cv模型的时间步长δt，空间步长h，惩罚项系数μ，正则化参数ε，广义高斯函数的尺度参数α和形状参数β。

(4)设置改进局部信息的cv模型的长度项系数v和全局灰度拟合值系数w。

长度项系数v＝λ×255²，其中λ∈(0,1)；全局灰度拟合值系数w∈[0,1]。

(5)设置迭代次数n，初始化迭代次数n＝0。

(6)开始图像迭代分割:

(6a)计算原始图像i的全局目标灰度拟合值c1和全局背景灰度拟合值c2，原始图像i的局部目标灰度拟合值f1(x)和局部背景灰度拟合值f2(x)。

(6b)计算原始图像i的加权目标灰度拟合值m1(x)和加权背景灰度拟合值m2(x)，构建基于改进局部信息的cv模型的目标与背景灰度拟合值，本发明结合全局和局部信息的加权目标与背景的灰度拟合值m1(x)，m2(x)相比单一信息的目标与背景的灰度拟合值更加准确的表示目标与背景的灰度拟合值，在迭代过程中更精确的收敛到目标轮廓。

(6c)根据能量泛函得到梯度下降流演化水平集函数φ(x)。

(6d)根据水平集迭代公式得到最终的水平集函数φⁿ⁺¹。

(7)判断是否达到迭代次数n，若达到迭代次数，则基于改进局部信息的cv模型演化结束，提取最终的水平集函数φⁿ⁺¹的零水平集为原始图像i的分割结果，否则，n＝n+1转第(6)步继续执行迭代过程。

本发明在基于全局信息的cv模型中引入了改进的局部信息和惩罚项，克服了cv模型不能分割灰度异质图像的缺点，并且增强了初始轮廓的鲁棒性，本发明无需重新初始化，提高了收敛速度，使新模型可以有效分割灰度不均匀图像，在保证分割效率的同时提高分割的准确性。

实施例2

基于改进局部信息的cv模型的图像分割方法同实施例1，步骤(6a)所述的原始图像i的全局目标灰度拟合值c1和全局背景灰度拟合值c2，原始图像i的局部目标灰度拟合值f1(x)和局部背景灰度拟合值f2(x)，分别按下式计算：

其中海氏函数广义高斯函数γ(·)为gamma函数，α为尺度参数，β为形状参数，*为卷积运算。

本发明在基于全局信息的cv模型中引入了局部信息，其中高斯函数扩展为广义高斯函数，引入了尺度参数α和形状参数β，使图像更平滑，对噪声具有较好的鲁棒性，可成功分割灰度异质图像。

实施例3

基于改进局部信息的cv模型的图像分割方法同实施例1-2，步骤(6b)的原始图像i的加权目标灰度拟合值m1(x)和加权背景灰度拟合值m2(x)，通过下式计算：

mi(x)＝w·ci+(1-w)·fi(x)，i＝1,2

其中w为全局灰度拟合值系数，w∈[0,1]，当图像灰度均匀时，w取较大值，当图像灰度不均匀时，w取较小值，具体取值结合图像确定。

实施例4

基于改进局部信息的cv模型的图像分割方法同实施例1-3，步骤(6c)中的梯度下降流通过下式计算：

其中狄拉克函数div(·)为散度算子，为水平集函数的梯度，|·|为取绝对值运算。

下面给出一个更加完整详实的例子对本发明进一步说明：

实施例5

基于改进局部信息的cv模型的图像分割方法同实施例1-4，参照图1本实例的实施步骤如下：

步骤1输入原始图像i，计算其像素点灰度值i(x)，x为图像像素点。

步骤2设置初始轮廓c，初始轮廓c为图像任意指定的闭合曲线所对应的图像像素点x，由水平集函数φ(x)的零水平集得到：即当水平集函数φ(x)＝0时对应的图像像素点x为初始轮廓c，当φ(x)＞0时对应的图像像素点x为背景区域，当φ(x)＜0时对应的图像像素点x为目标区域。

步骤3设置时间步长δt＝0.1，空间步长h＝1，惩罚项系数μ＝1，正则化参数ε＝0.1，广义高斯函数的尺度参数α＝40和形状参数β＝0.4。

步骤4设置长度项系数v和全局灰度拟合值系数w。

长度项系数v＝λ×255²，其中λ∈(0,1)v较大时，较大的目标可被检测到，v较小时，较小目标可被检测到；全局灰度拟合值系数w∈[0,1]，当图像灰度均匀分布时，w取较大值，当图像灰度异质时，w取较小值，w＝1时模型为改进的cv模型，目标与背景灰度值仅由全局信息决定，w＝0时，目标与背景灰度值仅由局部信息决定。

步骤5设置迭代次数n，初始化迭代次数n＝0。

步骤6开始迭代分割计算:

(6a)利用下式计算原始图像i的全局目标灰度拟合值c1和全局背景灰度拟合值c2，原始图像i的局部目标灰度拟合值f1(x)和局部背景灰度拟合值f2(x):

其中海氏函数广义高斯函数γ(·)为gamma函数，α为尺度参数，β为形状参

数，*为卷积运算。

(6b)利用下式计算原始图像i的加权目标灰度拟合值m1(x)和加权背景灰度拟合值m2(x)：

mi(x)＝w·ci+(1-w)·fi(x)，i＝1,2

其中c1、c2为全局灰度拟合值，f1(x)、f2(x)为局部灰度拟合值，w为全局灰度拟合值系数。

(6c)根据能量泛函得到梯度下降流演化水平集函数φ(x)：

其中狄拉克函数div(·)为散度算子，为水平集的梯度，|·|为取绝对值运算。

(6d)根据水平集迭代公式得到最终的水平集函数φⁿ⁺¹。

步骤7判断是否达到迭代次数n，是则提取最终的水平集函数φⁿ⁺¹的零水平集为原始图像i的分割结果，否则n＝n+1转步骤6继续迭代。

本发明还扩展了目标与背景的局部灰度拟合值中的核函数，更有效的去除了噪声，使图像更平滑且增大了图像分割范围，实验证明，对比其他相关模型，有更高的分割精度。

下面通过仿真及其结果对本发明的技术效果再做说明：

实施例6

基于改进局部信息的cv模型的图像分割方法同实施例1-5，仿真条件和内容如下：

仿真条件：

选用七幅灰度图像，分为四组数据进行实验。实验在cpu为core(tm)i5-45903.30ghz、内存为4.00gb的windows7系统上使用matlabr2014a软件进行仿真。

实验中涉及到的主要参数设置为时间步长δt＝0.1，空间步长h＝1，惩罚项系数μ＝1，正则化参数ε＝0.1，广义高斯函数的尺度参数α＝40和形状参数β＝0.4，长度项系数v、全局灰度拟合值系数w和迭代次数n依具体图像而定。

仿真内容：

仿真实验1：用本发明方法分别对四副灰度不均匀图像进行分割，实验结果如图2所示，其中图2(a)为合成灰度不均匀图像、图2(b)为医学ct图像、图2(c)和图2(d)为医学血管图像。

仿真实验2：分别运用lbf模型和本发明方法基于不同的初始轮廓对合成图像进行分割，实验结果如图3所示，其中图3第一行为不同初始轮廓的合成图像、图3第二行为lbf模型对应的分割结果图像、图3第三行为本发明方法对应的分割结果图像。

仿真实验3：分别运用cv模型，lbf模型，lgif模型和本发明方法对多目标图像进行分割，实验结果如图4所示，其中图4(a)为多目标原始图像、图4(b)为初始轮廓图像、图4(c)为cv模型的分割结果图像、图4(d)为lbf模型的分割结果图像、图4(e)为lgif模型的分割结果图像、图4(f)为本发明方法的分割结果图像。

仿真实验4：分别运用cv模型，lcv模型，lbf模型，lgif模型和本发明方法对红外图像进行分割，实验结果如图5所示，其中图5(a)为红外图像、图5(b)为cv模型的分割结果图像、图5(c)为lbf模型的分割结果图像、图5(d)为lcv模型的分割结果图像、图5(e)为lgif模型的分割结果图像、图5(f)为本发明方法的分割结果图像。

仿真结果分析：

从图2可以看出，当图像灰度不均匀且目标与背景灰度重叠严重时，本发明方法的分割结果准确，可有效分割灰度不均匀图像。

从图3可以看出，lbf模型对于初始轮廓非常敏感，导致分割失败；而本发明方法对于四种初始轮廓均能准确稳定的分割，对初始轮廓具有较强的鲁棒性。

从图4(a)可以看出，最上方目标灰度值高于背景灰度值，下方目标灰度值低于背景灰度值，对于分割造成较大困难；从图4(c)可以看出，cv模型分割多目标图像时，存在漏分割现象；从图4(d)可以看出，lbf模型分割多目标图像时，存在冗余轮廓，未能正确分割；从图4(e)可以看出，lgif模型分割多目标图像时，与cv模型存在相同的漏分割现象。从图4(f)可以看出，只有本发明方法对多目标图像实现了完整分割，既无过分割现象也无漏分割现象，对比之下准确率最高。

从图5(a)可以看出，红外图像存在背景干扰，目标与背景灰度值相近；从图5(b)、图5(c)、图5(d)可以看出，cv模型、lbf模型和lcv模型分割红外图像时，存在严重的误分割和过分割现象，不能将图像目标正确分割出来；从图5(e)可以看出，lgif模型分割红外图像时，目标被成功分割，但同时背景存在误分割现象，曲线未能正确收敛；从图5(f)可以看出，本发明方法可以较好去除背景干扰，准确分割出目标，轮廓清晰，无错分背景现象。

简而言之，本发明公开的一种基于改进局部信息的cv模型的图像分割方法，主要解决现有改进cv模型分割灰度不均匀图像效果不理想和基于局部信息的模型对初始化轮廓鲁棒性较低而产生错误分割的问题。其实现步骤是：1.输入原始图像，设置初始轮廓；2.设置默认参数和重要参数；3.结合全局灰度拟合值和改进核函数的局部灰度拟合值为新的加权目标与背景的灰度拟合值；4.利用引入惩罚项的的cv模型的能量泛函得到梯度下降流；5.按水平集迭代公式演化水平集函数，直到达到迭代次数，输出分割结果。本发明可以有效分割灰度不均匀图像，并且增强了对初始轮廓的鲁棒性，更快的收敛到目标轮廓，对比其他相关模型，有更高的分割精度和效率，用于人工合成图像，灰度不均匀图像和红外图像分割。