[發(fā)明專利]圖像分割方法及其系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201710404301.4
• 申請(qǐng)日: 2017-06-01
• 公開（公告）號(hào): CN107330897B
• 公開（公告）日: 2020-09-04
• 發(fā)明（設(shè)計(jì)）人: 葉鋒;李婉茹;陳家禎;鄭子華;許力;林暉;洪斯婷
• 申請(qǐng)（專利權(quán)）人: 福建師范大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/136;G06T7/194
• 代理公司: 福州市博深專利事務(wù)所(普通合伙) 35214
• 代理人: 林志崢

本發(fā)明公開了一種圖像分割方法及其系統(tǒng)，方法包括：檢測目標(biāo)圖像的顯著性區(qū)域，得到目標(biāo)區(qū)域的初始化邊界曲線；根據(jù)LIF模型的能量泛函數(shù)和DRLSE模型的能量泛函數(shù)，生成新的能量泛函數(shù)；根據(jù)所述新的能量泛函數(shù)和預(yù)設(shè)的迭代次數(shù)，對(duì)所述初始化邊界曲線進(jìn)行演化，得到演化后的邊界曲線；根據(jù)所述演化后的邊界曲線進(jìn)行圖像分割。通過進(jìn)行顯著性檢測，使初始曲線開始于目標(biāo)區(qū)域的邊緣附近，大大節(jié)約了演化的時(shí)間，提高分割的準(zhǔn)確度；通過局部信息和梯度信息結(jié)合的水平集方法，能夠有效地分割背景信息復(fù)雜及弱邊界的圖像。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種圖像分割方法及其系統(tǒng)。

背景技術(shù)

圖像的研究和應(yīng)用中，人們往往對(duì)圖像中的某些部分感興趣，這些感興趣的部分一般對(duì)應(yīng)圖像中特定的、具有特殊性質(zhì)的區(qū)域(可以對(duì)應(yīng)單一區(qū)域，也可以對(duì)應(yīng)多個(gè)區(qū)域)，稱之為目標(biāo)或前景；而其他部分稱為圖像的背景。為了辨識(shí)和分析目標(biāo)，需要把目標(biāo)從一幅圖像中孤立出來，這就是圖像分割要研究的問題。圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。圖像分割是圖像識(shí)別和計(jì)算機(jī)視覺至關(guān)重要的預(yù)處理。沒有正確的分割就不可能有正確的識(shí)別。但是，進(jìn)行分割僅有的依據(jù)是圖像中像素的亮度及顏色，由計(jì)算機(jī)自動(dòng)處理分割時(shí)，將會(huì)遇到各種困難。例如，光照不均勻、噪聲的影響、圖像中存在不清晰的部分，以及陰影等，常常發(fā)生分割錯(cuò)誤。因此圖像分割是需要進(jìn)一步研究的技術(shù)。人們希望引入一些人為的知識(shí)導(dǎo)向和人工智能的方法，用于糾正某些分割中的錯(cuò)誤，是很有前途的方法，但是這又增加了解決問題的復(fù)雜性。圖像分割是圖像理解與識(shí)別的前提。作為圖像處理的基礎(chǔ)環(huán)節(jié)，一直是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)和難點(diǎn)問題。利用水平集方法實(shí)現(xiàn)的活動(dòng)輪廓模型近年來受到眾多學(xué)者的關(guān)注。

圖像分割有三種以不同的途徑：

其一是將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法，即區(qū)域法；

其二是通過直接確定區(qū)域的邊界來實(shí)現(xiàn)分割的邊界方法；

其三是首先檢測邊緣像素，再將邊緣像素連接起來構(gòu)成邊界形成分割。

Osher和Sethian首次提出的水平集方法：它主要基于曲線演化和水平集理論。水平集的基本思想是把圖像的演化曲線或是曲面嵌入到更高一維的水平集中，把高維曲線或曲面的演化曲線轉(zhuǎn)化高維的偏微分方程，通過求解偏微分方程得到最終的演化曲線。D.Mumford等人提出一種幾何活動(dòng)輪廓模型(Mumford-Shah，MS)，該模型是基于斷裂力學(xué)的變分能量方程，可以在演化過程中快速的斷裂、合并，但是MS模型的能量項(xiàng)很難找到簡單的數(shù)值逼近，阻礙了MS模型發(fā)展。

Caselles等人提出基于水平集方法的圖像分割模型——測地輪廓模型(GeodesicActive Contour，GAC)，該模型在傳統(tǒng)模型的基礎(chǔ)上使能量泛函數(shù)可以進(jìn)行拓?fù)渥兓窃撃Ｐ偷某跏蓟€必須完全在待割目標(biāo)的內(nèi)部或是外部，否則不能自然地進(jìn)行拓?fù)浣Y(jié)構(gòu)變化。

2001年，Chan等人提出了一種C-V模型，這種模型在能量函數(shù)中加入包含曲線長度和局部區(qū)域面積的懲罰項(xiàng)，該模型對(duì)含有噪聲的圖像效果比較好，但是對(duì)于灰度不均勻圖像，基于圖像的全局信息的C-V模型，往往不能有很好的分割效果。

為了克服傳統(tǒng)的水平集演化需要重復(fù)初始化，Li等人提出了一種無需重新初始化的距離正規(guī)化水平集演化(DRLSE)模型，其主要思想是在能量函數(shù)方程中加入內(nèi)部能量懲罰項(xiàng)，內(nèi)部能量懲罰項(xiàng)使得水平集曲線在演化過程中離符號(hào)距離函數(shù)不會(huì)偏差太遠(yuǎn)，始終保持為符號(hào)距離函數(shù)或是近似符號(hào)距離函數(shù)，使得演化曲線不需要重新初始化。雖然這種方法避免了重新初始化，但是在分割背景信息復(fù)雜或灰度不均勻的圖像時(shí)，會(huì)導(dǎo)致分割曲線偏離目標(biāo)區(qū)域，從而出現(xiàn)錯(cuò)誤的分割。