[發(fā)明專(zhuān)利]結(jié)合局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811328521.4
• 申請(qǐng)日: 2018-10-29
• 公開(kāi)（公告）號(hào): CN109472792B
• 公開(kāi)（公告）日: 2021-08-20
• 發(fā)明（設(shè)計(jì)）人: 韓明;王敬濤;孟軍英
• 申請(qǐng)（專(zhuān)利權(quán)）人: 石家莊學(xué)院
• 主分類(lèi)號(hào): G06T7/10
• 分類(lèi)號(hào): G06T7/10
• 代理公司: 石家莊知住優(yōu)創(chuàng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 13131
• 代理人: 王麗巧

本發(fā)明公開(kāi)了一種結(jié)合局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割方法，包括以下步驟：(1)讀入圖像I(x，y)；(2)初始化基于局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割模型中的各個(gè)參數(shù)；(3)計(jì)算圖像I(x，y)的局部熵h_x；(4)在步驟(2)初始化參數(shù)的基礎(chǔ)上對(duì)圖像I(x，y)進(jìn)行分割，采用基于局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割模型對(duì)所述圖像I(x，y)進(jìn)行分割，并在分割的過(guò)程中進(jìn)行水平集函數(shù)φ的更新；(5)根據(jù)方程對(duì)水平集函數(shù)φ進(jìn)行演化，判斷水平集函數(shù)φ是否收斂，如果收斂，則水平集函數(shù)φ停止演化，并輸出分割圖像；反之，則返回步驟(4)繼續(xù)。本發(fā)明可以高效，準(zhǔn)確地分割灰度不均勻圖像。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種圖像分割方法。

背景技術(shù)

圖像分割作為模式識(shí)別、計(jì)算機(jī)視覺(jué)、人工智能等領(lǐng)域的關(guān)鍵技術(shù)，主要目的是將特定前景目標(biāo)從背景中分離出來(lái)。但是由于圖像中的感興趣區(qū)域和背景區(qū)域灰度都有可能出現(xiàn)灰度不均勻現(xiàn)象，給圖像的準(zhǔn)確分割帶來(lái)一定的困難。目前在眾多的圖像分割技術(shù)中，由于變分水平集模型具有自由拓?fù)渥儞Q特點(diǎn)，能夠有效地提取復(fù)雜目標(biāo)邊界，受到越來(lái)越多的關(guān)注與應(yīng)用。

水平集方法包括基于區(qū)域和基于邊緣的兩種方法，其中，CV模型是典型的基于區(qū)域統(tǒng)計(jì)的水平集方法，該模型利用圖像的全局區(qū)域信息，利用全局二值分段常數(shù)進(jìn)行水平集函數(shù)的擬合，驅(qū)動(dòng)活動(dòng)輪廓向目標(biāo)邊緣演化。但是該模型假設(shè)圖像中的每個(gè)目標(biāo)區(qū)域內(nèi)的灰度是同質(zhì)的，并且僅僅利用了圖像的全局信息，忽略了局部信息，導(dǎo)致對(duì)灰度不均勻圖像分割困難。

為了實(shí)現(xiàn)對(duì)不均勻圖像的分割，國(guó)內(nèi)外學(xué)者提出了很多基于局部圖像特征的模型，例如LBF模型，LIF模型，LGD模型以及LAW模型等，其中以Li等人提出了利用局部二值擬合的LBF(Local Binary Fitting)模型最為典型。LBF模型利用局部區(qū)域信息，使用像素點(diǎn)的局部鄰域信息進(jìn)行二值擬合的能量泛函，該模型很好的克服了圖像灰度不均勻特性，但是對(duì)初始輪廓比較敏感，容易陷入局部極小值。這些模型雖然實(shí)現(xiàn)了對(duì)灰度不均勻圖像的分割，但是只是考慮了局部灰度情況統(tǒng)計(jì)信息，因此對(duì)灰度分布不均勻圖像的分割結(jié)果不夠準(zhǔn)確，并且對(duì)初始輪廓的魯棒性不夠。

文獻(xiàn)WANG Xiaofeng，Huang DeShuang，XU Huan.An efficient local Chan-Vesemodel for image segmentation[J].Pattern Recognition，2010，43(3)：603-618.公開(kāi)了一種局部CV模型(Local Chan-Vese)，該模型將全局區(qū)域信息與局部區(qū)域信息相結(jié)合實(shí)現(xiàn)圖像分割，但是該模型只是簡(jiǎn)單地局部和全局的組合，對(duì)于灰度不均勻圖像的分割仍然出現(xiàn)了失敗的現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)對(duì)于灰度不均勻圖像分割效果不佳等缺點(diǎn)，提出了一種結(jié)合局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割方法，以保證在分割灰度不均勻圖像時(shí)取得滿意的分割效果。

本發(fā)明的技術(shù)解決方案是：

一種結(jié)合局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割方法，包括以下步驟：

(1)讀入圖像I(x，y)；

(2)初始化基于局部熵的局部能量泛函與非凸正則項(xiàng)的圖像分割模

型中的各個(gè)參數(shù)，所述參數(shù)為φ、α、β、μ、v及σ，所述模型如下：