CN101639935A - 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法 - Google Patents

Abstract

本发明公开了一种基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，包括以下步骤：第一步，输入包含待分割目标的第1层数字人连续切片图像；第二步，采用智能剪刀初始化目标轮廓；第三步，生成目标轮廓匹配度图像；第四步，平滑第三步生成的目标轮廓匹配度图像；第五步，采用自适应几何活动轮廓模型跟踪得到当前层的目标轮廓；第六步，保存当前层的目标轮廓分割结果，同时将它作为下一层的初始目标轮廓，返回到第三步继续进行目标跟踪得到后续的目标轮廓。本发明能够准确、鲁棒地分割数字人连续切片图像中的目标轮廓，同时具有自动化程度高和能够处理目标轮廓的拓扑变化的优点。

Description

基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法

技术领域

本发明属于图像处理和分析领域，特别是医学序列图像分析领域，给出了一种基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法。

背景技术

数字化虚拟人研究是医学与信息科学相互交叉的前沿性研究领域，数字化虚拟人第一阶段的可视人体就是利用断层影像学和人体连续切片的方法获取人体解剖结构数据，然后在计算机中重建三维模型。在整个过程中，图像分割是十分重要的关键问题，诸如图像的三维可视化、图像的内容分析、图像的测量等问题的解决都依赖于理想的图像分割结果。随着切片加工精度的提高，“如何提高人体切片图像数据的分割精度和速度？”这一问题越来越迫切。目前，国内外有一些对数字人的分割方法，如基于支持向量机(SVM)的方法、基于Voronoi区域分割的方法等。然而目前的分割方法都有一些缺陷，如速度慢、鲁棒性差和自动化程度低等，所以现在数字人的分割主要依靠人工分割，或借助一定的工具进行分割，如Photoshop软件和VOXEL-MAN软件。

陈强等人于2008年提出了一种基于目标轮廓点匹配度图像的参数活动轮廓目标跟踪方法(Qiang Chen，Quan-sen Sun，Pheng Ann Heng，and De-Shen Xia.Parametric activecontours for object tracking based on matching degree image of object contour points.PatternRecognition Letters，29(2)，2008：126-141)，并将它应用于中国数字人连续切片图像的分割。因为中国数字人切片图像的间距一般在0.2mm左右，且人体组织大部分为软组织，所以组织在相邻切片间的变化一般很小，且连续性好。基于参数活动轮廓的目标跟踪方法能够较好地分割数字人连续切片图像的简单组织。而对于存在拓扑结构改变或相邻切片变化较大的目标，基于目标轮廓点匹配度图像的参数活动轮廓目标跟踪方法就不能够取得很好的分割效果，为此本专利给出了一种改进的方法，具体的改进为如下几点：(1)将参数活动轮廓改为几何活动轮廓，从而可以方便地处理拓扑结构的改变，同时对传统的基于边缘的几何活动轮廓扩展成可以向任意方向演化的自适应模型(传统的基于边缘的几何活动轮廓只能向外或向内单方向演化)；(2)给出了一种新的目标轮廓特征图像构造方法，在原有的基于目标轮廓点匹配度的基础上，先利用高斯混合模型统计目标区域和背景区域的颜色统计模型，然后计算目标轮廓点附件每个像素点属于目标和背景的概率，最后利用概率图改进目标轮廓特征图像。由于新的目标轮廓特征图像考虑了目标和背景的区域统计特性，所以相比于原有的基于目标轮廓点的方法具有更好的鲁棒性；(3)采用智能剪刀的方法初始化第一层的目标轮廓，相比于原有的全手工初始化方法，现有的初始化方法自动化程度更高。

发明内容

本发明的目的在于提供一种切实可行的半自动的基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，同时本发明可以推广到其他医学序列图像的分割。

实现本发明目的的技术解决方案为：一种基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，包括以下步骤：

1.1输入包含待分割数字人组织目标的第1层数字人连续切片图像；

1.2采用智能剪刀初始化步骤1.1中输入的数字人连续切片图像中待分割数字人组织的目标轮廓，在该目标轮廓上手工给定参考点，由智能剪刀自动生成初始目标轮廓；

1.3输入下一层数字人连续切片图像，由颜色信息和梯度信息生成当前层数字人组织的目标轮廓匹配度图像；根据前一层初始目标轮廓生成当前层目标轮廓的窄带区域，用距离函数模板方法生成窄带时，确定窄带内每点所对应的最近目标轮廓点和窄带的内外边界点，根据目标轮廓点信息、梯度信息和区域统计信息生成当前层数字人组织的目标轮廓匹配度图像；

1.4采用方向模板平滑步骤1.3生成的当前层数字人组织的目标轮廓匹配度图像；每个目标轮廓点的方向由其左右相邻的目标轮廓点确定，窄带内其它点的方向等同于其所对应的最近邻目标轮廓点的方向，用此方向模板平滑步骤1.3生成的当前层数字人组织的目标轮廓匹配度图像；

1.5采用自适应几何活动轮廓模型跟踪得到步骤1.3中输入的当前层的数字人组织的目标轮廓；在步骤1.4得到的平滑数字人组织的目标轮廓匹配度图像上，采用自适应几何活动轮廓模型跟踪目标轮廓；在自适应几何活动轮廓模型的驱动下，初始目标轮廓在步骤1.4得到的平滑目标轮廓匹配度图像上进行演化，最终得到步骤1.3中输入的当前层的数字人组织的目标轮廓；

1.6保存步骤1.3中输入的当前层数字人组织的目标轮廓分割结果，将它作为步骤1.3中输入层的下一层的初始目标轮廓，返回到步骤1.3继续进行目标跟踪得到后续的目标轮廓。

本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，将静态的数字人切片序列图像看作是不同时刻的动态运动序列，从而将数字人连续切片图像分割问题转化为目标跟踪问题。因为数字人切片图像的间距很小，且人体组织大部分为软组织，所以组织在相邻切片间的变化较小，且连续性好。为此，本发明提供的基于活动轮廓跟踪的图像分割方法很好地考虑和利用了数字人连续切片图像的特点。

本发明与现有技术相比，其显著优点：(1)自动化程度高：只需在第一层的目标轮廓上手工给出几个参考点，就可以由计算机自动的得到初始目标轮廓和后续几十或几百层的目标轮廓；(2)鲁棒性强：由于目标轮廓匹配度图像的构造考虑的目标和背景区域的颜色统计模型，所以本发明能够处理背景变化较大的目标切片；(3)适应性强：几何活动轮廓模型能够同时分割多个目标和处理目标轮廓拓扑结构的变化。

附图说明

图1为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的算法流程图。

图2为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的脑干序列图像的第1层切片图像。

图3为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的第1层脑干图像的目标轮廓初始化。

图4为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的窄带示意图。

图5为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的目标轮廓匹配度图像。

图6为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的目标轮廓匹配度图像平滑结果

图7为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的下一层目标轮廓的跟踪结果。

图8为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的自适应权系数构造示意图。

图9为本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法的脑干分割示意图，图9(a)、图9(b)、图9(c)、图9(d)、图9(e)、图9(f)、图9(g)、图9(h)、图9(i)分别依次显示了其中的第1548，1557，1567，1597，1627，1647，1697，1757和1858层分割结果。

具体实施方式

下面结合附图对本发明作进一步详细描述。

结合图1，本发明基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，包括以下步骤：

1.1输入包含待分割数字人组织目标的第1层数字人连续切片图像，如图2所示为脑干序列图像的第1层切片图像，图像中间部分的组织为脑干；

1.2采用智能剪刀初始化步骤1.1中输入的数字人连续切片图像中待分割数字人组织的目标轮廓，在该目标轮廓上手工给定参考点，由智能剪刀自动生成初始目标轮廓；智能剪刀是一种人机交互式的半自动图像分割方法，只要在目标轮廓上手动地给出几个参考点，智能剪刀就可以自动的得到完整的目标轮廓；首先手工框选出目标区域以减少计算复杂度，然后由拉普拉斯过零点、梯度方向和幅值构造局部代价函数，通过二维动态规划图搜索算法得到图像上任意两点间的最佳路径，最后采用人机交互的方式得到数字人组织的初始目标轮廓；如图3所示中的红色曲线为初始化的目标轮廓；

智能剪刀初始化目标轮廓，其基本过程为：

(1)手工框选出目标区域以减少计算复杂度；

(2)计算得到框选目标区域的代价函数；局部代价函数的构造方程为：

l(p，q)＝ω_Z·f_Z(q)+ω_D·f_D(p，q)+ω_G·f_G(q)

其中，p，q表示相邻两点，f_Z，f_D，f_G分别表示拉普拉斯过零点，梯度方向和梯度幅值，0≤ω_Z，ω_D，ω_G≤1且ω_Z+ω_D+ω_G＝1为权重系数；

(3)通过动态规划方法得到图像上任意两点间的最佳路径；

(4)通过人机交互的方式得到数字人连续切片图像第一层的初始数字人组织的目标轮廓。

1.3结合图4和图5，输入下一层数字人连续切片图像，由颜色信息和梯度信息生成当前层数字人组织的目标轮廓匹配度图像；根据前一层初始目标轮廓生成当前层目标轮廓的窄带区域，用距离函数模板方法生成窄带时，确定窄带内每点所对应的最近目标轮廓点和窄带的内外边界点，根据目标轮廓点信息、梯度信息和区域统计信息生成当前层数字人组织的目标轮廓匹配度图像；

如图4所示为窄带示意图，其中红色曲线为初始目标轮廓，蓝色和黄色曲线分别为窄带区域的内外边界，蓝色和黄色曲线所夹的暗区域为窄带区域；然后计算窄带内每点属于目标轮廓点的概率，因为相邻数字人切片间距很小，所以目标轮廓在相邻切片中的位置一般不会相差很远，将当前层的目标轮廓点搜索范围限定在前一层目标轮廓的窄带区域内可以减少运算量；目标轮廓匹配度图像的生成由四部分组成：窄带内每点与目标轮廓点的相似度、局部方差、图像梯度和目标和背景区域的颜色统计模型，图5为生成的目标轮廓匹配度图像，图像中灰度值越小(即越黑)，越有可能是目标轮廓点；

基于距离函数模板的窄带生成方法为：设窄带的宽度为k，定义k*k的距离函数模板，模板中任一点的值为到中心点的欧式距离；给定初始的目标轮廓线之后，以目标轮廓线上的点为模板中心，然后沿目标轮廓线遍历一遍，将落在模板中的网格点加入到窄带中，到目标轮廓线的最短距离取模板值，并记中心点为目标轮廓线上到该点距离最短的点；若该点已经在窄带中，则比较其距离函数值，如果其值大于模板值，则更新为模板值，并修改目标轮廓线上的距离最近点记录。

目标轮廓匹配度图像的基本构造方程为： $F=\frac{P}{V}+\mathrm{\γ}\·G+\mathrm{\β}\·R,$ 其中，γ，β∈[0，1]为常量，P，V，G，R分别表示由数字人组织目标轮廓点相似度、局部方差、梯度和区域统计信息构造的项；

所述数字人组织目标轮廓点相似度为：以局部图像片间的高斯加权欧式距离作为窄带内每点所对应的最近邻目标轮廓点的相似度；

所述局部方差为：以每个像素点为中心局部邻域的三个通道的方差的平均值作为该点的局部方差；

所述图像梯度为：将彩色图像转化成灰度图像，计算得到灰度图像的梯度，以减小彩色图像梯度图像计算的复杂度；

所述区域统计信息为：将窄带区域的内外轮廓点分别作为目标区域和背景区域的采样点，采用高斯混合模型拟合得到目标和背景区域的颜色分布模型，计算窄带内每点属于目标和背景模型的最大概率，取目标和背景概率图像上每点的局部方差的最小值作为当前点的目标轮廓概率值。

1.4采用方向模板平滑步骤1.3生成的当前层数字人组织的目标轮廓匹配度图像，以减小误匹配造成的影响；每个目标轮廓点的方向由其左右相邻的目标轮廓点确定，窄带内其它点的方向等同于其所对应的最近邻目标轮廓点的方向，用此方向模板平滑步骤1.3生成的当前层数字人组织的目标轮廓匹配度图像；方向模板的构造过程为：首先根据相邻目标轮廓点确定每个目标轮廓点的方向，然后根据窄带生成时得到的窄带内每点所对应的最近目标轮廓点的关系确定窄带内其它点的方向；因为数字人图像中的组织在相邻切片间的变化较小，所以前后两层目标轮廓的变形不会太大，即前后两层目标轮廓的方向具有相似性；因此，由上述方法确定的窄带内每点的方向基本都平行于目标轮廓线，正好符合数字人的特点；图6为图5所示的目标轮廓匹配度图像的平滑结果；

方向模板平滑方法为：确定目标轮廓上每点的方向，其确定算法如下：令点p_i-1，p_i，p_i+1为目标轮廓上的三个相邻点，则点p_i的单位方向向量为平行于直线p_i-1p_i+1的向量

令v_ix和v_iy分别为单位向量

在水平和垂直方向上的分量，则点p_i的方向由向量[v_ix，v_iy]表示，目标轮廓上其它点的方向确定方法类似；窄带内其它点的方向取所对应的最近目标轮廓点的方向，窄带内每点的方向确定以后，采用加窗的高斯函数生成方向模板；假定h为方向模板，则 $h(n_1,n_2)=\frac{h_g(n_1,n_2)}{\underset{n_1}{\mathrm{\Σ}}\underset{n_2}{\mathrm{\Σ}}{h}_g},$ $h_g(h_1,h_2)=e^{-(n_1^2+n_2^2)/\left(2{\mathrm{\σ}}^2\right)},$ 其中n₁和n₂分别为垂直和水平方向的窗口宽度，σ为高斯函数的标准偏差；水平方向的模板，要求n₁＜n₂，窄带内水平方向的点则用水平方向的模板h平滑，其它方向的模板可以通过旋转h得到。

平滑数字人组织的目标轮廓匹配度图像，根据目标轮廓的方向平滑目标轮廓匹配度图像，在平滑噪声的同时保持目标轮廓，其基本过程为：

(1)由相邻目标轮廓点确定每个目标轮廓点的方向；

(2)将确定的目标轮廓点的方向扩展到窄带内的其它点，窄带内其它点的方向等同于其所对应的最近邻目标轮廓点的方向；

(3)根据窄带内每点的方向生成各项异性滤波模板，并用此模板平滑目标轮廓匹配度图像。

1.5结合图7、图8，采用自适应几何活动轮廓模型跟踪得到步骤1.3中输入的当前层的数字人组织的目标轮廓；在步骤1.4得到的平滑数字人组织的目标轮廓匹配度图像上，采用自适应几何活动轮廓模型跟踪目标轮廓；在自适应几何活动轮廓模型的驱动下，初始目标轮廓在步骤1.4得到的平滑目标轮廓匹配度图像上进行演化，最终得到步骤1.3中输入的当前层的数字人组织的目标轮廓；由于几何活动轮廓模型能够自然地处理拓扑结构的改变，同时长度约束项能够起到使演化曲线保持光滑的作用，所以本发明采用几何活动轮廓模型跟踪目标轮廓；根据生成的匹配度图像的特点，本发明修改了原模型中的速度停止函数，同时重新构造了面积项的权系数，图8为自适应权系数的构造示意图；由生成的目标轮廓匹配度图像(图6)可知：匹配度值越小越有可能是目标轮廓点，因此将传统的基于图像梯度的速度停止函数改为归一化的匹配度函数；新的速度停止函数的作用是使演化曲线停止于匹配度值很小的像素点(即目标轮廓点)；重新构造面积项的权系数的目的是使演化曲线能够朝着小的匹配度值方向演化，而不是只能向内或向外演化；图7为当前层的目标轮廓跟踪结果，由跟踪结果可知，本发明能够准确地分割目标轮廓；

自适应几何活动轮廓模型为：

$E\left(\mathrm{\φ}\right)=\frac{\mathrm{\μ}}{2}{\∫}_{\mathrm{\Ω}}{\left(\right|\▿\mathrm{\φ}|-1)}^2\mathrm{dxdy}+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}g\left(M\right)\mathrm{\δ}\left(\mathrm{\φ}\right)|\▿\mathrm{\φ}|\mathrm{dxdy}+{\∫}_{\mathrm{\Ω}}v(M,\mathrm{\φ})g\left(M\right)H(-\mathrm{\φ})\mathrm{dxdy}$

其中，参数μ，λ为正常数，φ为水平集函数，δ(·)和H(·)分别为单变量Dirac和Heaviside函数，速度停止函数为g(M)＝M-min(M)，M为平滑后的目标轮廓匹配度图像；自适应的权系数构造函数为 $v(M,\mathrm{\φ})=\mathrm{\φ}-{\widetilde{\mathrm{\φ}}}_M,$ ${\widetilde{\mathrm{\φ}}}_M(x,y)=\mathrm{\φ}(x+\mathrm{rx},y+\mathrm{ry}),$ rx，ry∈{-1，0，1}，平移向量rx，ry的取值由目标轮廓匹配度图像M确定；窄带内的每点，在它的8邻域方向U₁-U₈内寻找最小匹配度值所在的方向，如图8所示，然后结合符号距离函数确定当前点的权系数符号，使演化曲线向最小匹配度值所在的方向演化；可通过改变8邻域的半径来调整最小匹配度值的搜索范围；通过增大8邻域的半径，增大最小匹配度值的搜索范围，防止演化曲线陷入局部最优解，8邻域的最大半径一般小于窄带半径，最小匹配度值一定在窄带区域内。

1.6保存步骤1.3中输入的当前层数字人组织的目标轮廓分割结果，将它作为步骤1.3中输入层的下一层的初始目标轮廓，返回到步骤1.3继续进行目标跟踪得到后续的目标轮廓；图9所示为脑干序列图像的部分分割结果，图9(a)、图9(b)、图9(c)、图9(d)、图9(e)、图9(f)、图9(g)、图9(h)、图9(i)分别依次显示了其中的第1548，1557，1567，1597，1627，1647，1697，1757和1858层分割结果。

Claims (7)

1、一种基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，包括以下步骤：

1.1输入包含待分割数字人组织目标的第1层数字人连续切片图像；

1.2采用智能剪刀初始化步骤1.1中输入的数字人连续切片图像中待分割数字人组织的目标轮廓，在该目标轮廓上手工给定参考点，由智能剪刀自动生成初始目标轮廓；

1.3输入下一层数字人连续切片图像，由颜色信息和梯度信息生成当前层数字人组织的目标轮廓匹配度图像；根据前一层初始目标轮廓生成当前层目标轮廓的窄带区域，用距离函数模板方法生成窄带时，确定窄带内每点所对应的最近目标轮廓点和窄带的内外边界点，根据目标轮廓点信息、梯度信息和区域统计信息生成当前层数字人组织的目标轮廓匹配度图像；

1.4采用方向模板平滑步骤1.3生成的当前层数字人组织的目标轮廓匹配度图像；每个目标轮廓点的方向由其左右相邻的目标轮廓点确定，窄带内其它点的方向等同于其所对应的最近邻目标轮廓点的方向，用此方向模板平滑步骤1.3生成的当前层数字人组织的目标轮廓匹配度图像；

1.5采用自适应几何活动轮廓模型跟踪得到步骤1.3中输入的当前层的数字人组织的目标轮廓；在步骤1.4得到的平滑数字人组织的目标轮廓匹配度图像上，采用自适应几何活动轮廓模型跟踪目标轮廓；在自适应几何活动轮廓模型的驱动下，初始目标轮廓在步骤1.4得到的平滑目标轮廓匹配度图像上进行演化，最终得到步骤1.3中输入的当前层的数字人组织的目标轮廓；

1.6保存步骤1.3中输入的当前层数字人组织的目标轮廓分割结果，将它作为步骤1.3中输入层的下一层的初始目标轮廓，返回到步骤1.3继续进行目标跟踪得到后续的目标轮廓。

2、根据权利要求1所述的基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，其特征在于：智能剪刀初始化目标轮廓，其基本过程为：

(1)手工框选出目标区域；

(2)计算得到框选目标区域的代价函数；局部代价函数的构造方程为：

l(p，q)＝ω_Z·f_Z(q)+ω_D·f_D(p，q)+ω_G·f_G(q)

其中，p，q表示相邻两点，f_Z，f_D，f_G分别表示拉普拉斯过零点，梯度方向和梯度幅值，0≤ω_Z，ω_D，ω_G≤1且ω_Z+ω_D+ω_G＝1为权重系数；

(3)通过动态规划方法得到图像上任意两点间的最佳路径；

(4)通过人机交互的方式得到数字人连续切片图像第一层的初始数字人组织的目标轮廓。

3、根据权利要求1所述的基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，其特征在于：基于距离函数模板的窄带生成方法为：设窄带的宽度为k，定义k*k的距离函数模板，模板中任一点的值为到中心点的欧式距离；给定初始的目标轮廓线之后，以目标轮廓线上的点为模板中心，然后沿目标轮廓线遍历一遍，将落在模板中的网格点加入到窄带中，到目标轮廓线的最短距离取模板值，并记中心点为目标轮廓线上到该点距离最短的点；若该点已经在窄带中，则比较其距离函数值，如果其值大于模板值，则更新为模板值，并修改目标轮廓线上的距离最近点记录。

4、根据权利要求1所述的基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，其特征在于：目标轮廓匹配度图像的基本构造方程为： $F=\frac{P}{V}+\mathrm{\γ}\·G+\mathrm{\β}\·R,$ 其中，γ，β∈[0，1]为常量，P，V，G，R分别表示由数字人组织目标轮廓点相似度、局部方差、梯度和区域统计信息构造的项；

所述数字人组织目标轮廓点相似度为：以局部图像片间的高斯加权欧式距离作为窄带内每点所对应的最近邻目标轮廓点的相似度；

所述局部方差为：以每个像素点为中心局部邻域的三个通道的方差的平均值作为该点的局部方差；

所述图像梯度为：将彩色图像转化成灰度图像，计算得到灰度图像的梯度，以减小彩色图像梯度图像计算的复杂度；

所述区域统计信息为：将窄带区域的内外轮廓点分别作为目标区域和背景区域的采样点，采用高斯混合模型拟合得到目标和背景区域的颜色分布模型，计算窄带内每点属于目标和背景模型的最大概率，取目标和背景概率图像上每点的局部方差的最小值作为当前点的目标轮廓概率值。

5、根据权利要求1所述的基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法，其特征在于：方向模板平滑方法为：确定目标轮廓上每点的方向，其确定算法如下：令点p_i-1，p_i，p_i+1为目标轮廓上的三个相邻点，则点p_i的单位方向向量为平行于直线p_i-1p_i+1的向量

，令v_ix和v_iy分别为单位向量

在水平和垂直方向上的分量，则点p_i的方向由向量[v_ix，v_iy]表示，目标轮廓上其它点的方向确定方法类似；窄带内其它点的方向取所对应的最近目标轮廓点的方向，窄带内每点的方向确定以后，采用加窗的高斯函数生成方向模板；假定h为方向模板，则 $h(n_1,n_2)=\frac{h_g(n_1,n_2)}{\underset{n_1}{\mathrm{\Σ}}\underset{n_2}{\mathrm{\Σ}}{h}_g},$ $h_g(n_1,n_2)=e^{-(n_1^2+n_2^2)/\left(2\mathrm{\σ}\right)},$ 其中n₁和n₂分别为垂直和水平方向的窗口宽度，σ为高斯函数的标准偏差；水平方向的模板，要求n₁＜n₂，窄带内水平方向的点则用水平方向的模板h平滑，其它方向的模板可以通过旋转h得到。

6、根据权利要求1所述的基于几何活动轮廓目标跟踪的中国数字人连续切片图像分割方法，其特征在于：平滑数字人组织的目标轮廓匹配度图像，根据目标轮廓的方向平滑目标轮廓匹配度图像，在平滑噪声的同时保持目标轮廓，其基本过程为：

(1)由相邻目标轮廓点确定每个目标轮廓点的方向；

(2)将确定的目标轮廓点的方向扩展到窄带内的其它点，窄带内其它点的方向等同于其所对应的最近邻目标轮廓点的方向；

(3)根据窄带内每点的方向生成各项异性滤波模板，并用此模板平滑目标轮廓匹配度图像。

7、根据权利要求1所述的基于几何活动轮廓目标跟踪的中国数字人连续切片图像分割方法，其特征在于：自适应几何活动轮廓模型为：

$E\left(\mathrm{\φ}\right)=\frac{\mathrm{\μ}}{2}{\∫}_{\mathrm{\Ω}}{\left(\right|\▿\mathrm{\φ}|-1)}^2\mathrm{dxdy}+\mathrm{\λ}{\∫}_{\mathrm{\Ω}}g\left(M\right)\mathrm{\δ}\left(\mathrm{\φ}\right)|\▿\mathrm{\φ}|\mathrm{dxdy}+{\∫}_{\mathrm{\Ω}}v(M,\mathrm{\φ})g\left(M\right)H(-\mathrm{\φ})\mathrm{dxdy}$

其中，参数μ，λ为正常数，φ为水平集函数，δ(·)和H(·)分别为单变量Dirac和Heaviside函数，速度停止函数为g(M)＝M-min(M)，M为平滑后的目标轮廓匹配度图像；自适应的权系数构造函数为 $v(M,\mathrm{\φ})=\mathrm{\φ}-{\widetilde{\mathrm{\φ}}}_M,$ ${\widetilde{\mathrm{\φ}}}_M(x,y)=\mathrm{\φ}(x+\mathrm{rx},y+\mathrm{ry}),$ rx，ry∈{-1，0，1}，平移向量rx，ry的取值由目标轮廓匹配度图像M确定；窄带内的每点，在它的8邻域方向U₁-U₈内寻找最小匹配度值所在的方向，然后结合符号距离函数确定当前点的权系数符号，使演化曲线向最小匹配度值所在的方向演化；可通过改变8邻域的半径来调整最小匹配度值的搜索范围；通过增大8邻域的半径，增大最小匹配度值的搜索范围，防止演化曲线陷入局部最优解，8邻域的最大半径一般小于窄带半径，最小匹配度值一定在窄带区域内。

Images