CN101859437B - 矢量图像分割方法 - Google Patents

Abstract

一种数字图像处理技术领域的基于变异HSV空间及多通道比例变换的矢量图像分割方法，通过将三通道图像经转换后采用单通道STP-CV模型在RGB空间的每个通道进行独立分割，然后采用多通道分割融合方法实现矢量图像的分割。本发明适用于任意通道的矢量图像，对噪声、亮度和渐变不敏感，具有更强的色彩分辨力和分割性能。为基于矢量图像的图像处理、模式识别、目标跟踪等方面的应用提供了有效的图像分割方法。

Description

矢量图像分割方法

技术领域

本发明涉及的是一种数字图像处理技术领域的方法，具体是一种基于变异HSV(色调、饱和度和亮度)空间及多通道比例变换的矢量图像分割方法。

背景技术

图像分割是一种将图像分解为若干区域的过程。活动轮廓模型(Active Contour Models，ACM)及其算法，一般将该过程定义为对目标函数进行最优化的过程。Chan和Vese在发表于《IEEE Transaction on Image Processing》的“Active Contours Without Edges”中提出的“无边缘信息的活动轮廓”模型(简称STP-CV)分割技术，同样是这样的一种模型。其采用分片常量曲面去逼近给定的图像以达到分割的目的。该模型已经得到了广泛的应用，有不少学者提出了改进。其中有Chan和Vese后来在发表于《Journal of Visual Communication andImage Representation》的论文“Active Contours without Edges for Vector-Valued Images”中提出的矢量(彩色)图像两相分割模型(简称VTP-CV)和发表于《International Journal ofComputer Vision》的论文“A multiphase level set framework for image segmentation usingthe Mumford and Shah model”中提出的标量(灰度)图像多相分割模型(简称SMP-CV)。

对于彩色图像，一种通常的分割方法是分割前先将其转换为灰度图像。但不同通道的相关信息被忽略，丢失了有用的特征。事实上，唯有综合多通道的信息，才能对矢量图像进行有效地分割。而Chan和Vese提出的VTP-CV模型采用的多通道信息集成方法类似于将矢量图转换为标量图的方法，使得在通道数据加权平均后目标与背景相近时该模型无效。Sandberg，B.和Chan，T.F.在发表于《Journal of Visual Communication and Image Representation》的论文“A logic framework for active contours on multi-channel images”中提出了一种逻辑框架用于改进VTP-CV模型，其中指出，VTP-CV模型中的多通道信息集成方法使得分割结果容易陷入局部最优。分割彩色图像的另外一种方法是首先在每个通道进行独立的分割，然后再将各通道中得到的结果进行融合以得到最终的分割。然后通常该方法中由于仅对分割后的结果进行综合处理而忽略了不同通道的对比关系，使得分割的准确性难以保证。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于变异HSV空间及多通道比例变换的矢量图像分割方法，该方法采用逐通道分割然后融合的基本策略，基于经典的Chan-Vese活动轮廓(STP-CV)模型。

本发明是通过以下技术方案实现的，本发明通过将三通道图像经转换后采用单通道STP-CV模型在RGB空间的每个通道进行独立分割，然后采用多通道分割融合方法实现矢量图像的分割。

所述的转换是指：将采集到的彩色图像进行变异HSV色彩空间转换后再进行多通道比例变换。

所述的变异HSV色彩空间转换是指：

其中：Max和Min分别是彩色图像中像素点在RGB空间中三元组(R，G，B)中的最大值和最小值，R、G和B的分别为红色、绿色和蓝色的取值，其范围为[0，255]；H的取值范围为[0°，420°]。

所述的多通道比例变换是指：

其中：x_i≠m，i＝2，…，N，N为通道个数，x_i为像素点在源色彩空间中各通道的值；m为常数以保证上述公式中的诸分母不为0；y_i，i＝2，…，N，y_i是转换后得到的数值。

所述的单通道STP-CV模型是指：设图像I有N个通道，Iⁱ表示第i个通道，然后为每个通道定义一个能量函数：

$E(c_1^i,c_2^i,C^i)={\mathrm{\μ}}^i\·\mathrm{Length}\left(C^i\right)+v^i\·\mathrm{Area}\left({\mathrm{\Ω}}_1^i\right)$

$+{\mathrm{\λ}}_1^i{\∫\∫}_{{\mathrm{\Ω}}_1^i}{|I^i(x,y)-c_1^i|}^2\mathrm{dxdy}+{\mathrm{\λ}}_2^i{\∫\∫}_{{\mathrm{\Ω}}_2^i}{|I^i(x,y)-c_2^i|}^2\mathrm{dxdy},$

其中：i＝1，2，…，N.Cⁱ是第i通道中的演化曲线，

分别是Cⁱ内外区域的灰度均值。

在水平集方法中，Cⁱ可以表示为Lipschitz函数Фⁱ：Ωⁱ→R的零水平集，即：

$\left\{\begin{array}{c}{C}^i=\{(x,y)\&Element;\mathrm{\&Omega;}|{\mathrm{\&Phi;}}^i(x,y)=0\},\\ {\mathrm{\&Omega;}}_1^i=\{(x,y)\&Element;\mathrm{\&Omega;}|{\mathrm{\&Phi;}}^i(x,y)>0\},\\ {\mathrm{\&Omega;}}_1^i=\{(x,y)\&Element;\mathrm{\&Omega;}|{\mathrm{\&Phi;}}^i(x,y)<0\}.\end{array}\right.$

更新水平集的方程为：

$\frac{\&PartialD;{\mathrm{\&Phi;}}^i}{\&PartialD;t}=\mathrm{\&delta;}\left({\mathrm{\&Phi;}}^i\right)({\mathrm{\&mu;}}^i\&CenterDot;\mathrm{div}\left(\frac{\&dtri;{\mathrm{\&Phi;}}^i}{|\&dtri;{\mathrm{\&Phi;}}^i|}\right)-v^i-{\mathrm{\&lambda;}}_1^i{(I^i-c_1^i)}^2+{\mathrm{\&lambda;}}_2^i{(I^i-c_2^i)}^2).$

根据上述公式对水平集Фⁱ进行更新并对曲线Cⁱ进行演化，每次迭代结束都可以得到N个分割结果。

所述的多通道分割融合方法是指：对于每个通道分配一个水平集并进行独立的更新和演化，为从这些水平集中得到完整的分割结果，具体为：在各通道中看到的白色区域在对该通道进行分割时处于在

的内部，即Фⁱ＜0(i＝1，2，3)，并赋予符号“-，那么Ф¹，Ф²，Ф³在图像中的区域1的符号则分别是“-”，“+”和“+”，简记为“-++”。同样，区域2和3中的水平集符号序列可以简记为“+-+”和“++-”，而区域0的则是“+++”；

然后在提出的分割方案中仍旧可以区域2^N个不同的区域，N个水平集的符号序列的可能组合可以表示为如下一个集合：

S＝{s＝(s₁，s₂，…，s_n)|s_i＝Sgn(Фⁱ)，i＝1，2，…，N，N∈Z⁺}

其中：Z⁺表示正整数集合，而Sgn(Фⁱ)是符号函数。

与现有技术相比，本发明适用于任意通道的矢量图像，对噪声、亮度和渐变不敏感，具有更强的色彩分辨力和分割性能。为基于矢量图像的图像处理、模式识别、目标跟踪等方面的应用提供了有效的图像分割方法。

附图说明

图1为本发明效果示意图；

其中：图1a为原始图像；图1b为RGB-R通道分割结果；图1c为RGB-G通道分割结果；图1d RGB-B通道分割结果；图1e为三通道综合结果。

图2为本发明的分割方案的框架图。

图3为多通道分割融合方法的示意图；

其中：图3a为四区域彩色图；图3b为RGB-R通道；图3c为RGB-G通道；图3d为RGB-B通道。

图4为变异HSV色彩空间转换的效果示意图；

其中：图4a为原图；图4b为HSV-H通道；图4c为HSV-H通道；图4d为在图4b为上的分割结果；图4e为在图4c为上的分割结果

图5为多通道比例变换的效果示意图；

其中：图5a1为原图；图5a2为HSV空间的分割结果；图5a3为VHSV空间的分割结果；图5b1为HSV-H通道；图5b2为HSV-S通道；图5b3为HSV-V通道；图5c1为VHSV-H通道；图5c2为VHSV-S通道；图5c3为VHSV-V通道。

图6为本发明与VMP-CV模型的比较实验。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1和图2所示，本实施例的分割方案中对于那些RGB空间就能对目标和背景进行有效分辨的图像就不再进行转换而直接用STP-CV模型在RGB空间的每个通道进行独立分割，然后采用提出的多通道分割融合(MSC)方法对结果进行集成以得到最终结果；否则，首先将图像转换到变异的HSV(VHSV)色彩空间，再将得到的图像进行多通道比例变换(MRT)，然后对变换后的图像的各个通道应用STP-CV进行分割，接着同样采用MSC对结果融合出最终分割结果，具体步骤如下：

一、多相矢量CV(VMP-CV)模型

本实施例中对基本的多相标量CV(SMP-CV)模型进行推广，以便于与本实施例中的分割方案进行比较。

多相模型可以分割出两个或更多的区域，是基于分片常量的Mumford-Shah模型的算法。当采用m个水平集时，可形成M＝2^m个相从而可将图像分割成M个区域。以两个水平集为例，给出多相分割模型的Heaviside函数形式的能量函数：

$E(c,\mathrm{\&Phi;})={\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{|I(x,y)-c_{11}|}^{2}H\left({\mathrm{\&Phi;}}_1\right)H\left({\mathrm{\&Phi;}}_2\right)\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{|I(x,y)-c_{12}|}^{2}H\left({\mathrm{\&Phi;}}_1\right)(1-H\left({\mathrm{\&Phi;}}_2\right))\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{|I(x,y)-c_{21}|}^2(1-H\left({\mathrm{\&Phi;}}_1\right))H\left({\mathrm{\&Phi;}}_2\right)\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}{|I(x,y)-c_{22}|}^2(1-H\left({\mathrm{\&Phi;}}_1\right))(1-H\left({\mathrm{\&Phi;}}_2\right))\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\left(\right|\&dtri;H\left({\mathrm{\&Phi;}}_1\right)|+|\&dtri;H\left({\mathrm{\&Phi;}}_2\right)\left|\right)\mathrm{dxdy},$

其中c＝(c₁₁，c₁₂，c₂₁，c₂₂)为各相内的灰度均值，Ф＝(Ф₁，Ф₂)表示两个水平集函数；

表示梯度算子；H(z)为Heaviside函数，是一种单位阶跃函数，即

$H\left(z\right)=\left\{\begin{array}{cc}1& z>=0,\\ 0& z<0.\end{array}\right.$

上述的模型只能对标量图像进行分割，为此仿照VTP-CV模型的思路将其推广到矢量图像。仍以两个水平集为例，则上述的公式(1)改写为：

$E(c,\mathrm{\&Phi;})={\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{|I^i(x,y)-c_{11}^i|}^{2}H\left({\mathrm{\&Phi;}}_1\right)H\left({\mathrm{\&Phi;}}_2\right)\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{|I^i(x,y)-c_{12}^i|}^{2}H\left({\mathrm{\&Phi;}}_1\right)(1-H\left({\mathrm{\&Phi;}}_2\right))\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{|I^i(x,y)-c_{21}^i|}^2(1-H\left({\mathrm{\&Phi;}}_1\right))H\left({\mathrm{\&Phi;}}_2\right)\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N{|I^i(x,y)-c_{22}^i|}^2(1-H\left({\mathrm{\&Phi;}}_1\right))(1-H\left({\mathrm{\&Phi;}}_2\right))\mathrm{dxdy}$

$+{\&Integral;\&Integral;}_{\mathrm{\&Omega;}}\left(\right|\&dtri;H\left({\mathrm{\&Phi;}}_1\right)|+|\&dtri;H\left({\mathrm{\&Phi;}}_2\right)\left|\right)\mathrm{dxdy},$

其中N是图像I的通道数目，Iⁱ(x，y)表示第i通道在(x，y)位置的像素的灰度值，而cⁱ ₁₁，cⁱ ₁₂，cⁱ ₂₁，cⁱ ₂₂表示第i通道中两个水平集构成的各相区域内的灰度均值。

更新两个水平集Ф₁和Ф₂的方程可以表示为：

$\frac{\&PartialD;{\mathrm{\&Phi;}}_1}{\&PartialD;t}=\mathrm{\&delta;}\left({\mathrm{\&Phi;}}_1\right)[\mathrm{\&mu;}\&CenterDot;\mathrm{div}\left(\frac{\&dtri;{\mathrm{\&Phi;}}_1}{|\&dtri;{\mathrm{\&Phi;}}_1|}\right)$

$-\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N({|I^i-c_{11}^i|}^2-{|I^i-c_{12}^i|}^2)H\left({\mathrm{\&Phi;}}_2\right)$

$-\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N({|I^i-c_{21}^i|}^2-{|I^i-c_{22}^i|}^2)(1-H\left({\mathrm{\&Phi;}}_2\right)),$

$\frac{\&PartialD;{\mathrm{\&Phi;}}_2}{\&PartialD;t}=\mathrm{\&delta;}\left({\mathrm{\&Phi;}}_2\right)[\mathrm{\&mu;}\&CenterDot;\mathrm{div}\left(\frac{\&dtri;{\mathrm{\&Phi;}}_2}{|\&dtri;{\mathrm{\&Phi;}}_2|}\right)$

$-\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N({|I^i-c_{11}^i|}^2-{|I^i-c_{12}^i|}^2)H\left({\mathrm{\&Phi;}}_1\right)$

$-\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^N({|I^i-c_{21}^i|}^2-{|I^i-c_{22}^i|}^2)(1-H\left({\mathrm{\&Phi;}}_1\right)).$

采用合适的离散方案和迭代方法就可对水平集进行更新，并对零水平集表示的曲线进行演化。这种采用水平集的矢量多相CV(VMP-CV)模型可以让初始曲线能逐渐地找到图像中任何位置任何数目的目标。不过容易看出，在该模型中，多通道信息的集成方式和将彩色图像转换为灰度图像是相当类似的。

二、单通道STP-CV分割模型

主要对该模型进行简单的介绍。设图像I有N个通道，Iⁱ表示第i个通道，然后为每个通道定义一个能量函数：

$E(c_1^i,c_2^i,C^i)={\mathrm{\&mu;}}^i\&CenterDot;\mathrm{Length}\left(C^i\right)+v^i\&CenterDot;\mathrm{Area}\left({\mathrm{\&Omega;}}_1^i\right)$

$+{\mathrm{\&lambda;}}_1^i{\&Integral;\&Integral;}_{{\mathrm{\&Omega;}}_1^i}{|I^i(x,y)-c_1^i|}^2\mathrm{dxdy}+{\mathrm{\&lambda;}}_2^i{\&Integral;\&Integral;}_{{\mathrm{\&Omega;}}_2^i}{|I^i(x,y)-c_2^i|}^2\mathrm{dxdy},$

其中i＝1，2，…，N.Cⁱ是第i通道中的演化曲线，

分别是Cⁱ内外区域的灰度均值。在水平集方法中，Cⁱ可以表示为Lipschitz函数Фⁱ：Ωⁱ→R的零水平集，即：

$\left\{\begin{array}{c}{C}^i=\{(x,y)\&Element;\mathrm{\&Omega;}|{\mathrm{\&Phi;}}^i(x,y)=0\},\\ {\mathrm{\&Omega;}}_1^i=\{(x,y)\&Element;\mathrm{\&Omega;}|{\mathrm{\&Phi;}}^i(x,y)>0\},\\ {\mathrm{\&Omega;}}_1^i=\{(x,y)\&Element;\mathrm{\&Omega;}|{\mathrm{\&Phi;}}^i(x,y)<0\}.\end{array}\right.$

更新水平集的方程为：

$\frac{\&PartialD;{\mathrm{\&Phi;}}^i}{\&PartialD;t}=\mathrm{\&delta;}\left({\mathrm{\&Phi;}}^i\right)({\mathrm{\&mu;}}^i\&CenterDot;\mathrm{div}\left(\frac{\&dtri;{\mathrm{\&Phi;}}^i}{|\&dtri;{\mathrm{\&Phi;}}^i|}\right)-v^i-{\mathrm{\&lambda;}}_1^i{(I^i-c_1^i)}^2+{\mathrm{\&lambda;}}_2^i{(I^i-c_2^i)}^2).$

根据上述公式对水平集Фⁱ进行更新并对曲线Cⁱ进行演化，每次迭代结束都可以得到N个分割结果。下一步的工作就是把这些结果综合为一个完整的分割。

三、多通道分割融合(MSC)

本实施例中每个通道分配一个水平集并进行独立的更新和演化，为从这些水平集中得到完整的可以分割出任意多相区域的分割结果，提出一种基于水平集符号序列的多通道分割融合(简称MSC)方法。

用图3来说明本实施例的MSC方法。图中是一个有四个区域的图像，其RGB三通道中只能看到完整的某一个区域，而且其他都成为黑色背景。不妨设在各通道中看到的白色区域在对该通道进行分割时处于在

的内部，即Фⁱ＜0(i＝1，2，3)，并赋予符号“-，那么Ф¹，Ф²，Ф³在图像中的区域1的符号则分别是“-，“+”和“+”，简记为“-++”。同样，区域2和3中的水平集符号序列可以简记为“+-+”和“++-”，而区域0的则是“+++”。

正如现有文献所述，N个水平集的不同符号序列可以表示2^N个不同的区域。在本实施例的分割方案中，虽然N个水平集被逐一分配到N个通道中而每个水平集只能表示每个通道中的两个区域，但在提出的分割方案中仍旧可以区域2^N个不同的区域。

N个水平集的符号序列的可能组合可以表示为如下一个集合：

S＝{s＝(s₁，s₂，…，s_n)|s_i＝Sgn(Фⁱ)，i＝1，2，…，N，N∈Z⁺}

其中Z⁺表示正整数集合，而Sgn(Фⁱ)是符号函数。

事实上，集合S中的元素s可以看成是一个二进制数，而二进制数可以通过数值转换变成十进制的整数，所以可以用不同的整数来标识不同的2^N个区域。定义一个简单的数值转换算子β来表示二进制到十进制的转换，即整数n_s＝β(s)，s∈S。为表示矢量图像中的任一像素所属于的区域，定义一个标记图像：

I_s＝{I(x，y)＝n_s(x，y)|n_s(x，y)＝β(s)，s∈S，(x，y)∈Ω}.

在标记图像I_s中，不同的区域被映射到不同的整数，而该图像中像素值变换的地方就是要求的区域边界。

四、变异的HSV空间

传统的RGB坐标系中的一点可以通过下述的公式转换到经典的HSV色彩空间：

$s=\left\{\begin{array}{cc}0& \mathrm{ifMax}=0,\\ 1-\frac{\mathrm{Min}}{\mathrm{Max}}& \mathrm{else},\end{array}\right.---\left(2\right)$

V＝Max，                              (3)

其中Max和Min分别是该点的R、G、B值中的最大、最小值；mod表示模运算。

容易看出，当G＝Max或B＝Max时，H的值肯定在区间[0°，360°]内，而当R＝Max且G＞B时，

将会大于360°，为保证H值始终在区间[0°，360°]内，经典的HSV空间在转换过程中加入了模运算强制结果在要求的区间取值。然而，这种强制性的模运算，使得转换不再单调，源空间的相似性遭到破坏。假设RGB空间中相似的两点，(R₁，G₁，B₁)＝(150，30，31)与(R₂，G₂，B₂)＝(150，31，30)，其中R₁＝R₂＝Max＝150，Min＝30。转换后，二者在HSV空间的值分别是(H₁，S₁，V₁)＝(359.5°，0.8，150.0)和(H₂，S₂，V₂)＝(0.5°，0.8，150.0)。可见虽然两点在RGB极为相似，但到HSV空间两点的相似性不再存在。

可以用实际的图像来说明这个问题。如图4所示，图像中有三种主要的颜色，绿色、红色和黑色，当然对于红色而言，R值在RGB三元组中是最大值。但当图像从RGB空间被转换到HSV空间时，原本相近的红色区域中色调H值出现了很大的反差，而一些区域出现了很大的噪声。对转换后的H通道进行分割的话，只能得到无效的结果。

事实上，在色彩空间转换时保持源色彩空间的拓扑结构和任意两点间的相似性是非常重要的。而基于CV模型的分割方法对输入的图像数据的取值范围并无限制，所以为了能够克服上述的问题，在分割过程中能够利用HSV空间对亮度不敏感的优点，对经典的HSV空间提出针对分割问题的改进。改进的方法就是去除求取H值时的模运算，公式(1)修改为：

公式(2)，(3)，(4)构成了本实施例中的VHSV色彩空间。在RGB空间转换到VHSV空间时，H的取值范围为[0°，420°]。RGB空间中相似的两点，(R₁，G₁，B₁)与(R₂，G₂，B₂)转换后分别是(359.5°，0.8，150.0)和(H₂，S₂，V₂)＝(360.5°，0.8，150.0)。可见两者的相似性得以保持。

图4的例子中，在图像转换到VHSV空间后，三个主色在H通道都分别保持着较为一致的灰度，而对其分割的结果得到了非常大的改善。

五、多通道比例变换(MRT)

对于一种色彩而言，最重要的信息不是某个通道中的独立的某个值的大小，而是各通道间各值的对比关系。两个颜色之所以被归类到同一色彩就是因为两者的多通道灰度值具有着相近的比例关系。在本实施例中，对矢量图像采用的分割策略是逐通道分割然后融合结果，但前述的MSC方法并不能考虑到同类颜色中的这种比例关系。虽然VHSV空间继承了经典的HSV空间对亮度不敏感的优点，但当仅仅用STP-CV模型、VHSV空间和MSC方法对矢量图像尤其是那些有着大量渐变色的图像分割时，分割的结果往往不尽如人意，甚至显得相当杂乱。图5就是一个例子。

为了能够利用多通道间的灰度值的对比关系，利用同类颜色的相似的比例信息，改善对渐变图像的分割效果，本实施例提出多通道比例变换(MRT)，公式如下所示：

$\left\{\begin{array}{cc}{y}_1=\frac{1+x_1}{1+x_2}& x_2\&NotEqual;-1,\\ y_2=\frac{1+x_2}{1+x_3}& x_3\&NotEqual;-1,\\ y_3=\frac{1+x_1}{1+x_3},& \end{array}\right.$

其中x₁，x₂，x₃为源色彩空间的各通道的灰度值。

通过MRT后，相邻通道的比例关系就被编码到某一通道中，从而在分割时能被STP-CV模型利用。而且在相邻通道上的分割结果也有着相关性，这是因为两个分割结果共享了一个通道的信息。例如有三个通道，则MRT后，第一、二个通道的比例信息对第一通道进行分割时就被利用，因为两个通道的相关信息通过

运算被编码到第一通道中；而在第一通道和第二通道分别得到的分割结果也是相关的，这是因为两个通道的分割共用了第二通道的数据。

正是因为MRT在分割前期将通道间的比例相关性通过对通道数据的转换，使得分割时就能够在信息融合的基础上得到更好的结果，在对各通道结果进行再次融合时可以获得更为有效、完整而准确的分割。图5给出的例子中可以看出，本实施例的MRT对分割效果的改善是非常明显的。

当然，MRT可以简单地推广到N通道，使得其适用范围扩展到任意通道数目的矢量图像：

$\left\{\begin{array}{c}{y}_1=\frac{m+x_1}{m+x_2}\\ ...\\ y_i=\frac{m+x_i}{m+x_{i+1}}\\ ...\\ y_{N-1}=\frac{m+x_{N-1}}{m+x_N}\\ y_N=\frac{m+x_1}{m+x_N}\end{array}\right.$

其中x_i≠m，i＝2，…，N；m≠0是常数，作用是保证上述公式中的诸分母不为0.

以上四个部分通过用C++语言在CPU为Intel酷睿II 2.10GHz、内存为DDR-II SDRAM的Linux操作系统(发行版为Ubuntu9.04)中进行了实现。以下给出了六组实验数据来说明本实施例的性能指标，如图6所示。

表1给出了所有实验的耗时情况。由于VTP-CV是两相的(只能分割出两个区域)，所以不将起纳入比较。从实验数据可以看出，本方法的分割结果更为有效、准确，分割出的目标和边界也更为完整。

表1.本实施例与VMP-CV模型的比较实验中的单次迭代平均耗时情况。

为了对分割结果进行客观的评价，采用了十个无监督的评价准则对六组实验的分割结果进行了评估，以U，C，F，F′，Q，Q′，L，E，D和Z表示这十个准则的评估指标。关于这十个客观评价准则的定义，详见下文的附录。在评估结果中，U，C和D是越大越好，而其他则是越小越好。在每个指标的得分后给出了相应方法的排名，并根据这十个指标得出了每个方法的平均排名，如表2-表7所示。从评估结果可以看出，六组实验中VMP-CV在HSV空间中的表现最差(尤其是实验2中)，除了实验1(好于其在RGB空间中的表现)和实验6(与其在RGB空间的表现相当)。在实验1、2、3和6中，本实施例的表现好于VMP-CV；在实验2中，本实施例在所有评价指标中都排名第一，因为所有的区域都正确的分割了出来；在实验1和3中本实施例也明显好于VMP-CV。但本实施例在实验4中与VMP-CV在RGB空间中的表现相当，而实验5中则差于VMP-CV。这是因为评估准则F′，Q，L和D采用的依据相当，都是基于区域均匀性的。在实验4和5中，本实施例虽然分割出的目标更为完整，并能克服渐变色的干扰但会失去均匀性。

表2.实验1的分割结果客观评价

表3.实验2的分割结果客观评价

表4.实验3的分割结果客观评价

表5.实验4的分割结果客观评价

表6.实验5的分割结果客观评价

表7.实验6的分割结果客观评价

Claims (2)

1.一种矢量图像分割方法，其特征在于，通过将三通道图像经转换后采用单通道STP-CV模型在RGB空间的每个通道进行独立分割，然后采用多通道分割融合方法实现矢量图像的分割；

所述的转换是指：将采集到的彩色图像进行变异HSV色彩空间转换后再进行多通道比例变换；

所述的变异HSV色彩空间转换是指：

$S=\left\{\begin{array}{cc}0& \mathrm{ifMax}=0,\\ 1-\frac{\mathrm{Min}}{\mathrm{Max}}& \mathrm{else},\end{array}\right.;$

V＝Max

其中：Max和Min分别是彩色图像中像素点在RGB空间中三元组(R，G，B)中的最大值和最小值，R、G和B的分别为红色、绿色和蓝色的取值，其范围为[0，255]；H的取值范围为[0°，420°]；

所述的多通道比例变换是指：

$\left\{\begin{array}{c}{y}_1=\frac{m+x_1}{m+x_2}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ y_i=\frac{m+x_i}{m+x_{i+1}}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ y_{N-1}=\frac{m+x_{N-1}}{m+x_N}\\ y_N=\frac{m+x_1}{m+x_N}\end{array}\right.,$

其中：x_i≠m，i＝2，…，N，N为通道个数，x_i为像素点在源色彩空间中各通道的值；m为常数以保证上述公式中的诸分母不为0；y_i，i＝2，…，N，y_i是转换后得到的数值。

2.根据权利要求1所述的矢量图像分割方法，其特征是，所述的多通道分割融合方法是指：对于每个通道分配一个水平集并进行独立的更新和演化，为从这些水平集中得到完整的分割结果。

Images