CN102542567A - 基于小波变分模型的图像多目标自适应分割方法及系统 - Google Patents

Abstract

本发明公开了一种基于小波变分模型的图像多目标自适应分割方法及系统，涉及图像处理技术领域，所述方法包括：S1：获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；S2：根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；S3：构建图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；S4：对图像多相分割C-V模型的参数进行自适应优化，以实现指定目标物进行矢量轮廓提取。本发明构造了求解图像分割Chan-Vese模型的多尺度小波快速自适应方法，并通过对C-V模型中参数自适应优化，实现了基于单水平集函数提取复杂生物图像中的多目标嵌套矢量精确轮廓。

Description

基于小波变分模型的图像多目标自适应分割方法及系统

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于小波变分模型的图像多目标自适应分割方法及系统。

背景技术

生物图像(如生物显微图像、作物叶片图像等)中显示出来的多个分割目标物和背景图像往往灰度级别相差不大，边界模糊且拓扑结构复杂，目标物之间互相嵌套；而目前生物组织的病变检测、作物复杂几何特征计算、生物组织三维重建等方面的研究都要求不仅图像分割边界精确、清晰且边界曲线连续封闭，且为矢量数据；便于进行生物拓扑结构分析、形变模型的研究。因此，生物图像分割处理精度和速度一直是图像处理领域迫切需要解决的问题。

经典的图像分割方法大致可分为阈值分割法、边缘检测法和区域生长法。阈值分割法假定同一个目标物具有同类的灰度值，方法简单，但易受噪声影响而无法生成封闭的边界，在目标物互相嵌套情况下容易形成错误边界。边缘检测法是基于目标物、背景以及目标物之间灰度值变化较大而设计，但同样易受噪声的影响而无法形成封闭边界。基于区域的方法如区域生长法、区域分离与合并法等则是利用区域间的不连续性来搜索边界，过程过于复杂。综合使用以上方法有望得到生物图像比较理想的分割效果，但检测与计量很难达到快速和准确的分割。图像分割变分方法是综合以上方法优点的有效手段：

变分方法将图像看作是一个连续的能量场，便于将各种方法有机结合。描述图像灰度值变化的梯度、散度以及图像边界信息的曲率都可以表示为连续的微分算子纳入到图像处理变分模型中；表现图像区域信息的目标区域灰度均值也可以作为驱动边界演化的动力纳入到能量泛函中。因此，保持边界降噪、精确分割、排除噪声影响都可成为现实。

变分模型经变分处理后为偏微分方程，变分模型中的参数可结合偏微分方程的数值求解方法动态选择，有利于得到理想的图像处理效果。例如，求解偏微分方程的多尺度小波数值方法，在每次迭代求解时需要对不同时刻的图像进行小波变换。小波变换系数是自适应配点选取的依据，同时基于不同尺度得到的小波系数可以作为判断清晰区域和模糊区域边界的依据，避免了传统方法阈值选取固定值的缺陷。

基于变分的图像分割模型主要有参数活动轮廓模型(如Snakes模型)、几何活动轮廓模型和基于区域的活动轮廓模型。参数活动轮廓模型利用曲线参数(长度、曲率等)的变化率作为内部能量，待分割图像中基于灰度信息的梯度向量场作为外部能量，共同驱动初始边界曲线向目标边界演化，最后收敛于目标边界。该模型对初始边界曲线的位置和拓扑结构要求较高且无法很好逼近凹陷边界；几何活动轮廓模型引入了水平集理论，将边界曲线嵌入到三维连续函数-水平集函数中，这样避免了跟踪演化曲线位置带来的困难，只需按照一定规律更新水平集函数即可，而水平集函数在更新过程中始终保持为简单函数，可以很好地处理曲线拓扑结构的变化，部分克服了参数轮廓模型的缺点。但初始边界曲线的选取依赖边缘检测算子；在含噪声图像中边界曲线停止演化准则不易确定。基于区域的活动轮廓分割模型(M-S模型)由Mumford和J.Shah提出。为了使用Euler-Lagrange方法来求解，Chan和Vese使用曲线的Euclid长度逼近Hausdorff长度，得到了一种简化的M-S模型-Chan-Vese(C-V)模型。C-V模型是通过驱动目标物边界内外点对应的水平集函数值向相反的方向变化，这样，边界内外两相邻点对应于水平集上两点的连线和零水平集平面的交点被认为是边界轮廓上的点。因此，一个水平集函数可以将图像分为目标和背景两相。Vese和Chan在C-V模型基础上进一步提出了图像分割的多相水平集框架。该框架采用n个水平集函数可实现2ⁿ相图像的分割，当然，计算量也相应增大。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：在不大幅增加计算复杂度的情况下，如何实现提取复杂生物图像中的多目标嵌套矢量精确轮廓。

(二)技术方案

为解决上述技术问题，本发明提供了一种基于小波变分模型的图像多目标自适应分割方法，所述方法包括以下步骤：

S1：获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；

S2：根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；

S3：构建基于步骤S2中选择的插值小波函数的图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；

S4：对步骤S3中的图像多相分割C-V模型的参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

优选地，步骤S1中，对所述二维灰度图像通过下列公式进行保边平滑降噪预处理，

$\left\{\begin{array}{c}\frac{\∂u(x,y,t)}{\∂t}=\mathrm{div}\left(c\right|\▿u|\▿u)\\ u(x,y,0)=f(x,y)\end{array}\right.$

其中，

f(x，y)为二维灰度图像，u(x，y，t)为二维灰度图像的灰度随着时间t能量扩散后的状态，u(x，y，O)为图像的初始状态，div为散度算子，

为图像的梯度，

为扩散系数。

优选地，步骤S2中，通过下式来选择插值小波函数，

其中，fⁿ(x，y)为二维灰度图像的基函数的n阶导数。

优选地，步骤S3包括以下步骤：

S31：构建图像分割C-V模型；

S32：对所述图像分割C-V模型进行变分处理，得到关于水平集函数的偏微分方程；

S33：采用步骤S2选择的插值小波函数来描述水平集函数，并将水平集函数的小波表达式代入步骤S32的偏微分方程中，以构建基于步骤S2中选择插值小波函数的图像多相分割C-V模型；

S34：针对S33中图像多相分割C-V模型构造线性同伦，以增大迭代时间步长的取值范围，避免展开过多的级数项；

S35：求解S34中图像多相分割C-V模型得到t时刻的水平集函数为一空间曲面，使水平集函数取零，以得到零水平集，所述零水平集为目标边界曲线。

优选地，步骤S31中，图像分割C-V模型为：

E(c₁，c₂，φ)＝λ₁∫_Ω|I₀-c₁|²H(φ)dxdy

                   +λ₂∫_Ω|I₀-c₂|²(1-H(φ))dxdy+v∫_Ω|H(φ)|dxdy

其中， $c_i=\frac{{\&Integral;}_{{\mathrm{\&Omega;}}_i}{u}_0(x,y)\mathrm{dxdy}}{\mathrm{Area}\left({\mathrm{\&Omega;}}_i\right)},$ i＝1，2， $H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}1,& \mathrm{\&phi;}(x,y)\&GreaterEqual;0\\ 0,& \mathrm{\&phi;}(x,y)<0\end{array}\right.,$

C＝{(x，y)|(x，y)∈Ω，φ(x，y)＝0}，Ω₁＝{(x，y)|(x，y)∈Ω，φ(x，y)＞0}，Ω₂＝{(x，y)|(x，y)∈Ω，φ(x，y)＜0}，λ₁和λ₂为正常数，Ω₁为边界内区域图像，Ω₂为边界外区域图像，Ω为区域图像，c₁为Ω₁的平均灰度值，c₂为Ω₂的平均灰度值，I₀为二维灰度图像，|C|为边界曲线C的长度，v是对应的权重参数，u₀(x，y)为二维灰度图像，Area(Ω_i)为Ω_i的面积，φ(x，y)为水平集函数。

优选地，步骤S32中，偏微分方程为：

其中，

ε为小参数，

为水平集函数φ的曲率。

优选地，步骤S34中，通过以下步骤来实现求解：

S341：对所述图像多相分割C-V模型中的水平集函数进行预估计算；

S342：对预估计算后的图像多相分割C-V模型进行校正计算。

优选地，步骤S4具体包括以下步骤：

S41：简化步骤S3中的所述图像多相分割C-V模型，得到忽略曲率项的简化模型；

S42：对简化后的所述图像多相分割C-V模型中参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

本发明还公开了一种基于小波变分模型的图像多目标自适应分割系统，所述系统包括：

获取预处理模块，用于获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；

小波函数选取模块，用于根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；

分割模型构建模块，用于构建基于小波函数选取模块中选择的插值小波函数的图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；

精确分割模块，用于对分割模型构建模块中的图像多相分割C-V模型的参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

(三)有益效果

本发明构造了求解图像分割Chan-Vese模型的多尺度小波快速自适应方法，在不大幅增加计算复杂度的情况下，通过对C-V模型中参数自适应优化，实现了基于单水平集函数提取复杂生物图像中的多目标嵌套矢量精确轮廓。

附图说明

图1是按照本发明一种实施方式的基于小波变分模型的图像多目标自适应分割方法的流程图；

图2是按照图1所示的方法获得的蝗虫体腔显微切片的图像分割示意图；

图3是按照图1所示的方法获得的麦田株间杂草的图像分割示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1是按照本发明一种实施方式的基于小波变分模型的图像多目标自适应分割方法的流程图，参照图1，本实施方式的方法包括以下步骤：

S1：获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；优选地，步骤S1中，对所述二维灰度图像通过下列公式进行保边平滑降噪预处理，

$\left\{\begin{array}{c}\frac{\&PartialD;u(x,y,t)}{\&PartialD;t}=\mathrm{div}\left(c\right|\&dtri;u|\&dtri;u)\\ u(x,y,0)=f(x,y)\end{array}\right.$

其中，

f(x，y)为二维灰度图像，u(x，y，t)为二维灰度图像的灰度随着时间t能量扩散后的状态，u(x，y，O)为图像的初始状态，div为散度算子，

为图像的梯度，

为扩散系数。

S2：根据预处理后的二维灰度图像的基函数的光滑性(即目标物之间、目标物与背景之间的差异程度)来选择正交性、紧支撑性、连续性不同的插值小波函数(Harr小波、Faber-Schauder小波、Shannon小波或拟Shannon小波)；

优选地，步骤S2中，通过下式来选择插值小波函数，

其中，fⁿ(x，y)为二维灰度图像的基函数的n阶导数。

S3：构建基于步骤S2中选择的插值小波函数的图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；

优选地，步骤S3包括以下步骤：

S31：构建图像分割C-V模型；针对生物显微切片图像或作物叶部图像等具有易受外界噪声影响，目标物互相嵌套易形成错误边界的特点，而目标物复杂几何特征的计算或三维重建需要提取准确、封闭的边界曲线，选择基于变分的图像分割Chan-Vese(C-V)模型提取图像中的目标物轮廓。

S32：对所述图像分割C-V模型进行变分处理，得到关于水平集函数的偏微分方程；对图像分割C-V模型进行变分处理，使图像中目标物初始边界曲线的位置不敏感，能较好地逼近收缩于轮廓深度凹陷位置。

S33：采用步骤S2选择的插值小波函数来描述水平集函数，并将水平集函数的小波表达式代入步骤S32的偏微分方程中，构建基于步骤S2中选择插值小波函数的图像多相分割C-V模型，；

S34：针对S33中图像多相分割C-V模型构造线性同伦，以增大迭代时间步长的取值范围，避免展开过多的级数项；

S35：求解S34中图像多相分割C-V模型得到t时刻的水平集函数为一空间曲面，使水平集函数取零，以得到零水平集，所述零水平集为目标边界曲线。优选地，步骤S31中，图像分割C-V模型为：

E(c₁，c₂，φ)＝λ₁∫_Ω|I₀-c₁|²H(φ)dxdy

                  +λ₂∫_Ω|I₀-c₂|²(1-H(φ))dxdy+v∫_Ω|H(φ)|dxdy

其中， $c_i=\frac{{\&Integral;}_{{\mathrm{\&Omega;}}_i}{u}_0(x,y)\mathrm{dxdy}}{\mathrm{Area}\left({\mathrm{\&Omega;}}_i\right)},$ i＝1，2， $H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}1,& \mathrm{\&phi;}(x,y)\&GreaterEqual;0\\ 0,& \mathrm{\&phi;}(x,y)<0\end{array}\right.,$

C＝{(x，y)|(x，y)∈Ω，φ(x，y)＝0}，Ω₁＝{(x，y)|(x，y)∈Ω，φ(x，y)＞0}，Ω₂＝{(x，y)|(x，y)∈Ω，φ(x，y)＜0}，λ₁和λ₂为正常数，Ω₁为边界内区域图像，Ω₂为边界外区域图像，Ω为区域图像，c₁为Ω₁的平均灰度值，c₂为Ω₂的平均灰度值，I₀为二维灰度图像，|C|为边界曲线C的长度，v是对应的权重参数，u₀(x，y)为二维灰度图像，Area(Ω_i)为Ω_i的面积，φ(x，y)为水平集函数。

优选地，步骤S32中，偏微分方程为：

其中， 的作用是抑制水平集函数

的过快增长，ε为小参数，可取1，

为水平集函数φ的曲率。求解上述偏微分方程得到t时刻的水平集函数

是一空间曲面，取

得到的等高线称为零水平集，零水平集就是最后得到的目标边界曲线，即特征点的集合。

优选地，步骤S33中，采用步骤S2选择的插值小波函数来描述水平集函数的导数表达式为：

${\mathrm{\&phi;}}^{J(m,n)}(x,y,t)=\underset{k_{01}=0}{\overset{1}{\mathrm{\&Sigma;}}}\underset{k_{02}=0}{\overset{1}{\mathrm{\&Sigma;}}}\mathrm{\&phi;}(x_{k_{01}}^0,y_{k_{02}}^0)w_{k_{01},k_{02}}^{0(m,n)}(x,y)$

$+\underset{j=0}{\overset{J-1}{\mathrm{\&Sigma;}}}\underset{k_{11}=0}{\overset{2^j-1}{\mathrm{\&Sigma;}}}\underset{k_{12}=0}{\overset{2^j-1}{\mathrm{\&Sigma;}}}[{\mathrm{\&alpha;}}_{j,k_{11},k_{12}}^1\left(t\right)w_{2k_{11}+\mathrm{1,2}{k}_{12}}^{j+1(m,n)}(x,y)+{\mathrm{\&alpha;}}_{j,k_{11},k_{12}}^2\left(t\right)w_{2k_{11},2k_{12}+1}^{j+1(m,n)}(x,y)$

$+{\mathrm{\&alpha;}}_{j,k_{11},k_{12}}^3\left(t\right)w_{2k_{11}+\mathrm{1,2}{k}_{12}+1}^{j+1(m,n)}(x,y)]$

其中，

为插值小波函数，

为小波系数，下列公式中φ^J(m，n)(x，y，t)简写为φ^J(x，y，t)或φ^J，J(m，n)为常数，其中J的含义为小波层数，m，n为求导阶数。

与上述水平集函数相应的曲率可近似表达为：

将上述的构建水平集函数的导数表达式和曲率代入上述偏微分方程，得到以下常微分方程(即图像多相分割C-V模型)：

取φ(x，y，t)＝0得到的等高线称为零水平集，零水平集就是最后得到的目标边界曲线，即特征点的集合。

优选地，为了增大时间步长的取值范围，保证数值求解算法的绝对稳定区域，减少迭代计算中的累计误差，所述的步骤S34中应用同伦分析法对图像多相分割C-V模型进行优化计算，优选地，通过预估、校正两个步骤来实现：步骤S34中，通过以下步骤来实现求解：

S341：对所述图像多相分割C-V模型中的水平集函数进行预估计算，预估计算的公式为：

S342：对预估计算后的图像多相分割C-V模型进行校正计算，校正计算为利用预估计算后的水平集函数

计算t_n+1时刻的小波系数

其中，

2j为2的j次方，j为常数。

为插值小波函数，在此以取拟Shannon小波为例来说明本发明，但不限定保护范围，即

$w_{k1,k2}^j(x,y)$

$=\frac{\sin \left[\frac{\mathrm{\&pi;}}{\mathrm{\&Delta;j}1}(x-x_{k1}^j)\right]}{\frac{\mathrm{\&pi;}}{\mathrm{\&Delta;j}1}(x-x_{k1}^j)}\frac{\sin \left[\frac{\mathrm{\&pi;}}{\mathrm{\&Delta;j}2}(y-y_{k2}^j)\right]}{\frac{\mathrm{\&pi;}}{\mathrm{\&Delta;j}2}(y-y_{k2}^j)}\exp (-\frac{1}{2r^2}\frac{{(x-x_{k1}^j)}^2}{{\left(\mathrm{\&Delta;j}1\right)}^2})\exp (-\frac{1}{2r^2}\frac{{(y-y_{k2}^j)}^2}{{\left(\mathrm{\&Delta;j}2\right)}^2})$

其中 $\mathrm{\&Delta;j}1=\frac{x_{\max }-x_{\min }}{2^j},$ $\mathrm{\&Delta;j}2=\frac{y_{\max }-y_{\min }}{2^j},$ r是任意参数。

将t_n+1时刻三个小波系数代入式(6-5)得

进而求得

最后，按以下公式求得校正后的

即

S4：对步骤S3的图像多相分割C-V模型的参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

优选地，步骤S4具体包括以下步骤：

S41：简化步骤S3中的所述图像多相分割C-V模型，得到忽略曲率项的简化模型；由于图像多相分割C-V模型中曲率作用仅是保持边缘的光滑性，在边界曲线演化过程中作用仅为辅助性，可忽略曲率项，所述图像多相分割C-V模型简化为：

S42：对简化后的所述图像多相分割C-V模型中的参数进行自适应优化，以实现图像的精确分割，优化方法如下：

通过设置λ₁和λ₂的比例值k，即控制c₁和c₂的值，可实现精确分割指定目标物。

(1)若c₁＝c₂或I₀＝(c₁+c₂)/2，即k＝1，目标物边界内外图像灰度平均值在分割结束后相等，则由迭代次数决定分割结束。

(2)若k≠1，即带分割目标的灰度值不同于其他目标物，则可通过调整k值实现对被分割目标的主动选择，k值计算公式为：

$k={\left(\frac{c_1}{c_2-c_1}\right)}^2$ 或 $k={\left(\frac{{2c}_2-c_1}{c_2-c_1}\right)}^2.$

本发明将插值小波理论和同伦分析技术相结合，构造了求解图像分割Chan-Vese模型(二维偏微分方程)的多尺度小波快速自适应方法，相对于传统的差分方法，本发明的插值小波方法提高了计算图像函数梯度的精确性，实现了轮廓特征点自适应选取；针对现有的多相分割C-V模型对图像分割易造成目标的多次分割且结果难完全重合，对C-V模型进行参数自适应优化改进，实现了单水平集函数的指定目标物多相图像精确分割。本方法克服了目前基于差分的图像分割模型不具备自适应性的问题，实现了复杂生物图像中多目标嵌套矢量轮廓的精确提取，并可以收敛到深度凹陷位置；具有精度高、自适应性、速度快等特点，为生物组织的病变检测、作物复杂几何特征计算、生物组织三维矢量模型构建、生物拓扑结构分析、形变模型的研究奠定基础。

如图2所示，以被生物农药绿僵菌侵染后的蝗虫体腔显微切片为例，采用本发明的方法进行图像的降噪、分割处理。改进的C-V模型精准地分割出了被侵染蝗虫体腔内的主要组织器官，如中肠、肌肉、背板、足等组织，轮廓可以收敛到深度凹陷部分，提取出的轮廓形成了多个封闭环，封闭环数据以文件形式存储，记录了轮廓特征点的几何特征(坐标、周长、面积、形状因子等)。蝗虫体腔内组织器官轮廓的准确提取为后续基于矢量的体腔三维重建、侵染后组织形变参数的计算等打下良好的基础。

如图3所示，以麦田株间杂草为例，采用本发明方法可以精确地提取出杂草的矢量轮廓，轮廓可以收敛到深度凹陷部分，提取的轮廓数据可以进一步进行杂草几何形态特征计算。

本发明还公开了一种基于小波变分模型的生物图像多目标自适应分割系统，所述系统包括：

获取预处理模块，用于获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；

小波函数选取模块，用于根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；

分割模型构建模块，用于构建基于小波函数选取模块中选择的插值小波函数的图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；

精确分割模块，用于对分割模型构建模块中的图像多相分割C-V模型的参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (9)

1.一种基于小波变分模型的图像多目标自适应分割方法，其特征在于，所述方法包括以下步骤：

S1：获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；

S2：根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；

S3：构建基于步骤S2中选择的插值小波函数的图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；

S4：对步骤S3中的图像多相分割C-V模型的参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

2.如权利要求1所述的方法，其特征在于，步骤S1中，对所述二维灰度图像通过下列公式进行保边平滑降噪预处理，

$\left\{\begin{array}{c}\frac{\&PartialD;u(x,y,t)}{\&PartialD;t}=\mathrm{div}\left(c\right|\&dtri;u|\&dtri;u)\\ u(x,y,0)=f(x,y)\end{array}\right.$

其中，f(x，y)为二维灰度图像，u(x，y，t)为二维灰度图像的灰度随着时间t能量扩散后的状态，u(x，y，O)为图像的初始状态，div为散度算子，为图像的梯度，为扩散系数。

3.如权利要求1所述的方法，其特征在于，步骤S2中，通过下式来选择插值小波函数，

其中，fⁿ(x，y)为二维灰度图像的基函数的n阶导数。

4.如权利要求1所述的方法，其特征在于，步骤S3包括以下步骤：

S31：构建图像分割C-V模型；

S32：对所述图像分割C-V模型进行变分处理，得到关于水平集函数的偏微分方程；

S33：采用步骤S2选择的插值小波函数来描述水平集函数，并将水平集函数的小波表达式代入步骤S32的偏微分方程中，以构建基于步骤S2中选择插值小波函数的图像多相分割C-V模型；

S34：针对S33中图像多相分割C-V模型构造线性同伦，以增大迭代时间步长的取值范围，避免展开过多的级数项；

S35：求解S34中图像多相分割C-V模型得到t时刻的水平集函数为一空间曲面，使水平集函数取零，以得到零水平集，所述零水平集为目标边界曲线。

5.如权利要求4所述的方法，其特征在于，步骤S31中，图像分割C-V模型为：

E(c₁，c₂，φ)＝λ₁∫_Ω|I₀-c₁|²H(φ)dxdy

                 +λ₂∫_Ω|I₀-c₂|²(1-H(φ))dxdy+v∫_Ω|H(φ)|dxdy

其中， $c_i=\frac{{\&Integral;}_{{\mathrm{\&Omega;}}_i}{u}_0(x,y)\mathrm{dxdy}}{\mathrm{Area}\left({\mathrm{\&Omega;}}_i\right)},$ i＝1，2， $H\left(\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}1,& \mathrm{\&phi;}(x,y)\&GreaterEqual;0\\ 0,& \mathrm{\&phi;}(x,y)<0\end{array}\right.,$

C＝{(x，y)|(x，y)∈Ω，φ(x，y)＝0}，Ω₁＝{(x，y)|(x，y)∈Ω，φ(x，y)＞0}，Ω₂＝{(x，y)|(x，y)∈Ω，φ(x，y)＜0}，λ₁和λ₂为正常数，Ω₁为边界内区域图像，Ω₂为边界外区域图像，Ω为区域图像，c₁为Ω₁的平均灰度值，c₂为Ω₂的平均灰度值，I₀为二维灰度图像，|C|为边界曲线C的长度，v是对应的权重参数，u₀(x，y)为二维灰度图像，Area(Ω_i)为Ω_i的面积，φ(x，y)为水平集函数。

6.如权利要求5所述的方法，其特征在于，步骤S32中，偏微分方程为：

其中，

ε为小参数，

为水平集函数φ的曲率。

7.如权利要求4所述的方法，其特征在于，步骤S34中，通过以下步骤来实现求解：

S341：对所述图像多相分割C-V模型中的水平集函数进行预估计算；

S342：对预估计算后的图像多相分割C-V模型进行校正计算。

8.如权利要求1所述的方法，其特征在于，步骤S4具体包括以下步骤：

S41：简化步骤S3中的所述图像多相分割C-V模型，得到忽略曲率项的简化模型；

S42：对简化后的所述图像多相分割C-V模型中参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

9.一种基于小波变分模型的图像多目标自适应分割系统，其特征在于，所述系统包括：

获取预处理模块，用于获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；

小波函数选取模块，用于根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；

分割模型构建模块，用于构建基于小波函数选取模块中选择的插值小波函数的图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；

精确分割模块，用于对分割模型构建模块中的图像多相分割C-V模型的参数进行自适应优化，以实现基于单水平集函数对生物图像中指定目标物进行矢量轮廓提取。

Images