CN103208113B - 基于非下采样轮廓波和多相cv模型的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于非下采样轮廓波变换的活动轮廓模型图像分割方法。首先，通过非下采样轮廓波变换进行待分割图像的多分辨率表示；其次，建立多分辨率系数的概率模型；最后，利用基于区域的活动轮廓模型进行多分辨率系数的整合操作以达到图像分割的目的。实验结果表明，本发明的方法可以很好地进行图像的分割操作，既可以保证分割图像的全局性，又可以分割出图像的细节信息。

Description

基于非下采样轮廓波和多相CV模型的图像分割方法

技术领域

本发明涉及图像处理领域，尤其是一种既可以保证分割图像的全局性，又可以分割出图像的细节信息的基于非下采样轮廓波（Nonsubsampledcontourlettransform，NSCT）的活动轮廓模型图像分割的方法。

背景技术

图像分割是计算机视觉的基础，通过分割技术可使更高层的图像分析和理解成为可能。图像分割技术有着非常广泛的应用范围，如遥感卫星图像处理、交通监控以及军事、农业等方面。在过去的二十年里，多分辨率分析方法和变分方法是比较流行的图像分割方法。多分辨率分析的图像分割技术首先对输入的图像进行变换（具体的变换包括如小波变换，轮廓波变换和NSCT等）；接下来对变换后的系数按照某种规则进行统计分析；最后进行反变换即可。小波变换和轮廓波变换都是图像多分辨率表示的典型代表，均可在边缘等细节信息上获得较为理想的图像分割效果。然而，由于变换中存在下采样过程，两种变换在某些图像分析方面效果不是很理想，如矢量活动轮廓模型等。NSCT建立在迭代非下采样滤波器基础上以获得多分辨率表示，具有更广的应用面。

变分技术是一种直接提取图像某些统计特征的方法，Chan-Vese(CV)模型是一个基于区域分割的活动轮廓模型的变分算法。CV分割特征不是提取所有细节信息，而是通过最小化某个能量函数来获取图像轮廓的同时舍掉与分割区域无关的信息部分。CV模型可以应用于标量模型或矢量模型，其中，矢量CV模型可以应用在大多数情况下，如遥感图像或彩色图像等。然而，由于仅采用图像的空间特征，CV模型还包含许多不相关的信息从而导致较高的计算复杂度。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种既可以保证分割图像的全局性，又可以分割出图像的细节信息的基于非下采样轮廓波的活动轮廓模型图像分割的方法。

本发明的技术解决方案是：一种基于非下采样轮廓波变换的活动轮廓模型图像分割方法，其特征在于按如下步骤进行：

约定：I指待分割图像；R代表图像I的整个区域，且简单的图像分割满足R=R ₁ ∪R ₂ ；NSCT变换的分解层数为n；NSCT变换系数的高斯混合模型中的待估计参数；m=1,2是系数的大小两种状态；为混合模型的先验概率且满足；和分别为两种状态训练过程中的均值和方差；c为活动轮廓模型演化曲线；和为正的加权系数；为分段常值函数：

，

其中和表示与轮廓曲线c有关的常数值，一般取轮廓曲线内、外部的平均灰度值；

a.初始设置

获取待分割图像并对变量进行初始化设置；

b.进行图像I的n层NSCT变换；

c.对于变换后的每层i(i=1,2,…n)，作如下操作：

c.1利用和，计算第i层中每个系数的高斯概率密度函数；

c.2通过EM算法对上述模型的参数进行训练，然后将每个系数分类成大或小两种状态；

c.3设置大状态和小状态系数分别为1和0；

d.通过逆NSCT变换得到待分割图像的多分辨率表示I={I ₁ ,I ₂ …,I _i ,…,I _n };

e.在待分割图像上初始化一条演化曲线c；

f.利用步骤d所产生的图像I的多分辨表示，代入下列能量函数：

；

g.反复演化活动轮廓曲线c直到能量函数打到最小值为止；

h.输出最终的图像分割结果。

本发明首先通过非下采样轮廓波变换进行待分割图像的多分辨率表示；其次建立多分辨率系数的概率模型；最后利用基于区域的活动轮廓模型进行多分辨率系数的整合操作以达到图像分割的目的。实验结果表明，本发明的方法可以很好地进行图像的分割操作，既可以保证分割图像的全局性，又可以分割出图像的细节信息。

本发明结合了多分辨率分析方法和活动轮廓模型。多分辨率分析保留了图像的细节信息，活动轮廓模型从整体上对图像的分割过程进行了掌控。与现有技术相比，本发明具有以下优点：第一，完整性，通过NSCT可以考虑图像的细节信息，并结合CV模型的图像区域全局信息作为模型的能量函数，可以获得图像的总体信息，既能考虑到图像的细节信息，又能考虑到图像的总体信息，将图像中感兴趣区域或目标分割出来；第二，自动性，利用NSCT可得到与图像有关的大量相关性信息，然后利用矢量化活动轮廓技术做进一步的分割处理，整个流程不需要人工干预，在很短的时间内用户便可得到想要的分割结果；第三，鲁棒性，分割技术受噪声影响较小，这是由于在分割前利用NSCT技术进行处理操作的同时，CV模型又融入了大量待分割目标的附加约束信息，提高了分割精度，能得到鲁棒性较强的分割结果。本发明实用性好，能进行较复杂图像的精确分割，可以进一步满足计算机视觉、图像理解等实用领域的需求。

附图说明

图1为本发明实施例NSCT过程图。

图2为测试图片NSCT的统计直方图和高斯混合模型图。

图3为待分割图像的多分辨率表示示意图。

图4为本发明实施例模型的曲线演化过程示意图。

图5为本发明实施例使用不同n值对应的图像分割结果图。

图6为本发明实施例使用不同滤波器对应的图像分割结果图。

图7为本发明实施例模型与其它模型的性能比较示意图。

具体实施方式

本发明实施例包括如下步骤：

约定：I指待分割图像；R代表图像I的整个区域，且简单的图像分割满足R=R ₁ ∪R ₂ ；NSCT变换的分解层数为n；NSCT变换系数的高斯混合模型中的待估计参数；m=1,2是系数的大小两种状态；为混合模型的先验概率且满足；和分别为两种状态训练过程中的均值和方差；c为活动轮廓模型演化曲线；和为正的加权系数；为分段常值函数：

，

其中和表示与轮廓曲线c有关的常数值，一般取轮廓曲线内、外部的平均灰度值；

如图1所示：

a.初始设置

获取待分割图像并对变量进行初始化设置；

b.进行图像I的n层NSCT变换；

c.对于变换后的每层i(i=1,2,…n)，作如下操作：

c.1利用和，计算第i层中每个系数的高斯概率密度函数；

c.2通过EM算法对上述模型的参数进行训练，然后将每个系数分类成大或小两种状态；

c.3设置大状态和小状态系数分别为1和0；

d.通过逆NSCT变换得到待分割图像的多分辨率表示I={I ₁ ,I ₂ …,I _i ,…,I _n };

e.在待分割图像上初始化一条演化曲线c；

f.利用步骤d所产生的图像I的多分辨表示，代入下列能量函数：

；

g.反复演化活动轮廓曲线c直到能量函数打到最小值为止；

h.输出最终的图像分割结果。

本发明实施例测试图片NSCT的统计直方图和高斯混合模型如图2所示，其中（a）是对遥感图像（左）、纹理图像（中）和自然图像（右）的测试图像；（b）是对遥感图像（左）、纹理图像（中）和自然图像（右）的NSCT系统统计直方图；（c）是对遥感图像（左）、纹理图像（中）和自然图像（右）的NSCT系统高斯混合模型。

本发明实施例的待分割图像的多分辨率表示如图3所示，其中（a）是原图像；（b）I₁（方向子带：4）；（c）I₂（方向子带：4,4）；（d）I₃（方向子带：4,4,8）。

本发明实施例模型的曲线演化过程如图4所示，其中（a）初始化；（b）迭代200次；（c）迭代400次；（d）迭代600次；（e）迭代800次。

本发明实施例使用不同n值对应的图像分割结果如图5所示，其中（a）是原图像；（b）n=0；（c）n=1（方向子带：4）；（d）n=2（方向子带：4,4）；（e）n=3（方向子带：4,4,8）；（f）n=4（方向子带：4,4,8,8）。

本发明实施例使用不同滤波器对应的图像分割结果如图6所示，其中（a）是原图像；（b）是Maxflat/Dmaxflat滤波器；（c）9-7/Pkva滤波器；（d）Pyr/Harr滤波器。

本发明实施例模型与其它模型的性能比较如图7所示，其中（a）列是原图像；（b）列是基于NSCT的HMT模型；（c）列是基于离散小波的CV模型；（d）列是本发明提出的模型。

Claims (1)

1.一种基于非下采样轮廓波变换的活动轮廓模型图像分割方法，其特征在于按如下步骤进行：

约定：I指待分割图像；R代表图像I的整个区域，且简单的图像分割满足R=R ₁ ∪R ₂ ；NSCT变换的分解层数为n；NSCT变换系数的高斯混合模型中的待估计参数；m=1,2是系数的大小两种状态；为混合模型的先验概率且满足；和分别为两种状态训练过程中的均值和方差；c为活动轮廓模型演化曲线；和为正的加权系数；为分段常值函数：

，

其中和表示与轮廓曲线c有关的常数值，一般取轮廓曲线内、外部的平均灰度值；

a.初始设置

获取待分割图像并对变量进行初始化设置；

b.进行图像I的n层NSCT变换；

c.对于变换后的每层i(i=1,2,…n)，作如下操作：

c.1利用和，计算第i层中每个系数的高斯概率密度函数；

c.2通过EM算法对上述模型的参数进行训练，然后将每个系数分类成大或小两种状态；

c.3设置大状态和小状态系数分别为1和0；

d.通过逆NSCT变换得到待分割图像的多分辨率表示I={I ₁ ,I ₂ …,I _i ,…,I _n };

e.在待分割图像上初始化一条演化曲线c；

f.利用步骤d所产生的图像I的多分辨表示，代入下列能量函数：

；

g.反复演化活动轮廓曲线c直到能量函数达到最小值为止；

h.输出最终的图像分割结果。