CN103413299A - 一种用于图像分割的主动轮廓模型 - Google Patents

Abstract

本发明公开了一种新的用于图像分割的主动轮廓模型。提出一个新的基于图像边界信息的静态外部力场，称为自适应的各向异性的广义梯度矢量流外部力场。此外部力场根据图像的局部特征自适应调节外部力迭代方程中发散项与数据项的权重系数，并同时自适应调节沿等照度线法线和切线方向发散的权重系数。因此本发明主动轮廓模型在进行图像分割时具有很好的噪声鲁棒性、很高的外部力场发散效率以及噪声环境下卓越的边界保护和长窄凹陷收敛性能，并同时保留传统主动轮廓模型所具有的捕获范围大以及初始化灵活性等优点。

Description

一种用于图像分割的主动轮廓模型

技术领域

本发明涉及计算机视觉和图像处理领域，特别涉及一种用于图像分割的主动轮廓模型。

背景技术

图像分割是指将一幅图像分为若干个互不重叠的区域的过程。分割出的每个区域都是平滑的，且任意两个相邻区域的合并都是不平滑的。图像分割的目的是将图像简化为一些区域使之变得更有意义且更易分析。在大多数图像分析的应用中，图像分割是一项关键任务。为分析图像数据，第一个步骤即为图像分割，提取出感兴趣的图像数据。图像分割主要应用在医学图像分析、人脸识别、计算机视觉、遥感图像分析、自动交通控制系统、工业检测系统、监视系统以及军事跟踪系统等领域。

自从1988年主动轮廓模型由Kass等人提出以来，主动轮廓模型在计算机视觉和图像处理领域已经成为最活跃以及最成功的研究与应用技术之一。由于主动轮廓模型的高效性，主动轮廓模型具有广泛的应用，例如，图像分割、目标跟踪以及图像配准等。主动轮廓模型是一个定义在图像区域内的弹性曲线，通过最小化一个与其相关联的能量函数，使其往感兴趣特征（例如图像边界）演化。典型的能量函数包括一个内部能量项和一个外部能量项，内部能量项由曲线自身的几何特性决定，用于约束曲线自身的平滑度和紧固度；外部能量项来自于图像数据，驱使可变形曲线往感兴趣特征演化。求解主动轮廓能量最小化的问题可以转化为求解一个力平衡方程。在力平衡方程中，当曲线自身的内部力等于由外部能量产生的外部力时，对应的可变形曲线即为能量最小化问题的解。

发明内容

本发明的目的在于解决现有主动轮廓在噪声鲁棒性、边界保护以及长窄凹陷收敛等典型问题上的不足，提供一种新的用于图像分割的主动轮廓模型。

本发明的技术方案是：

1）首先提出一个新的基于图像边界信息的静态外部力场，称为自适应的各向异性的广义梯度矢量流外部力场。

2）将传统主动轮廓模型动态演化方程中的标准外部力替换为1）中基于图像边界信息的静态外部力场，得到本发明提出的自适应的各向异性的广义梯度矢量流主动轮廓模型。

本发明的有益效果：

本发明主动轮廓模型在进行图像分割时具有很好的噪声鲁棒性、很高的外部力场发散效率以及噪声环境下卓越的边界保护和长窄凹陷收敛性能，并同时保留传统主动轮廓模型所具有的捕获范围大以及初始化灵活性等优点。

附图说明

图1显示本发明主动轮廓对噪声的鲁棒性。图中虚线和实线分别表示初始曲线和收敛结果。图1(a)显示一个受脉冲噪声干扰的U型曲线，图1(b)显示本发明主动轮廓对U形目标边界的收敛结果。

图2显示本发明主动轮廓在噪声环境下对弱边缘的保护性能。图2(a)显示原始160×160像素的带噪线图，图2(b)显示本发明主动轮廓对弱边界正方形的收敛结果。

图3显示本发明主动轮廓在噪声环境下对长窄凹陷的收敛性能。图3(a)显示本发明对一个长窄凹陷的收敛结果；图3(b)显示在高斯白噪声干扰的情况下本发明对图3(a)中长窄凹陷的收敛结果。

图4显示本发明主动轮廓对真实摄影图像的分割性能。

具体实施方式

本发明公开一种新的用于图像分割的主动轮廓模型，称为自适应的各向异性的广义梯度矢量流主动轮廓模型。本发明模型在进行图像分割时具有很好的噪声鲁棒性、很高的外部力场发散效率以及噪声环境下卓越的边界保护和长窄凹陷收敛性能。

本发明的技术方案是：

1）首先提出一个新的基于图像边界信息的静态外部力场，称为自适应的各向异性的广义梯度矢量流外部力场。

该外部力场具有如下两个特征：

特征一：根据图像的局部特征自适应调节外部力迭代方程中发散项与数据项的权重系数。

特征二：根据图像的局部特征自适应调节沿等照度线法线和切线方向发散的权重系数。

该外部力场的迭代公式为：

$u_t=g\left(\right|\▿f\left|\right)[g^{*}\left(\right|\▿f\left|\right)u_{\mathrm{NN}}+h^{*}\left(\right|\▿f\left|\right)u_{\mathrm{TT}}]-h\left(\right|\▿f\left|\right)(u-f_x)$

$u_t=g\left(\right|\▿f\left|\right)[g^{*}\left(\right|\▿f\left|\right)u_{\mathrm{NN}}+h^{*}\left(\right|\▿f\left|\right)u_{\mathrm{TT}}]-h\left(\right|\▿f\left|\right)(u-f_y)$

其中 $g\left(\right|\▿f\left|\right)=\exp (-|\▿f|/k)$ 为发散项系数； $g\left(\right|\▿f\left|\right)=1-\exp (-|\▿f|/k)$ 为数据项系数；k是迭代方程中发散项和数据项之间的权衡系数，其值由图像中需要抑制的噪声强度决定。噪声越强，意味着需要越强的发散项，需要选取越大的k。g^*(·)和h^*(·)分别为沿等照度线法线和切线方向发散算子的自适应加权系数，其中 $g^{*}\left(\right|\▿f\left|\right)=\exp (-|\▿f|/k^{*}),$ $g^{*}\left(\right|\▿f\left|\right)=1-\exp (-|\▿f|/k^{*});$ k^*是沿法线和切线方向发散算子之间的权衡系数，该值的选取主要由图像中需要保护的边界强度决定。需要保护的边界越弱，需要选取越小的k^*。

2）将传统主动轮廓模型动态演化方程 $c_t(s,t)={\mathrm{\αc}}^{\′\′}(s,t)-{\mathrm{\βc}}^{\′\′\′\′}(s,t)-{\▿E}_{\mathrm{ext}}\left(c(s,t)\right)$ 中的标准外部力

替换为1）中基于图像边界信息的静态外部力场，得到本发明提出的自适应的各向异性的广义梯度矢量流主动轮廓模型。

该模型的演化方程为：

c_t(s,t)=αc′′(s,t)-βc′′′′(s,t)+v_aaggvf(c(s,t))

其中c(s,t)为动态主动轮廓曲线；c_t(s,t)为c(s,t)关于时间t的偏导数。α和β分别为控制动态主动轮廓曲线弹性和刚性的权重系数。c′′(s,t)和c′′′′(s,t)分别是动态轮廓曲线c(s,t)关于s的二阶和四阶导数。等式右边的前两项表示动态轮廓曲线的内部力。v_aaggvf(c(s,t))为1）中提出的自适应的各向异性的广义梯度矢量流外部力场。

本发明主动轮廓模型的图像分割效果如附图1、附图2、附图3和附图4所示。从图1可以看出本发明主动轮廓模型对噪声的鲁棒性；从图2和图3可以分别看出本发明模型在噪声环境下对弱边缘的保护性能和对长窄凹陷的收敛性能。

图1显示本发明主动轮廓对噪声的鲁棒性。主动轮廓的初始曲线和最终收敛结果分别表示为虚线和实线。图1(a)显示一个受脉冲噪声干扰的U型曲线，图像大小为64×64像素。图1(b)显示本发明主动轮廓对U形目标边界的收敛结果。可以看到，主动轮廓很好地收敛于目标边界，显示了卓越的噪声鲁棒性。

图2显示本发明主动轮廓在噪声环境下对弱边缘的保护性能。图2(a)显示原始160×160像素的带噪线图，图中一个强边界的正方形内包含一个弱边界的正方形。图中主动轮廓模型的目标是从弱边界正方形内的初始曲线（表示为虚线）开始演化，最终正确收敛于弱边界正方形。在轮廓的演化过程中，可变形曲线需要克服噪声的干扰并避免强边界正方形对其的影响。图2(b)显示本发明主动轮廓对弱边界正方形的收敛结果（表示为实线）。

图3显示本发明主动轮廓在噪声环境下对长窄凹陷的收敛性能。图3(a)显示本发明对一个长窄凹陷的收敛结果；图3(b)显示在高斯白噪声干扰的情况下本发明对图3(a)中长窄凹陷的收敛结果。

图4显示本发明主动轮廓对真实摄影图像的分割性能。图中左边一行为原始图像，右边一行为分割结果；其中虚线表示初始曲线，实线表示收敛结果。

Claims (5)

1.一种用于图像分割的主动轮廓模型，其技术方案是：

1）首先提出一个新的基于图像边界信息的静态外部力场，称为自适应的各向异性的广义梯度矢量流外部力场。

2）将传统主动轮廓模型动态演化方程中的标准外部力替换为1）中基于图像边界信息的静态外部力场，得到本发明提出的自适应的各向异性的广义梯度矢量流主动轮廓模型。

2.根据权利要求1所述的用于图像分割的主动轮廓模型，技术方案1）中所述的外部力场具有如下两个特征：

特征一：根据图像的局部特征自适应调节外部力迭代方程中发散项与数据项的权重系数。

特征二：根据图像的局部特征自适应调节沿等照度线法线和切线方向发散的权重系数。

3.根据权利要求1或2所述的用于图像分割的主动轮廓模型，技术方案1）中所述的外部力场的迭代公式为：

$u_t=g\left(\right|\▿f\left|\right)[g^{*}\left(\right|\▿f\left|\right)u_{\mathrm{NN}}+h^{*}\left(\right|\▿f\left|\right)u_{\mathrm{TT}}]-h\left(\right|\▿f\left|\right)(u-f_x)$

$u_t=g\left(\right|\▿f\left|\right)[g^{*}\left(\right|\▿f\left|\right)u_{\mathrm{NN}}+h^{*}\left(\right|\▿f\left|\right)u_{\mathrm{TT}}]-h\left(\right|\▿f\left|\right)(u-f_y)$

其中 $g\left(\right|\▿f\left|\right)=\exp (-|\▿f|/k)$ 为发散项系数； $g\left(\right|\▿f\left|\right)=1-\exp (-|\▿f|/k)$ 为数据项系数；k是迭代方程中发散项和数据项之间的权衡系数，其值由图像中需要抑制的噪声强度决定；g^*(·)和h^*(·)分别为沿等照度线法线和切线方向发散算子的自适应加权系数，其中 $g^{*}\left(\right|\▿f\left|\right)=\exp (-|\▿f|/k^{*}),$ $g^{*}\left(\right|\▿f\left|\right)=1-\exp (-|\▿f|/k^{*});$ k^*是沿法线和切线方向发散算子之间的权衡系数，该值的选取主要由图像中需要保护的边界强度决定。

4.根据权利要求1所述的用于图像分割的主动轮廓模型，在技术方案2）中，将传统主动轮廓模型动态演化方程

$c_t(s,t)={\mathrm{\αc}}^{\′\′}(s,t)-{\mathrm{\βc}}^{\′\′\′\′}(s,t)-{\▿E}_{\mathrm{ext}}\left(c(s,t)\right)$ 中的标准外部力替换为技术方案1）中基于图像边界信息的静态外部力场，得到本发明提出的自适应的各向异性的广义梯度矢量流主动轮廓模型。

5.根据权利要求1或4所述的用于图像分割的主动轮廓模型，技术方案2）中所述的本发明模型的演化方程为：

c_t(s,t)=αc′′(s,t)-βc′′′′(s,t)+v_aaggvf(c(s,t))

其中c(s,t)为动态主动轮廓曲线；c_t(s,t)为c(s,t)关于时间t的偏导数；α和β分别为控制动态主动轮廓曲线弹性和刚性的权重系数；c′′(s,t)和c′′′′(s,t)分别是动态轮廓曲线c(s,t)关于s的二阶和四阶导数；等式右边的前两项表示动态轮廓曲线的内部力；v_aaggvf(c(s,t))为技术方案1）中提出的自适应的各向异性的广义梯度矢量流外部力场。

Images