CN103544698A - 基于模糊能量主动轮廓模型的高光谱图像分割方法 - Google Patents

Abstract

本发明公开了一种基于模糊能量主动轮廓模型的高光谱图像分割方法，该方法适用于高光谱图像的多目标快速轮廓提取。通过定义初始轮廓将待分割图像划分为具有不同隶属度值的两部分，根据两部分的平均强度重新计算每个像素点的隶属度，如果图像的能量变小，则更新该像素点的隶属度，否则维持初始隶属度不变，直到图像总能量达到最小完成分割。本发明基于模糊能量主动轮廓模型的高光谱图像分割方法的应用是农产品的产地与纯度快速无损检测。本发明在对玉米种子高光谱图像中的多个玉米种子目标轮廓精确提取的基础上，实现了玉米种子产地与纯度的无损检测，具有简单快速、准确度高和可靠性好的优点。

Description

基于模糊能量主动轮廓模型的高光谱图像分割方法

技术领域

本发明涉及高光谱图像处理和农产品无损检测技术领域，尤其涉及一种基于模糊能量主动轮廓模型的高光谱图像分割方法及其在农产品产地与纯度无损检测中的应用。

背景技术

高光谱图像技术融合了光谱技术和图像技术的优势，在一幅高光谱图像中可以同时包含待测对象的光谱信息和图像信息，能够反映待测对象的外部特征和内部物理结构及化学成分特征，在信息丰富程度上与单纯的光谱技术或图像技术相比，具有不可比拟的优势，已经被广泛应用到遥感、农业、医学、石油、地质等军用和民用领域。

与传统的数字图像不同，高光谱图像通常是包含了数百个光谱波段的三维数据块，数据量大，这给高光谱图像的后期处理带来了一定的困难。高光谱图像分割的目的是将图像中的感兴趣区域从图像背景中分离出来，它直接关系到感兴趣特征提取的充分性和准确性，在高光谱图像分析中是至关重要的一步。传统的分割方法比如阈值分割，无法对信噪比较低的波段图像实现目标区域的精确提取；主动轮廓模型具有较好的抗噪性能，但分割结果对初始轮廓的设定异常敏感，且分割过程需要迭代求解欧拉-拉格朗日方程，计算量大，分割时间长。在农产品无损检测工业应用等应用领域中，通常需要实现在线、实时检测。因此，寻找一种快速、准确的高光谱图像分割方法是亟待解决的问题。

发明内容

本发明的目的在于，针对上述方法中存在的不足，提出了一种基于模糊能量主动轮廓模型的高光谱图像分割方法，克服了传统主动轮廓模型中对初始轮廓敏感及计算量大的问题，实现了高光谱图像的快速、准确分割。

本发明的另一个目的在于，提供了一种基于模糊能量主动轮廓模型的高光谱图像分割方法在农产品无损检测中的应用。在利用基于模糊能量主动轮廓模型的高光谱图像分割方法，对玉米种子高光谱图像实现快速分割的基础上，通过建模分析，实现了玉米种子产地与纯度的快速、无损、高精度检测。

为了实现上述目的，本发明的技术方案，基于模糊能量主动轮廓模型的高光谱图像分割方法，具体分割步骤包括：a、在待分割高光谱图像上设定初始轮廓，定义轮廓内部和外部区域的初始隶属度值；b、计算轮廓内部和外部区域的平均强度；c、重新计算所有像素点的隶属度值，并计算隶属度变化前后的能量差，如果能量差小于零，则更新该像素点的隶属度；d、重复步骤b到步骤d，直到图像总能量最小。

进一步的，所述基于模糊能量的主动轮廓模型分割方法，具体描述，包括：

首先定义待分割图像的模糊能量泛函为：

$F(C,c_1,c_2,u)={\mathrm{\λ}}_1{\∫}_{\mathrm{\Ω}}{\left[u(x,y)\right]}^m{|I(x,y)-c_1|}^2\mathrm{dxdy}+{\mathrm{\λ}}_2{\∫}_{\mathrm{\Ω}}{[1-u(x,y)]}^m{|I(x,y)-c_2|}^2\mathrm{dxdy}$

其中，C为在图像上任意设定的初始轮廓线，轮廓线C将图像域Ω分割为两部分：轮廓线内部I^l和外部I^o，c₁和c₂分别为I^l和I^o区域的平均强度，u(x，y)∈[0，1]为像素点I(x，y)对I^l和I^o的隶属度函数，m为模糊权重因子，λ₁、λ₂为正的固定参数。

图像分割过程中，通过每个像素点隶属度值u(x，y)的更新，轮廓线C及模型能量F(C，c₁，c₂，u)也跟随变化，直到轮廓线C到达目标边界，能量F(C，c₁，c₂，u)最小时停止。即目标区域边界C_boundary为该图像分割问题的解：

$F(C_{\mathrm{boundary}},c_1,c_2,u)=\underset{C}{\inf }F(C,c_1,c_2,u)$

对I^l和I^o区域的隶属度函数u(x，y)有如下界定：

$\left\{\begin{array}{c}C=\{(x,y)\&Element;I:u(x,y)=0.5\}\\ \mathrm{inside}\left(C\right)=\{(x,y)\&Element;I:u(x,y)>0.5\}\\ \mathrm{outside}\left(C\right)=\{(x,y)\&Element;I:u(x,y)<0.5\}\end{array}\right.$

即轮廓线内部隶属度全部大于0.5，轮廓线外部全部小于0.5。

保持参数u不变，通过最小化能量方程F(C，c₁，c₂，u)，获得c₁和c₂分别为：

$c_1=\frac{{\&Integral;}_{\mathrm{\&Omega;}}{\left[u(x,y)\right]}^{m}I(x,y)\mathrm{dxdy}}{{\&Integral;}_{\mathrm{\&Omega;}}{\left[u(x,y)\right]}^m\mathrm{dxdy}},c_2=\frac{{\&Integral;}_{\mathrm{\&Omega;}}{[1-u(x,y)]}^{m}I(x,y)\mathrm{dxdy}}{{\&Integral;}_{\mathrm{\&Omega;}}{[1-u(x,y)]}^m\mathrm{dxdy}}$

同样，保持参数c₁和c₂不变，通过最小化能量方程F(C，c₁，c₂，u)，获得u：

$u(x,y)={(1+{\left(\frac{{\mathrm{\&lambda;}}_1{(I(x,y)-c_1)}^2}{{\mathrm{\&lambda;}}_2{(I(x,y)-c_2)}^2}\right)}^{\frac{1}{m-1}})}^{-1}$

结合上述对基于模糊能量的主动轮廓模型分割方法的描述，利用基于模糊能量的主动轮廓模型对高光谱图像进行分割的步骤，包括：(a)在待分割高光谱图像上定义初始轮廓线C₀(x，y)，将图像划分为轮廓线内外部两个区域；(b)分别计算两个区域的c₁和c₂；(c)假定当前像素点灰度值为I₀，对应隶属度为u₀，根据c₁和c₂计算该点新的隶属度值u_n，并计算前后的能量差ΔF；如果ΔF<0，则将该点的隶属度更新为u_n，否则，保持u₀不变；(d)对所有像素点重复步骤(c)，并计算图像总能量F；(e)重复步骤(b)-(d)，直到总能量F不再变化。上述操作的结果是，待分割高光谱图像目标区域全部位于轮廓线内部，图像背景全部在轮廓线外部。

上述基于模糊能量主动轮廓模型的高光谱图像分割方法中，能量差ΔF的算式为

$\mathrm{\&Delta;F}={\mathrm{\&lambda;}}_1{s}_1\frac{[{u_n}^m-{u_0}^m]{(I_0-c_1)}^2}{s_1+{u_n}^m-{u_0}^m}+{\mathrm{\&lambda;}}_2{s}_2\frac{[{(1-u_n)}^m-{(1-u_0)}^m]{(I_0-c_2)}^2}{s_2+{(1-u_n)}^m-{(1-u_0)}^m}$

其中，s₁=∑_i,j[u(i，j)]^m，s₂=∑_i,j[1-u(i，j)]^m。

应用基于模糊能量主动轮廓模型的高光谱图像分割方法，对玉米种子的产地与纯度进行无损检测的步骤，包括：采集待测玉米种子的高光谱图像并进行校正，利用基于模糊能量的主动轮廓模型对校正图像进行分割，将在分割出的玉米种子目标区域中提取的特征参数输入到检测模型中，通过与模型中各产地类别玉米种子特征参数的判别分析，获得待测样本的产地检测结果，及各产地属性下不同类别玉米种子的纯度信息。

附图说明

图1为本发明提供的高光谱图像分割方法流程图；

图2A-2D为本发明提供的高光谱图像分割方法对同一幅玉米种子高光谱图像在不同初始轮廓下的分割结果；

图3为本发明中对玉米种子产地与纯度检测的实施流程图。

具体实施方式

下面结合附图和优选实施例对本发明做进一步的阐述。

图1为本发明基于模糊能量主动轮廓模型的高光谱图像分割方法流程图，如图1所示，实施步骤包括：a、在待分割高光谱图像上设定初始轮廓，定义轮廓内部和外部区域的初始隶属度值；b、计算轮廓内部和外部区域的平均强度；c、重新计算所有像素点的隶属度值，并计算隶属度变化前后的能量差，如果能量差小于零，则更新该像素点的隶属度；d、重复步骤b到步骤d，直到图像总能量最小。

所述基于模糊能量的主动轮廓模型分割方法，具体描述，包括：

首先定义待分割图像的模糊能量泛函为：

$F(C,c_1,c_2,u)={\mathrm{\&lambda;}}_1{\&Integral;}_{\mathrm{\&Omega;}}{\left[u(x,y)\right]}^m{|I(x,y)-c_1|}^2\mathrm{dxdy}+{\mathrm{\&lambda;}}_2{\&Integral;}_{\mathrm{\&Omega;}}{[1-u(x,y)]}^m{|I(x,y)-c_2|}^2\mathrm{dxdy}$

其中，C为在图像上任意设定的初始轮廓线，轮廓线C将图像域Ω分割为两部分：轮廓线内部I^l和外部I^o，c₁和c₂分别为I^l和I^o区域的平均强度，u(x，y)∈[0，1]为像素点I(x，y)对I^l和I^o的隶属度函数，m为模糊权重因子，λ₁、λ₂为正的固定参数。

图像分割过程中，通过每个像素点隶属度值u(x，y)的更新，轮廓线C及模型能量F(C，c₁，c₂，u)也跟随变化，直到轮廓线C到达目标边界，能量F(C，c₁，c₂，u)最小时停止。即目标区域边界C_boundary为该图像分割问题的解：

$F(C_{\mathrm{boundary}},c_1,c_2,u)=\underset{C}{\inf }F(C,c_1,c_2,u)$

对I^l和I^o区域的隶属度函数u(x，y)有如下界定：

$\left\{\begin{array}{c}C=\{(x,y)\&Element;I:u(x,y)=0.5\}\\ \mathrm{inside}\left(C\right)=\{(x,y)\&Element;I:u(x,y)>0.5\}\\ \mathrm{outside}\left(C\right)=\{(x,y)\&Element;I:u(x,y)<0.5\}\end{array}\right.$

即轮廓线内部隶属度全部大于0.5，轮廓线外部全部小于0.5。

保持参数u不变，通过最小化能量方程F(C，c₁，c₂，u)，获得c₁和c₂分别为：

$c_1=\frac{{\&Integral;}_{\mathrm{\&Omega;}}{\left[u(x,y)\right]}^{m}I(x,y)\mathrm{dxdy}}{{\&Integral;}_{\mathrm{\&Omega;}}{\left[u(x,y)\right]}^m\mathrm{dxdy}},c_2=\frac{{\&Integral;}_{\mathrm{\&Omega;}}{[1-u(x,y)]}^{m}I(x,y)\mathrm{dxdy}}{{\&Integral;}_{\mathrm{\&Omega;}}{[1-u(x,y)]}^m\mathrm{dxdy}}$

同样，保持参数c₁和c₂不变，通过最小化能量方程F(C，c₁，c₂，u)，获得u：

$u(x,y)={(1+{\left(\frac{{\mathrm{\&lambda;}}_1{(I(x,y)-c_1)}^2}{{\mathrm{\&lambda;}}_2{(I(x,y)-c_2)}^2}\right)}^{\frac{1}{m-1}})}^{-1}$

结合上述对基于模糊能量的主动轮廓模型分割方法的描述，利用基于模糊能量的主动轮廓模型对高光谱图像进行分割的步骤，包括：(a)在待分割高光谱图像上定义初始轮廓线C₀(x，y)，将图像划分为轮廓线内外部两个区域；(b)分别计算两个区域的c₁和c₂；(c)假定当前像素点灰度值为I₀，对应隶属度为u₀，根据c₁和c₂计算该点新的隶属度值u_n，并计算前后的能量差ΔF；如果ΔF<0，则将该点的隶属度更新为u_n，否则，保持u₀不变；(d)对所有像素点重复步骤(c)，并计算图像总能量F；(e)重复步骤(b)-(d)，直到总能量F不再变化。上述操作的结果是，待分割高光谱图像目标区域全部位于轮廓线内部，图像背景全部在轮廓线外部。

上述基于模糊能量主动轮廓模型的高光谱图像分割方法中，能量差ΔF的算式为

$\mathrm{\&Delta;F}={\mathrm{\&lambda;}}_1{s}_1\frac{[{u_n}^m-{u_0}^m]{(I_0-c_1)}^2}{s_1+{u_n}^m-{u_0}^m}+{\mathrm{\&lambda;}}_2{s}_2\frac{[{(1-u_n)}^m-{(1-u_0)}^m]{(I_0-c_2)}^2}{s_2+{(1-u_n)}^m-{(1-u_0)}^m}$

其中，s₁=∑_i,j[u(i,j]^m，s₂=∑_i,j[1-u(i,j)]^m。

图2A-2D为利用本发明基于模糊能量主动轮廓模型的高光谱图像分割方法，对玉米种子高光谱图像在不同初始轮廓下的分割结果，可以看出，分割结果完全不受初始轮廓限制，而且初始轮廓可以任意设定。利用本发明的方法，实现了玉米种子高光谱图像中玉米种子目标区域的快速、准确、多目标同时分割。

图3为利用本发明基于模糊能量主动轮廓模型的高光谱图像分割方法的分割结果，对玉米种子的产地与纯度检测的实施流程图，包括：采集待测玉米种子的高光谱图像并进行校正，利用基于模糊能量的主动轮廓模型对校正图像进行分割，将在分割出的玉米种子目标区域中提取的特征参数输入到检测模型中，通过与模型中各产地类别玉米种子特征参数的判别分析，获得待测样本的产地检测结果，及各产地属性下不同类别玉米种子的纯度信息。

以上所述，仅为本发明的优选实施例，是说明性的而非限制性的，虽然上述实施例对本发明做了详细阐述，然而并非用于限定本发明，任何熟悉本技术领域的技术人员，可轻易对本发明的技术方案进行更改、修饰或同等替换，但凡在本发明技术方案的精神和原则之内，依据本发明的技术实质对上述实施例所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于模糊能量主动轮廓模型的高光谱图像分割方法，其特征在于，基于模糊能量主动轮廓模型的高光谱图像分割方法，具体分割步骤包括： 

a、在待分割高光谱图像上设定初始轮廓，定义轮廓内部和外部区域的初始隶属度值； 

b、计算轮廓内部和外部区域的平均强度； 

c、重新计算所有像素点的隶属度值，并计算隶属度变化前后的能量差，如果能量差小于零，则更新该像素点的隶属度； 

d、重复步骤b到步骤d，直到图像总能量最小。 

2.根据权利要求1所述的基于模糊能量主动轮廓模型的高光谱图像分割方法，其特征在于，基于模糊能量主动轮廓模型的高光谱图像分割方法，包括： 

定义待分割高光谱图像的模糊能量泛函为： 

其中，C为在图像上任意设定的初始轮廓线，轮廓线C将图像域Ω分割为两部分：轮廓线内部I^l和外部I^o，c₁和c₂分别为I^l和I^o区域的平均强度，u(x，y)∈[0，1]为像素点I(x，y)对I^l和I^o的隶属度函数，m为模糊权重因子，λ₁、λ₂为正的固定参数。 

图像分割过程中，通过每个像素点隶属度值u(x，y)的更新，轮廓线C及模型能量F(C，c₁，c₂，u)也跟随变化，直到轮廓线C到达目标边界，能量F(C，c₁，c₂，u)最小时停止。即目标区域边界C_boundary为该图像分割问题的解： 

对I^l和I^o区域的隶属度函数u(x，y)有如下界定： 

即轮廓线内部隶属度全部大于0.5，轮廓线外部全部小于0.5。 

保持参数u不变，通过最小化能量方程F(C，c₁，c₂，u)，获得c₁和c₂分别为： 

同样，保持参数c₁和c₂不变，通过最小化能量方程F(C，c₁，c₂，u)，获得u： 

。

3.根据权利要求2所述的基于模糊能量主动轮廓模型的高光谱图像分割方法，其特征在于，对玉米种子高光谱图像分割的实施步骤，包括： 

(3a)、在待分割玉米种子图像上定义初始轮廓线C₀(x，y)，将图像划分为轮廓线内外部两个区域； 

(3b)、分别计算两个区域的c₁和c₂； 

(3c)、假定当前像素点灰度值为I₀，对应隶属度为u₀，根据c₁和c₂计算该点新的隶属度值u_n，并计算前后的能量差ΔF；如果ΔF<0，则将该点的隶属度更新为u_n，否则，保持u₀不变； 

(3d)、对所有像素点重复步骤(3c)，并计算图像总能量F； 

(3e)、重复步骤(3b)-(3d)，直到总能量F不再变化。 

上述操作的结果是，高光谱图像中包含玉米种子的目标区域全部位于轮廓线内部，图像背景全部在轮廓线外部。 

4.根据权利要求3所述的基于模糊能量主动轮廓模型的高光谱图像分割方法，其特征在于，在对玉米种子高光谱图像分割中，能量差ΔF的算式为 

其中，s₁=∑_i,j[u(i,j)]^m，s₂=∑_i,j[1-u(i，j)]^m。 

Images