CN103700095A - 基于圆形约束改进活动轮廓模型的原木端面图像分割算法 - Google Patents

Abstract

基于圆形约束改进活动轮廓模型的原木端面图像分割算法包括以下步骤：初始化轮廓线水平集φ(x,y,t=0)=0，运用改进的活动轮廓模型来控制演化水平集函数，完成原木端面图像的预分割，然后将预分割轮廓曲线所对应的单水平集φ分裂为n个水平集函数φ_i（i=1,…,n,n为待分割的目标个数），以φ_i作为初始轮廓线，重新初始化为符号距离函数，设置适当的圆形约束系数τ，然后利用基于圆形约束改进的活动轮廓模型对各个水平集进行再分割，得到最终的原木端面轮廓线，完成分割。本发明的方法同时利用了改进CV模型和LIF模型的优点，结合图像的全局和局部信息，可以有效避免图像非目标区域及噪声的干扰，而且计算简单，速度较快，对原木端面的分割效果好。对实现原木端面的精确测量、加工具有重要意义。

Description

基于圆形约束改进活动轮廓模型的原木端面图像分割算法

所属技术领域

本发明涉及一种图像分割算法，尤其涉及一种基于圆形约束改进活动轮廓模型的原木端面图像分割算法。

背景技术

以往在木材测量、加工生产环节中，采用人工检尺检测原木端面，不仅效率低、危险系数高，而且由于人为因素造成的误差也较大。随着数字图像处理技术的发展，利用采集到的原木端面图像就可以自动、准确、高效的完成检尺任务。其中，原木端面准确分割是原木检测以及自动化加工的基础。黄永林等人在文献1“一种新的快速Hough变换圆检测方法”（电子测量与仪器学报,2010,24(9)）提出了一种Hough变换圆检测方法，可以有效的检测简单图像中的圆形目标，其原理是对图像上的点进行坐标变换，将图像空间对应到参数空间，进而检测给定的图像是否具有给定性质的曲线，但是其计算量大，占用内存空间大，对于噪声比较敏感。由于户外光照不均匀，图像背景复杂且与前景原木端面的相似度较高,直接运用圆检测方法较难取得理想的原木端面分割效果。近20年来，基于曲线演化理论的活动轮廓模型在边缘检测、图像分割以及视觉跟踪中有了很大发展和广泛应用。Kass等人在1988年提出了经典的参数活动轮廓模型（snake模型）。之后各种改进模型层出不穷，大致上分为两类，参数化活动轮廓模型和几何化模型。其中，几何活动轮廓模型采用水平集方法实现曲线演化，不但能够灵活处理演化曲线的拓扑变化，而且对轮廓拥有较大的捕获范围。基本思想将曲线演化转化成高维函数超曲面等值点的集合的更新问题，通过跟踪零水平集的演化过程隐含地求解轮廓曲线。Chan和Vese提出的一种简化的基于水平集方法的区域最优化模型(简称CV模型)，利用图像的全局信息能够有效克服背景噪声和杂波的影响，同时保持了水平集方法处理拓扑结构变化的优点,能有效处理边界模糊或者分散目标的分割问题，具有良好的抗噪性，算法实现简单并且收敛较快。为了分割灰度不均匀图像，很多学者相继提出了CV模型的改进模型。Li C等人在文献2“Implicit active contours driven by local binary fitting energy”（Computer Vision and Pattern Recognition,2007）中提出了局部二值拟合模型（local binary fitting，LBF），其利用局部图像信息作为约束，准确率和计算效率都要高于CV模型。刘瑞娟等人在文献3“融合局部和全局图像信息的活动轮廓模型”（计算机辅助设计与图形学学报,2012,24(3)）提出了一种融合图像局部与全局信息的的活动轮廓模型，对初始轮廓不敏感且能分割灰度不均匀图像。同时在水平集方法中加入形状先验知识可以有效排除非目标形状噪声的干扰，魏颖等人在文献4“基于圆形约束CV水平集的肺部CT图像病灶分割”（中国图象图形学报,2008,13(6)）提出了基于圆形约束的CV模型，该模型可以有效分割出目标图像的圆形目标而排除非圆形目标轮廓的干扰，但其只利用了图像的全局信息，同时曲线演化过程中需要不断更新约束圆形的圆心坐标及半径，计算效率低。以上所述均为基于基于圆形约束的改进活动轮廓模型提供了理论依据。

发明内容

本发明的目的是提供一种基于圆形约束改进活动轮廓模型的原木端面图像分割算法，该算法采用圆形约束的改进活动轮廓模型来控制初始轮廓曲线的演化，通过跟踪零水平集的演化过程隐含地求解原木端面轮廓，完成原木端面的分割。其中基于圆形约束的改进活动轮廓模型结合针对自然条件下原木端面图像背景复杂，但是边缘清晰的特点，一方面，改进传统CV（Chan and Vese）模型，融入图像边缘梯度信息，去掉计算复杂耗时的曲率项。另一方面，结合局部图像拟合（local image fitting，LIF）模型，考虑到原木端面大致都为圆形，在模型中加入圆形约束信息，约束轮廓线的演化形状。它同时利用了改进CV模型和LIF模型的优点，结合图像的全局和局部信息，可以有效避免图像非目标区域及噪声的干扰，而且计算简单，速度较快，对原木端面的分割效果好。

为了达到上述目的，本发明采用如下技术方案：

基于圆形约束改进活动轮廓模型的原木端面分割算法，包括以下步骤：

（1）初始化初始轮廓线水平集φ(x,y,t=0)=0，分别计算改进活动轮廓模型各分量的值，设圆形约束系数τ=0，运用改进活动轮廓模型来控制演化水平集函数φ，在迭代演化过程中对水平集函数φ进行高斯滤波，φ=G_ρ*φ，其中，标准差

（Δt为时间步长），高斯窗口的大小为n*n，完成图像预分割，得到所有目标的近似轮廓。

（2）然后将预分割轮廓曲线所对应的单水平集φ分裂为n个水平集函数φ_i（i=1,…,n,n为待分割的目标个数），以φ_i作为初始轮廓线，重新初始化为符号距离函数，设置适当的圆形约束系数τ，然后利用基于圆形约束改进的活动轮廓模型对各个水平集进行再分割，得到最终的原木端面轮廓线，完成分割。

算法所述的基于圆形约束改进活动轮廓模型的能量方程为E(φ,c₂)=E^CV(C,c₂)+E^LIF(φ)+τE_shape(φ)，当圆形约束系数τ=0时，得到改进活动轮廓模型的能量方程为E(φ,c₂)=E^CV(C,c₂)+E^LIF(φ)。采用水平集方法，模型控制水平集演化的偏微分方程表达式为：

φ为水平集函数，H(z)和δ(z)分别是Heaviside函数和Dirac函数，其中LIF分量为(I-I^LFI)(m₁-m₂)δ_ε(φ)，I为图像上点的灰度值，m1和m2是由σ决定的高斯窗口范围内像素点加权平均灰度，是一种局部分量，I^LFI(x)=m₁H_ε(φ)+m₂(1-H_ε(φ))。改进的CV分量为其c₂为演化曲线外部灰度值拟合，其计算表达式为

τ为圆形约束系数，圆形约束分量

的表达式为X表示图像上的点（x,y），ζ为一个很小的常数，形状函数的圆形中心O和半径r计算表达式分别为 $O\left(\mathrm{\φ}\right)=\frac{{\∫}_{\mathrm{\Ω}}X\left(\mathrm{\φ}\left(X\right)\right)\mathrm{dxdy}}{{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}\left(X\right)\right)\mathrm{dxdy}},r\left(\mathrm{\φ}\right)=\sqrt{\frac{{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}\left(X\right)\right)\mathrm{dxdy}}{\mathrm{\π}}}.$

附图说明

图1是基于圆形约束的改进活动轮廓模型的原木端面分割算法流程图；

图2是实验用的单根原木端面图像；

图3是初始轮廓线图像及分割结果；

图4是实验用多根原木端面图像及其分割结果；

具体实施方式：

图1是基于圆形约束改进活动轮廓模型的原木端面图像分割算法流程图；本发明的基于圆形约束改进活动轮廓模型的原木端面图像分割算法包括以下步骤：

（1）初始化初始轮廓线水平集φ(x,y,t=0)=0，分别计算各模型分量表达式的值，设圆形约束系数τ=0，对原木端面图像进行预分割，在曲线迭代演化过程中对水平集函数φ进行高斯滤波，φ=G_ρ*φ，其中，标准差

（Δt为时间步长），高斯窗口的大小为n*n。

（2）将预分割得到的单个水平集φ分裂为N个水平集函数φ_i（n为待分割原木个数），以φ_i作为初始轮廓线，设置适当的圆形约束系数τ，对每个水平集函数分别用本发明的基于圆形约束改进活动轮廓模型进行再分割。

（3）轮廓线演化停止时，所有的的零水平集曲线就是原图像的原木端面轮廓线，完成原木端面的分割。

图2是实验所用的单根原木端面图像。

图3是图2的初始轮廓线图像及本文算法的分割结果图像。从实验结果可以看出，基于圆形约束改进的活动轮廓模型准确分割出原木端面，克服了背景区域轮廓线的干扰。

图4是实验所用的多根原木端面图像及其分割结果。通过上述分割方法分割多个原木端面图像，可以看出本文算法能够有效克服背景区域非圆形目标的干扰，正确地对实验图像进行分割，实验速度较快。

Claims (3)

1.基于圆形约束的改进活动轮廓模型的原木端面图像分割算法，包括以下步骤：

（1）初始化轮廓线水平集φ(x,y,t=0)=0，分别计算改进活动轮廓模型各分量的值，运用改进的活动轮廓模型来控制演化水平集函数φ，在迭代演化过程中对水平集函数φ进行高斯滤波，φ=G_ρ*φ，其中，标准差

（Δt为时间步长），高斯窗口的大小为n*n，完成图像预分割，得到所有目标的近似轮廓。

（2）然后将预分割轮廓曲线所对应的单水平集φ分裂为n个水平集函数φ_i（i=1,…,n,n为待分割的目标个数），以φ_i作为初始轮廓线，重新初始化为符号距离函数，设置适当的圆形约束系数τ，然后利用基于圆形约束改进的活动轮廓模型对各个水平集进行再分割，得到最终的原木端面轮廓线，完成分割。

2.根据权利要求1所述的基于圆形约束改进活动轮廓模型的原木端面图像分割算法，其特征在于，所述步骤（1）的改进活动轮廓模型的能量方程为E(φ,c₂)=E^CV(C,c₂)+E^LIF(φ)，其控制水平集演化的偏微分方程表达式为 $\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\ω}(I-I^{\mathrm{LFI}})(m_1-m_2)+(1-\mathrm{\ω})(-{\mathrm{\λ}}_1{|\▿I|}^2+{\mathrm{\λ}}_2{(I-c_2)}^2)].$ 其中E^CV(C,c₂)是结合了原木端面图像边缘清晰的特点，在CV模型的基础上改进得到，其改进形式为

融入了梯度项，去掉了计算复杂的曲率项，其偏微分方程表达式为 $\frac{\∂\mathrm{\φ}}{\∂t}=\mathrm{\δ}\left(\mathrm{\φ}\right)[-{\mathrm{\λ}}_1{|\▿I|}^2+{\mathrm{\λ}}_2{(I-c_2)}^2].$

3.根据权利要求1所述的基于圆形约束改进活动轮廓模型的原木端面图像分割算法，其特征在于，所述步骤（2）的基于圆形约束改进活动轮廓模型的能量方程为E(φ,c₂)=E^CV(C,c₂)+E^LIF(φ)+τE_shape(φ)，其控制水平集演化的偏微分方程表达式为

其中圆形约束分量

的表达式为

X表示图像上的点（x,y），ζ为一个很小的常数，O和r形状函数的圆形中心和半径。

Images