CN103824274A

CN103824274A - 可应用于具有复杂背景的灰度不均匀图像的局部分割方法

Info

Publication number: CN103824274A
Application number: CN201210460993.1A
Authority: CN
Inventors: 董恩清; 郑强; 孙文燕; 李贞国; 孙祺; 常树旺; 张军蕊
Original assignee: Shandong University Weihai
Current assignee: Shandong University Weihai
Priority date: 2012-11-16
Filing date: 2012-11-16
Publication date: 2014-05-28

Abstract

一种有效的应用于具有复杂背景的灰度不均匀图像的局部分割方法，属于图像处理领域。目前大多数基于图割的主动轮廓模型都是全局分割模型。一种常见且有效的实现局部分割的途径是将基于图割的主动轮廓模型约束在窄带之内。然而，目前现存的在窄带框架下实现的基于图割的主动轮廓模型大多无法有效的处理具有复杂背景的灰度不均匀图像的局部分割方法，常常会将待分割目标周围的区域一并分割出来。本发明去除了原模型的区域项，并重新设计了一个基于区域统计信息的边缘项对原基于梯度信息的边缘项进行加权。整个模型是在窄带框架下有效的实现了复杂背景下灰度不均匀图像的局部分割。

Description

可应用于具有复杂背景的灰度不均匀图像的局部分割方法

技术领域

本发明属于图像处理领域，具体涉及一种应用于具有复杂背景的灰度不均匀图像的局部分割方法。

背景技术

图像分割在计算机视觉和人工智能领域起着非常重要的作用，其目标是从给定图像中提取感兴趣的区域。目前，已经有许多图像分割方法被提出，学者们也做了大量的努力以不断改进图像分割方法的性能。

主动轮廓模型是目前最成功的图像分割方法之一，并被证明是一种高效的图像分割框架。其基本思想是通过迭代算法来实现给定能量函数的最小化。主动轮廓模型可以分为两类：基于边缘信息的主动轮廓模型和基于区域信息的主动轮廓模型。基于边缘信息的主动轮廓模型用图像的梯度信息驱动曲线向目标边界进化，但是图像的梯度信息对噪声和弱边界较为敏感。基于区域信息的主动轮廓模型用全局统计信息来识别目标边缘，与基于边缘信息的主动轮廓模型相比具有更多优势，例如，对噪声的敏感低、对初始轮廓的鲁棒性高且能够更好地分割弱边缘甚至无边缘图像。因此，基于区域信息的主动轮廓模型比基于边缘信息的主动轮廓模型得到了更广泛的应用和更好的发展，尤其在分割灰度不均匀图像方面，如局部二值拟合模型等。

近年来，图割理论越来越引起人们重视，并大量应用于图像处理中。图割是一种基于图论的组合优化方法，能够避免其他许多优化方法固有的局部最优的缺点，并具有较高的计算效率。Boykov等人证实了离散能量函数的全局最优化能有效地用于图像的精确目标提取。同时，Boykov等人给出了用图割最小化能量函数的两种高效近似算法。Boykov等人给出了一种新的高效的最大流/最小割算法。Kolmogorov等人证明了在何种条件下的能量函数能够应用图割进行最小化，即可图性。这些工作都为图割的发展及其在图像分割中的应用奠定了基础，并为图像分割的发展注入了新的活力。

目前，图割逐渐开始应用于主动轮廓模型中，并与主动轮廓模型一起逐渐成为图像分割的两大主要技术框架。但是图割在解决基于主动轮廓模型的局部分割问题方面的研究还不够成熟。

在实际应用中，局部分割方法常常用来对感兴趣的局部目标区域进行分割，例如磁共振医学图像中的壳核、尾状核及苍白球的局部分割等。然而，目前大多数基于图割的主动轮廓模型是全局分割模型，即不论初始轮廓置于图像中的什么位置，基于区域信息的主动轮廓模型都能将图像中的所有目标分割出来。一种常见且有效的实现局部分割的途径是将基于图割的主动轮廓模型约束在窄带之内。然而，目前现存的在窄带框架下实现的基于图割的主动轮廓模型大多无法有效的处理具有复杂背景的灰度不均匀图像的局部分割问题，常常会将非目标区域一并分割出来。

发明内容

针对现有的窄带框架下的基于图割的主动轮廓模型的缺陷，本发明提供了了一种可应用于具有复杂背景的灰度不均匀图像的局部分割方法。本发明基于局部二值拟合模型和测地主动轮廓模型建立新的模型，优化方法并没有简单的套用图割优化模型，而是将图割优化模型中的区域项去除，并建立新的基于局部统计信息的边缘项对原基于梯度信息的边缘项进行加权。整个模型在窄带框架下实现，有效的实现了复杂背景下灰度不均匀图像的局部分割。

本发明是通过以下技术方案实现的：

本发明将局部分割过程分解为两个部分：在窄带约束下建立基于图割的主动轮廓模型、根据模型建立窄带图并求取其最小割。每一部分的技术实现方案如下：

（1）在窄带约束下建立基于图割的主动轮廓模型

为了实现对具有复杂背景的灰度不均匀图像的局部分割，本发明基于局部二值拟合模型和测定主动轮廓模型提出以下主动轮廓模型：

其中，I(x)为给定图像，l用以调节能量项E_GAC 和E_LBF ，f_in 和f_out 分别是闭合曲线C内部和外部的局部均值，g_b (|Ñ(C(s))|)表示梯度。

一般情况下，在窄带框架下建立基于图割的主动轮廓模型如下：

其中，p和q为相邻像素点，E_GC-GAC 和E_GC-LBF 分别是在图割框架下建立的针对测地主动轮廓模型和局部二值拟合模型的边缘项和区域项，并用参数l调节。R_NB 是在图像中建立的窄带区域。

本发明在窄带约束下建立一种新的基于图割的主动轮廓模型，该模型将上述模型中的区域项E_GC-LBF 去除，并建立一种新的基于区域信息的边缘项E¢_GC-LBF 对原边缘项E_GC-GAC 进行加权，模型建立如下：

在上述模型中，

其中，ω _pq =δ ²Dθ _pq /|e_pq |，Dθ _pq 是相邻边缘线之间的夹角，|e_pq |是边缘e_pq 的长度，N是邻域系统，

其中，E_s,t (p,q)=(I(p)-f_s (p))²+(I(q)-f_t (q))² 是将像素点p和q分配标记s和t的惩罚项，E_t,s (p,q)=(I(p)-f_t (p))²+(I(q)-f_s (q))²是将像素点p和q分配标记t和s的惩罚项，f_s (p)和f_t (q)是闭合曲线C外部和内部的局部均值，并可以用下式求取:

其中，N是邻域系统，且q∈N(p)。x_q 是与图像像素点相对应的二值变量，当q点在闭合曲线外部时x_q =0，否则x_q =1。

很明显，如果邻域像素点p和q完全在待分割目标内部或者外部，则E_s,t (p,q)>0和E_t,s (p,q)>0，因此E¢_GC-LBF (p,q)>1；如果邻域像素点p和q横跨在待分割目标边界上，则E_s,t (p,q)=0或E_t,s (p,q)=0，因此E¢_GC-LBF (p,q)=1。因此本发明提出的能量模型在邻域像素点p和q位于待分割目标边缘的时候达到能量最小。

（2）根据模型建立窄带图并求取其最小割

窄带图的建立主要指的是为窄带图设定n-link和t-link的权值。n-link指的是邻域像素点之间的连接权值，t-link指的是像素点与源点S和汇点T之间的连接权值。本发明中窄带图n-link和t-link权值参数的设定如下：

n-link：按照上述模型，窄带图中邻域像素点p和q的连接权值设定为E_GC-GAC ×E¢_GC-LBF ；

t-link：在窄带图中，窄带内部边界上的点与汇节点T连接，且权值设定为无穷大，窄带外部边界上点与源节点S连接，且权值设定为无穷大。

具体实现过程如下：

步骤1：在待分割目标附近初始化闭合曲线，并设定二值变量x_p ，当p点在闭合曲线外部时x_p =0，否则x_p =1。

步骤2：用形态学膨胀和腐蚀操作建立窄带R_NB ，本发明要求窄带R_NB 包含待分割图像边缘。

步骤3：更新窄带内的点的局部均值f_s 和f_t 。

步骤4：建立窄带图，窄带图的n-link的权值设定为E_GC-GAC ×E¢_GC-LBF ，窄带内部边界上的点与汇节点T连接，且权值设定为无穷大，窄带外部边界上点与源节点S连接，且权值设定为无穷大。

步骤5：求取窄带图的最小割，最小割将窄带图分为两部分：G₀ 和G₁ 。假定S∈G₀ 且T∈G₁ 。

步骤6：更新二值变量x_p ，若p∈G₁ ，则x_p =1；若p∈G₀ ，则x_p =0。

步骤7：若曲线进化未收敛，则转到步骤三，否则停止进化。

本发明的有益效果在于：

（1）本发明中窄带外部边界可以简单地设定为图像边界，在具体实施过程中只需要控制窄带的内部边界即可。

（2）本发明建立的模型及构建的窄带图能够更好地实现对具有复杂背景的灰度不均匀图像的局部分割，分割结果不受待分割目标周围其他区域的干扰。

综上所述，本发明提出了一种可应用于具有复杂背景的灰度不均匀图像的局部分割方法。该方法基于图割和主动轮廓模型建立了新的模型，并在窄带框架下实现，能够更好地实现对具有复杂背景的灰度不均匀图像的局部分割。

附图说明

图1本发明图像局部分割方法的流程图；

图2以磁共振脑图像中的壳核分割为例给出了本发明在不同窄带情况下的分割结果；

图2中，a为初始轮廓和窄带，b为窄带为a中所示情况下的分割结果，c为窄带外部边界变大的情况下的分割结果，d为窄带内部边界变小的情况下的分割结果。图2实验结果证明本发明中窄带外部边界可以简单地设定为图像边界，在具体实施过程中只需要控制窄带的内部边界即可。

图3以磁共振图像中的尾状核、胼胝体、左心室和膀胱分割为例给出了本发明局部分割方法的分割结果图；

图3中，第一行到第四行分别为磁共振图像中的尾状核、胼胝体、左心室和膀胱的局部分割结果，a为初始轮廓和窄带，b为现存的基于图割的主动轮廓模型用于局部分割的结果，c为本发明提出的改进的模型的局部分割结果。图3实验结果证明本发明能够更好地实现复杂背景下的灰度不均匀图像的局部分割。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

结合图1，本发明以磁共振图像中的尾状核、胼胝体、左心室和膀胱分割为例，局部分割方法依次经过以下步骤：

步骤2：用形态学膨胀和腐蚀操作建立窄带R_NB ，本发明要求窄带R_NB 包含待分割图像边缘,且窄带的外部边缘简单地设定为图像边界，在具体实施过程中只需要控制窄带的内部边界即可。图2给出了不同窄带情况下的局部分割结果。

步骤3：更新窄带内的点的局部均值f_s 和f_t 。

步骤5：求取窄带图的最小割。最小割将窄带图分为两部分，即G₀ 和G₁ 。假定S∈G₀ 且T∈G₁ 。

步骤6：更新二值变量x_p 。若p∈G₁ ，则x_p =1；若p∈G₀ ，则x_p =0。

步骤7：若曲线进化未收敛，则转到步骤三，否则停止进化。

图3以磁共振图像中的尾状核、胼胝体、左心室和膀胱分割为例给出了本发明局部分割方法的分割结果图。a为初始轮廓和窄带，b为现存的基于图割的主动轮廓模型用于局部分割的结果，该模型由于存在区域项，因此在局部分割过程中会将待分割目标周围的组织一并分割出来。另外，该模型对灰度不均匀图像的处理能力不足。c为本发明提出的改进模型的局部分割结果。本发明提出的模型去掉了区域项，并重新设计了基于局部统计信息的边缘项对原基于梯度信息的边缘项进行加权，实验结果证明本发明能够更好地实现复杂背景下的灰度不均匀图像的局部分割。

Claims

1.一种应用于具有复杂背景的灰度不均匀图像的局部分割方法，其特征在于包括以下步骤：

步骤1：给定初始闭合曲线，并设定二值变量x_p ，若点p位于闭合曲线外部，则x_p =0，否则x_p =1；

步骤2：用形态学膨胀和腐蚀操作构建窄带；

步骤3：更新窄带内的点的局部统计信息；

步骤4：构建窄带图G；

步骤5：计算窄带图G的最小割，最小割将窄带图分为两部分：G₀ 和G₁ ，

假定S∈G₀ 且T∈G₁ ；

步骤6：更新二值变量x_p ，若p∈G₁ ，则x_p =1；若p∈G₀ ，则x_p =0；

步骤7：若水平集函数进化未收敛，则转到步骤3，否则停止进化。

2.根据权利要求1所述的一种应用于具有复杂背景的灰度不均匀图像的局部分割方法，其特征在于：在所述步骤2中要求窄带R_NB 包含待分割图像边缘，且窄带内侧曲线由形态学中的腐蚀运算实现，窄带外侧曲线设定为图像边界。

3.根据权利要求1所述的一种应用于具有复杂背景的灰度不均匀图像的局部分割方法，其特征在于：在所述步骤4中窄带图的n-link的权值设定为E_GC-GAC ×E¢_GC-LBF ，窄带内部边界上的点与汇节点T连接，且权值设定为无穷大，窄带外部边界上点与源节点S连接，且权值设定为无穷大，E_GC-GAC 和E¢_GC-LBF 分别按照下式计算：

其中，ω _pq =δ ²Dθ_pq /|e_pq |，Dθ_pq 是相邻边缘线之间的夹角，|e_pq |是边缘e_pq 的长度，N是邻域系统，

其中，E_s,t (p,q)=(I(p)-f_s (p))²+(I(q)-f_t (q))² 是将像素点p和q分配标记s和t的惩罚项，E_t,s (p,q)=(I(p)-f_t (p))²+(I(q)-f_s (q))²是将像素点p和q分配标记t和s的惩罚项，f_s (p)和f_t (q)是闭合曲线C外部和内部的局部均值。