CN104867143B - 基于局部引导核拟合能量模型的水平集图像分割方法 - Google Patents

基于局部引导核拟合能量模型的水平集图像分割方法 Download PDF

Info

Publication number
CN104867143B
CN104867143B CN201510249115.9A CN201510249115A CN104867143B CN 104867143 B CN104867143 B CN 104867143B CN 201510249115 A CN201510249115 A CN 201510249115A CN 104867143 B CN104867143 B CN 104867143B
Authority
CN
China
Prior art keywords
level set
function
set function
image
energy functional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510249115.9A
Other languages
English (en)
Other versions
CN104867143A (zh
Inventor
方江雄
刘花香
刘军
曾正军
饶利民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Institute of Technology
Original Assignee
East China Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Institute of Technology filed Critical East China Institute of Technology
Priority to CN201510249115.9A priority Critical patent/CN104867143B/zh
Publication of CN104867143A publication Critical patent/CN104867143A/zh
Application granted granted Critical
Publication of CN104867143B publication Critical patent/CN104867143B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于局部引导核拟合能量模型的水平集图像分割方法，主要包括水平集函数的定义、分割模型能量泛函的构建、能量泛函的形式简化、水平集函数的演化和水平集函数的光滑处理。本发明通过将基于局部引导核拟合能量泛函提取图像局部信息，并在每次迭代过程中进行高斯滤波，以避免周期性重新初始化水平集函数。本发明所提出的分割方法不仅提高了灰度不均匀场景中弱边界目标的分割精度，而且完全避免了周期性的重新初始化问题，同时还降低了算法的计算复杂度。

Description

基于局部引导核拟合能量模型的水平集图像分割方法
技术领域
本发明涉及的是一种图像处理技术领域图像分割的方法，具体是一种局部引导核拟合(Local Kernel-induced Fitting，LKF)能量模型水平集图像分割方法。
技术背景
基于变分水平集(Variational Level Set Method)的图像分割方法，凭借其自由拓扑性及多信息共融性，被广泛应用于图像处理领域，例如图像分割、目标提取、目标跟踪。在成像过程中，由于受成像设备固有缺陷和照度不均等因素的影响，实际中的图像广泛存在灰度分布不均匀性。为了能够分割灰度不同质图像，Vese和Chan提出了分段光滑(Piecewise Smooth，PS)模型来解决分段常量(Piecewise Constant，PC)模型不能分割灰度不均匀图像的问题；李纯明等提出了局部二值拟合(Local Binary Fitting，LBF)图像分割模型。但是，该模型在每次迭代过程，需要计算水平集函数的偏微分方程以及周期性重新初始化过程会增大计算量，且对初始化十分敏感，从而阻碍该模型的实际应用价值。近年来，基于改进的水平集方法由于充分考虑综合利用了区域与边界信息，已成为分割灰度分布均匀图像的研究热点。
经对现有技术文献的检索发现，袁克虹等提出基于水平集函数的灰度不均匀图像分割方法(专利号：CN102354396A)；王爽等提出了基于邻域概率密度函数特征的水平集图像分割方法(专利号：CN101571951)；曹宗杰提出了基于概率论模型的水平集方法(专利号：CN101221239)。这些方法均是在变分理论基础上进行改进，提出不同模型的图像分割方法，但是这些模型分割复杂灰度不均匀图像效果不佳且非常耗时。
发明内容
本发明的目的是为了更准确有效地分割灰度不均匀图像，而提供了一种局部引导核拟合能量模型的水平集图像分割方法。本发明提出基于局部引导核拟合能量模型的水平集图像分割方法，通过引入局部核引导拟合能量提取图像局部信息，并在每次迭代过程中进行高斯滤波以避免周期性重新初始化水平集函数，因而能有效分割灰度不均匀图像。
本发明基于局部引导核拟合能量模型的水平集图像分割方法，实现该方法的步骤主要包括：水平集函数的定义，分割模型能量泛函的构建，能量泛函的形式简化，水平集函数的演化和水平集函数的光滑处理。具体步骤如下：
步骤1：水平集函数的定义。水平集函数φ(x,t)表示在t时刻点x到轮廓曲线的最短距离，即符号距离函数(Signed Distance Function，SDF)。定义为符号距离函数：
参数ρ是正常量，R1和R2分别表示零水平集函数φ(x,t)＝0内部区域和外部区域，C表示曲线的边界。假设H(□)表示Heavide函数，在实际应采用规范化的Heaviside函数Hε(x)和Dirac函数δ(x)(正规化参数ε)，其表达式如下：
步骤2：分割模型能量泛函的构建。拟合能量泛函表达式如下：
θ(·)是从观察空间到高维特征空间的一个映射，I(x)和ILKF(x)分别表示原始图像灰度与局部引导核拟合图像灰度，其中ILKF＝u1H(φ)+u2(1-H(φ))，u1和u2分别表示曲线C内部RC(s)和外部区域的拟合函数，u1和u2其表达式如下：
其中Kα是的高斯核函数，方差α是尺度参数，α大小的选取与图像的特征有关，如图1所示。
步骤3：能量泛函的形式简化。假设非线性高维数据空间核函数K(y,z)可以用非线性映射函数θ(·)来表示，其表达关系为K(y,z)＝θ(y)T·θ(z)。能量泛函中的数据项核函数用原始数据空间的非欧氏距离向量来替换，使二维的数据空间数据转化为一维的数据空间，表达式如下：
JK＝‖θ(I(x))-θ(ILKF(x))‖2
＝[θ(I(x))-θ(ILKF(x))]T·[θ(I(x))-θ(ILKF(x))]
＝θ(I(x))T·θ(I(x))T-θ(I(x))T·θ(ILKF(x))-θ(ILKF(x))T·θ(I(x))
+θ(ILKF(x))T·θ(ILKF(x))
＝K(I(x),I(x))+K(ILKF(x),ILKF(x))-2K(I(x),ILKF(x))
本发明选取径向基函数(Radial Basis Functio，RBF)中的高斯核函数，RBF核函数的表达式K(y,z)＝exp(-(y-z)2/σ2)，σ为方差。其能量泛函简化形式如下：
步骤4：水平集函数的演化。采用梯度下降流方法，求取演化曲线的水平集演化方程式。假设关于水平集函数φ的变量η＝δφ，水平集函数变化量φ'＝φ+εη，先固定拟合函数u1和u2，通过对参数φ进行微分运算求取最小化能量泛函ELKF，当自变量ε→0，可得：
通过嵌入水平集函数φ(s,t):[0,1]→Ω，根据Euler-Lagrange方程求解关于水平集函数的能量最小值，通过解决如下的偏微分方程式：
用梯度下降法可以得到曲线演化方程式为：
步骤5：水平集函数的光滑处理。水平集函数的符号距离函数作为该曲线的初始化轮廓。因此，我们在水平集函数每次迭代后对符号距离函数进行高斯滤波操作，其表达式如下：
φi n+1＝Gξ*φn+1
其中Gξ是高斯核函数，协方差为ξ，协方差ξ应该满足ξ∈[0.45,1]。协方差ξ应满足 表示时间步长。
本发明的优点:本发明通过将局部引导核拟合能量提取图像局部信息，并用高斯函数对水平集函数进行光滑处理，不仅提高了灰度不均匀场景中弱边界目标的分割精度，而且完全避免了周期性的重新初始化问题，降低了算法的计算复杂度，从而提高了分割的精度和分割效率。
附图说明
图1表示本发明实施例中基于局部引导核拟合能量模型的水平集图像分割方法流程图。
图2表示基于高斯核权重的窗口函数。
图3为LKF模型分割医学图像结果效果。
其中：图(ai)表示分割图像的初始轮廓图像；图(bi)分割方法在迭代过程中，演化曲线中间结果；图(ci)曲线最终演化的位置，其中i＝1，2。
图4为单分辨率和多分辨率多区域水平集方法的分割结果。
其中：图(a)和图(e)显示了两组图像的初始轮廓；图(b)和图(f)显示局部二值拟合模型分割该组图像；图(c)和图(g)显示LKF模型的分割结果；图(d)和图(h)显示Chan-Vese模型分割的结果。
具体实施方式
本发明具体实施步骤包括如下：
(1)输入分割图像，设置初始化参数：给定的尺度参数α，时间步长Δt，Heavide函数的正规化参数ε，符号距离函数常量ρ，协方差为ξ；
(2)初始化演化曲线的水平集函数φ，定义为符号距离函数φ(x,t)＝0。
(3)根据描述步骤4中所描述的曲线演化方程式进行计算；
(4)将演化后的水平集函数φ按照步骤5中的高斯滤波方程式进行计算，即φn＝Gξ*φn；
(5)判断描述的水平集演化曲线是否得到满足终止，如果是，则输出各分割区域的图像和分割结果。否则，将高斯滤波后的水平集函数φn+1＝φn作为下一次迭代的初始水平集函数，转到第三步。
图3显示了LKF模型分割灰度不均匀医学图像结果，试验中尺度参数均为α＝5。图(a1)半径R＝15像素的圆；图(a2)为长和宽分别为20和40像素的矩形。该组图像经过迭代后，初始轮廓曲线迅速扩张并逐渐包围图像图标区域，图(bi)显示了迭代的中间过程。图(ci)显示了演化曲线最终停止位置,其中i＝1,2。
图4选取了灰度不均匀的MR图像，比较了LKF模型与Chan-Vese模型和LBF模型的分割效果。实验中，Chan-Vese模型的最佳的长度控制参数μ＝0.01×2552，LKF模型中尺度参数均设置为α＝10。在两组图像试验中，每组图像的初始化轮廓相同，图(a)和图(e)显示了两组图像的初始轮廓。图(b)和图(f)显示LBF模型分割该组图像。图(c)和图(g)显示本文提出的LKF模型的分割结果。从分割的结果看，LKF分割结果几乎接近LBF模型，但LKF模型具有更快的收敛速度以及更有效的计算效率，LBF模型和LKF模型迭代次数以及运行时间如表1所示。
表1LBF模型与LKF模型迭代次数与运行时间

Claims (1)

1.一种基于局部引导核拟合能量模型水平集图像分割方法，其分割模型的能量泛函表达式如下：
θ(·)表示从观察空间到高维特征空间的一个映射，I(x)和ILKF(x)分别表示原始图像灰度与局部引导核拟合图像灰度，其中ILKF＝u1H(φ)+u2(1-H(φ))，u1和u2分别表示曲线C内部RC(s)和外部区域的拟合函数，u1和u2其表达式如下：
其中Kα是高斯核函数，方差α是尺度参数，H(φ)是Heavide函数，Hε(φ)为实际中采用的规范化Heaviside函数，δ(φ)是Dirac函数，其中三个函数中的变量φ是水平集函数；
其分割方法的具体步骤如下：
步骤1：输入分割图像，定义水平集函数：用符号距离函数来表示水平集函数φ(x,t)，即表示在t时刻点x到轮廓曲线的最短距离；
步骤2：分割模型能量泛函的构建：通过考虑图像的局部拟合信息，来建立图像分割模型的能量泛函；
步骤3：能量泛函的形式简化：通过将能量泛函中的数据项核函数用原始数据空间的非欧氏距离向量来替换，使二维的数据空间数据转化为一维的数据空间，以便能量泛函能用梯度下降法进行求解；
步骤4：水平集函数的演化：采用梯度下降流方法，求取演化曲线的水平集演化方程式；假设关于水平集函数φ的变量η＝δφ，水平集函数变化量φ'＝φ+εη，先固定拟合函数u1和u2，通过对参数φ进行微分运算求取最小化能量泛函ELKF，当自变量ε→0，可得：
通过嵌入水平集函数φ(s,t):[0,1]→Ω，根据Euler-Lagrange方程求解关于水平集函数的能量最小值，通过解决如下的偏微分方程式：
用梯度下降法可以得到曲线演化方程式为：
步骤5：水平集函数的光滑处理：在水平集函数每次迭代后对符号距离函数进行高斯滤波操作，其表达式如下：
其中Gξ是高斯核函数，协方差为ξ，协方差ξ应该满足ξ∈[0.45,1]；协方差ξ应满足 表示时间步长。
CN201510249115.9A 2015-05-15 2015-05-15 基于局部引导核拟合能量模型的水平集图像分割方法 Expired - Fee Related CN104867143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510249115.9A CN104867143B (zh) 2015-05-15 2015-05-15 基于局部引导核拟合能量模型的水平集图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510249115.9A CN104867143B (zh) 2015-05-15 2015-05-15 基于局部引导核拟合能量模型的水平集图像分割方法

Publications (2)

Publication Number Publication Date
CN104867143A CN104867143A (zh) 2015-08-26
CN104867143B true CN104867143B (zh) 2018-09-04

Family

ID=53912958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510249115.9A Expired - Fee Related CN104867143B (zh) 2015-05-15 2015-05-15 基于局部引导核拟合能量模型的水平集图像分割方法

Country Status (1)

Country Link
CN (1) CN104867143B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570867B (zh) * 2016-10-18 2019-03-29 浙江大学 基于灰度形态学能量法的活动轮廓模型图像快速分割方法
CN107330897B (zh) * 2017-06-01 2020-09-04 福建师范大学 图像分割方法及其系统
CN107180433A (zh) * 2017-06-06 2017-09-19 衢州学院 一种局部交叉熵度量模糊c均值的水平集图像分割算法
CN109064476B (zh) * 2018-07-24 2022-03-04 西安电子科技大学 一种基于水平集的ct胸片肺组织图像分割方法
CN109978843B (zh) * 2019-03-15 2020-11-24 华南理工大学 晶圆掺杂物的图像分割方法、系统、计算机设备及存储介质
CN111429467B (zh) * 2019-10-11 2021-04-06 华中科技大学 改进Lee-Seo模型的水平集三维表面特征分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295234A (zh) * 2013-05-17 2013-09-11 上海大图医疗科技有限公司 基于形变表面模型的医学图像分割系统及方法
CN103942826A (zh) * 2013-01-17 2014-07-23 复旦大学 一种高适配度的颅骨修复体重建的方法
CN104616308A (zh) * 2015-02-12 2015-05-13 大连民族学院 一种基于核模糊聚类的多尺度水平集图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942826A (zh) * 2013-01-17 2014-07-23 复旦大学 一种高适配度的颅骨修复体重建的方法
CN103295234A (zh) * 2013-05-17 2013-09-11 上海大图医疗科技有限公司 基于形变表面模型的医学图像分割系统及方法
CN104616308A (zh) * 2015-02-12 2015-05-13 大连民族学院 一种基于核模糊聚类的多尺度水平集图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Active contours driven by local image fitting energy》;Kaihua Zhang et al;《Pattern Recognition》;20100430;第43卷(第4期);第1199—1206页 *
《Level set method for image segmentation based on moment competition》;Hai Min et al.;《Journal of Electronic Imaging》;20150609;第24卷(第3期);第033020-1—033020-16页 *

Also Published As

Publication number Publication date
CN104867143A (zh) 2015-08-26

Similar Documents

Publication Publication Date Title
CN104867143B (zh) 基于局部引导核拟合能量模型的水平集图像分割方法
Jiang et al. Breast cancer histopathological image classification using convolutional neural networks with small SE-ResNet module
Murugesan et al. Psi-Net: Shape and boundary aware joint multi-task deep network for medical image segmentation
Zhang et al. A level set approach to image segmentation with intensity inhomogeneity
Chen et al. Global minimum for a Finsler elastica minimal path approach
Andersson et al. Modified gradient search for level set based image segmentation
CN105551054A (zh) 全局和局部信息自适应调整的图像分割活动轮廓方法
Johny et al. Dynamic learning rate in deep CNN model for metastasis detection and classification of histopathology images
Demir DeepBreastNet: A novel and robust approach for automated breast cancer detection from histopathological images
Akbar et al. Transitioning between convolutional and fully connected layers in neural networks
CN108460781B (zh) 一种基于改进spf的活动轮廓图像分割方法及装置
CN115908984B (zh) 图像聚类模型的训练方法及装置
CN104835168B (zh) 基于全局凸优化变分模型的快速多相图像分割方法
Guo et al. Low-rank matrix recovery via robust outlier estimation
Wang et al. Active contours driven by multi-feature Gaussian distribution fitting energy with application to vessel segmentation
Li et al. Segmentation of MR image using local and global region based geodesic model
Wang et al. A lightweight multi-label segmentation network for mobile iris biometrics
Li et al. Retinal vessel segmentation with pixel-wise adaptive filters
Chen et al. Fast asymmetric fronts propagation for image segmentation
Yang et al. Convex image segmentation model based on local and global intensity fitting energy and split Bregman method
Ouyang et al. LEA U-Net: a U-Net-based deep learning framework with local feature enhancement and attention for retinal vessel segmentation
Wen et al. A novel method for image segmentation using reaction–diffusion model
Yang et al. Geodesic distance and curves through isotropic and anisotropic heat equations on images and surfaces
Chen et al. Enhancing nucleus segmentation with haru-net: a hybrid attention based residual u-blocks network
Wei et al. Joint contour filtering

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180904

Termination date: 20190515

CF01 Termination of patent right due to non-payment of annual fee