CN105160662A - 基于局部高斯和玻尔兹曼的水平集图像分割方法 - Google Patents
基于局部高斯和玻尔兹曼的水平集图像分割方法 Download PDFInfo
- Publication number
- CN105160662A CN105160662A CN201510512726.8A CN201510512726A CN105160662A CN 105160662 A CN105160662 A CN 105160662A CN 201510512726 A CN201510512726 A CN 201510512726A CN 105160662 A CN105160662 A CN 105160662A
- Authority
- CN
- China
- Prior art keywords
- phi
- evolution curve
- evolution
- image
- dtri
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于局部高斯和玻尔兹曼的水平集图像分割方法,主要解决现有技术对图像分割效率低及耗时的问题,其实现步骤是:1.输入待分割图像I到局部高斯模型中,得到图像I的能量函数E(I);2.根据能量函数E(I)得到对应的演化方程Y(φ);3.将演化曲线初始化为初始演化曲线φ(X,n);4.求解初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1);5.计算停止函数S,并将其余设置阈值T比较得出结果演化曲线φr;6.对结果演化曲线φr进行形态学开操作,得到最终分割结果φz。本发明提高了分割效率,加快了分割速度,可用于对自然图像、医学图像的快速分割。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种基于水平集的图像分割方法,可用于自然图像、医学图像中目标的快速分割。
背景技术
在人们的实际生活中,绝大多数的信息都来源于图像。因为图像具有直观易懂,信息量大等特点,所以它是我们认知客观世界最重要的方式之一。
图像技术可分为图像前处理、图像分析、图像理解三部分。图像前处理主要是采集图像信息,并对其进行预处理的过程,这一过程主要包括图像采样、图像滤波、图像增强等内容;图像分析主要是提取感兴趣的目标和图像特征的过程,这一过程主要包括图像分割和特征提取;图像理解主要是对提取到的目标和特征进行研究的过程,这一过程主要包括目标跟踪和语义识别。图像分割在图像技术中占有十分重要的地位,一方面,图像分割是进行图像理解的基础,分割的结果将直接影响后续图像理解的处理效果;另一方面,图像分割出感兴趣的目标之后,把图像变为更为抽象的形式,大大减少了图像理解的复杂度及处理量,这使得进一步的高层分析、图像理解以及人工智能成为可能。图像分割技术已经广泛运用于实际生活的方方面面,如医学影像、人脸识别、交通控制等。
基于水平集的图像分割技术是近年来分割领域中的一个研究热点,它可以分割图像中具有复杂形状的目标对象,并能得到很好的结果。现有水平集分割模型有如下几种方法:
1.基于图像区域的水平集分割方法。这种方法通过图像的区域信息来构造能量函数。例如Chan等人[ChanTF,VeseLA.Activecontourswithoutedges[J],IEEETransactionsonImageProcessing,2001.pp:266-277]提出的无边界活动轮廓法,可用于分割灰度均匀的图像,但由于构造函数时默认图像灰度分布均匀,因此对灰度不均匀的自然图像分割效果不理想。
2.基于图像边界的水平集分割方法。这种方法通过图像的梯度信息来构造能量函数。例如Li等人[LiC,XuC,GuiC,etal.Levelsetevolutionwithoutre-initialization:anewvariationalformulation[C],IEEEConferenceonComputerVisionandPatternRecognition,2005.pp:430-436.]提出的无需重新初始化的变分法,可用于分割边界明显及梯度有意义的图像,但由于定义能量函数时使用的是图像梯度信息,因此对边界模糊及梯度无意义的医学图像图像分割效果不理想。
3.基于图像形状先验的水平集分割方法。这种方法通过图像的形状先验信息来构造能量函数。例如Chan等人[ChanT,ZhuW.Levelsetbasedshapepriorsegmentation[C].IEEEConferenceonComputerVisionandPatternRecognition,2005.pp:1164-1170.]提出的基于形状先验的水平集分割方法,可用于分割规则形状的目标,对形状不规则的目标分割效果不理想,且处理形状先验时计算量很大,使得分割效率不高。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于局部高斯和玻尔兹曼的水平集图像分割方法,以提高分割精度和分割效率。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)输入待分割图像I到局部高斯模型中,得到关于图像I的能量函数E(I);
(2)通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ),其中,φ为演化曲线;
(3)将演化曲线初始化为初始演化曲线φ(X,n),其中X为图像上的点,状态n=0;
(4)求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1);
(5)设置阈值T,计算停止函数S,比较阈值T和停止函数S的大小:
(5.1)根据新的演化曲线φ(X,n+1)和初始演化曲线φ(X,n)计算停止函数S:
其中,m1,m2,σ1,σ2分别为新的演化曲线φ(X,n+1)内外均值和内外方差,m3,m4,σ3,σ4分别为初始演化曲线φ(X,n)的内外均值和内外方差;
(5.2)设置阈值T,比较阈值T和停止函数S的大小:
当T<S时,n=n+1,继续迭代,返回步骤(4);
当T≥S时,迭代终止,得到演化曲线φr=φ(X,n+1);
(6)对结果演化曲线φr进行形态学开操作,得到最终分割结果φz。
本发明与现有技术相比具有以下优点:
1)本发明由于采用了局部高斯模型,提高了灰度不均匀图像及边界模糊图像的分割效果;
2)本发明由于采用了玻尔兹曼技术,加快了分割速度,提高了分割效率。
附图说明
图1为本发明的实现流程图;
图2为用本发明和LGD模型对自然图像进行分割的对比图;
图3为用本发明和LGD模型对医学图像进行分割的对比图;
图4为用本发明和LGD模型对遥感图像进行分割的对比图。
具体实施方式
下面结合附图对本发明的实施率及效果作进一步详细描述。
参照图1,本发明的实施步骤如下:
步骤1:输入待分割图像I到局部高斯模型中,得到关于图像I的能量函数E(I)。
能量函数可以由如下模型得到:CV模型,图像边界模型,形状先验模型,局部高斯模型等。
本实例采用局部高斯模型,局部高斯模型的能量函数为:
其中,Ω为图像域,X为图像上的点,Y∈|X-Y|≤ρ,I0(Y)为点Y的像素值,ρ为局部半径,α为局部高斯权重,β为长度参数,γ为惩罚项参数,w(X-Y)为高斯核函数,Pi,X(I0(Y)),i=1,2为局部高斯函数,φ为演化曲线,M1=H(φ(X)),M2=1-H(φ(X)),H为阶跃函数,为惩罚项,▽为拉普拉斯算子;
(1.1)把待分割图像I带入到高斯模型的能量函数表达式中,得到关于图像I的能量函数E(I):
步骤2:通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ)。
Euler-Lagrange方程表达式为:
L为被积函数,g为被导函数,g'为被导函数g的一阶导,q为被导函数g中的变量。
根据Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ)的实施步骤如下:
(2.1)对能量函数E(I)求导,得到被积函数G,其表达式为:
(2.2)当能量函数E(I)达到极小时,被积函数G对应的Euler-Lagrange方程为:
(2.3)引入时间变量t,得到能量函数E(I)对应的演化方程Y(φ):
其中,
μj(X),σj(X)分别为点X的高斯均值和高斯标准差,δ(φ)是冲击函数。
步骤3:将演化曲线初始化为初始演化曲线φ(X,n),其中X为图像上的点,设状态n=0。
步骤4:求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1)。
新的演化曲线φ(X,n+1)可以通过数值迭代方程组和玻尔兹曼方程组得到,本实例采用但不限于玻尔兹曼方程求解新的演化曲线φ(X,n+1)。
玻尔兹曼方程组表达式包括如下主、次两个方程:
主方程为:
次方程为:
其中fk(X,n+1)为新的分布函数,fk(X,n)为初始分布函数,为均衡分布函数,zn为玻尔兹曼参数、Fn为外力,Δt为时间步长;
根据玻尔兹曼方程组得到新的演化曲线φ(X,n+1)的实施步骤如下:
(4.1)令|▽φ|=1,将演化方程Y(φ)化简为:
(4.2)将扩散方程CE与化简后的演化方程Y(φ)相对应,得出玻尔兹曼参数z,外力F。
Chapman-Enskog扩散方程CE为:
玻尔兹曼参数z,外力F为:
(4.3)把初始演化曲线φ(X,n)代入到(4.2)的波尔兹曼参数z和外力F等式中,得到在状态n时的玻尔兹曼参数zn和外力Fn:
(4.4)令初始分布函数 为均衡分布函数,把玻尔兹曼参数zn、外力Fn、初始分布函数fk(X,n)和均衡分布函数代入玻尔兹曼的主方程中,计算新的分布函数fk(X,n+1):
(4.5)把新的分布函数fk(X,n+1)代入玻尔兹曼的次方程中,计算新的演化曲线φ(X,n+1):
步骤5:计算停止函数S,设置阈值T,比较阈值T和停止函数S的大小。
(5.1)根据新的演化曲线φ(X,n+1)和初始演化曲线φ(X,n)计算停止函数S:
其中,m1为新的演化曲线φ(X,n+1)内均值,m2为新的演化曲线φ(X,n+1)外均值,σ1为新的演化曲线φ(X,n+1)内方差,σ2为新的演化曲线φ(X,n+1)外方差,m3为初始演化曲线φ(X,n)的内均值,m4为初始演化曲线φ(X,n)的外均值,σ3为初始演化曲线φ(X,n)的内方差,σ4为初始演化曲线φ(X,n)的外方差;
(5.2)设置阈值T,比较阈值T和停止函数S的大小:
当T<S时,n=n+1,继续迭代,返回步骤(4);
当T≥S时,迭代终止,得到迭代演化曲线φr=φ(X,n+1)。
步骤6:对迭代演化曲线φr进行形态学开操作,得到最终分割结果φz。
(6.1)对迭代演化曲线φr进行形态学腐蚀,去除演化曲线φr中的孤立点,缩小其目标区域,得到临时演化曲线φf;
(6.2)对临时演化曲线φf进行形态学膨胀,恢复目标区域大小,得到最终分割结果φz。
本发明的效果可以通过使用以下仿真实验进一步说明
1、仿真条件
本发明是在中央处理器为Intel(R)Core(TM)i32.93GHZ、内存2G、WINDOWS7操作系统上,运用MATLAB软件进行的仿真。
2、仿真内容
仿真1,用本发明和现有LGD模型对自然图像进行分割,结果如图2所示,其中:
图2(a)为初始自然图像,
图2(b)为使用LGD模型对自然图像的初始化,
图2(c)为使用LGD模型对自然图像进行分割的结果,
图2(d)为使用本发明对自然图像进行分割的结果,
对比图2(c)和图2(d),可以看出本发明对自然图像分割效果好。
仿真2,用本发明和现有LGD模型对医学图像进行分割,结果如图3所示,其中:
图3(a)为初始医学图像,
图3(b)为使用LGD模型对医学图像的初始化,
图3(c)为使用LGD模型对医学图像进行分割的结果,
图3(d)为使用本发明对医学图像进行分割的结果,
对比图3(c)和图3(d),可以看出本发明对医学图像分割效果好。
仿真3,用本发明和现有LGD模型对遥感图像进行分割,结果如图4所示,其中:
图4(a)为初始遥感图像,
图4(b)为使用LGD模型对遥感图像的初始化,
图4(c)为使用LGD模型对遥感图像进行分割的结果,
图4(d)为使用本发明对遥感图像进行分割的结果,
对比图4(c)和图4(d),可以看出本发明对遥感图像分割效果好,可以取得全局最优分割结果。
仿真1、仿真2和仿真3所有的迭代次数和时间如表1所示:
表1
由表1可知,与LGD模型相比,本发明只需要迭代几次便可得到结果,图像分割所有时间远远小于LGD模型,图像分割效率较高。
Claims (4)
1.一种基于局部高斯和玻尔兹曼的水平集图像分割方法,包括如下步骤:
(1)输入待分割图像I到局部高斯模型中,得到关于图像I的能量函数E(I);
(2)通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ),其中φ为演化曲线;
(3)将演化曲线初始化为初始演化曲线φ(X,n),其中X为图像上的点,状态n=0;
(4)求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1);
(5)计算停止函数S,设置阈值T,比较阈值T和停止函数S的大小:
(5.1)根据新的演化曲线φ(X,n+1)和初始演化曲线φ(X,n)计算停止函数S:
其中,m1,m2,σ1,σ2分别为新的演化曲线φ(X,n+1)内外均值和内外方差,m3,m4,σ3,σ4分别为初始演化曲线φ(X,n)的内外均值和内外方差;
(5.2)设置阈值T,比较阈值T和停止函数S的大小:
当T<S时,n=n+1,继续迭代,返回步骤(4);
当T≥S时,迭代终止,得到演化曲线φr=φ(X,n+1);
(6)对演化曲线φr进行形态学开操作,得到最终分割结果φz。
2.根据权利要求1所述的基于局部高斯和玻尔兹曼的水平集图像分割方法,其中所述步骤(2)中通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ),按如下步骤进行:
(2.1)对能量函数E(I)求导,得到被积函数G,其表达式为:
其中,Ω为图像域,X为图像上的点,Y∈|X-Y|≤ρ,I(Y)为点Y的像素值,ρ为局部半径,α为局部高斯权重,β为长度参数,γ为惩罚项参数,w(X-Y)为高斯核函数,M1=H(φ(X)),M2=1-H(φ(X)),H(φ)为阶跃函数,▽为拉普拉斯算子;
(2.2)当能量函数E(I)达到极小时,被积函数G对应的Euler-Lagrange方程为:
(2.3)引入时间变量t,得到能量函数E(I)对应的演化方程Y(φ):
其中,
μj(X),σj(X)分别为点X的高斯均值和高斯标准差,δ(φ)是冲击函数。
3.根据权利要求1所述的基于局部高斯和玻尔兹曼的水平集图像分割方法,其中所述步骤(4)求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1),按如下步骤进行:
(4.1)令|▽φ|=1,将演化方程Y(φ)化简为:
(4.2)将Chapman-Enskog扩散方程CE与化简后的演化方程Y(φ)相对应,得出玻尔兹曼参数z,外力F:
其中,Δt为时间步长,
(4.3)把初始演化曲线φ(X,n)代入到(4.2)的波尔兹曼参数z和外力F等式中,得到在状态n时的玻尔兹曼参数zn和外力Fn:
(4.4)令初始分布函数 为均衡分布函数,把参数zn、外力Fn、初始分布函数fk(X,n)和均衡分布函数代入玻尔兹曼的主方程中,计算新的分布函数fk(X,n+1):
(4.5)把新的分布函数fk(X,n+1)代入玻尔兹曼的次方程中,计算新的演化曲线φ(X,n+1):
4.根据权利要求1所述的基于局部高斯和玻尔兹曼的水平集图像分割方法,其中所述步骤(6)中对演化曲线φr进行形态学开操作,按如下步骤进行:
(6.1)对演化曲线φr进行形态学腐蚀,去除演化曲线φr中的孤立点,缩小其目标区域,得到临时演化曲线φf;
(6.2)对临时演化曲线φf进行形态学膨胀,恢复目标区域的大小,得到最终分割结果φz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510512726.8A CN105160662A (zh) | 2015-08-19 | 2015-08-19 | 基于局部高斯和玻尔兹曼的水平集图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510512726.8A CN105160662A (zh) | 2015-08-19 | 2015-08-19 | 基于局部高斯和玻尔兹曼的水平集图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160662A true CN105160662A (zh) | 2015-12-16 |
Family
ID=54801504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510512726.8A Pending CN105160662A (zh) | 2015-08-19 | 2015-08-19 | 基于局部高斯和玻尔兹曼的水平集图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160662A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056582A (zh) * | 2016-05-23 | 2016-10-26 | 温文媖 | 一种基于反应扩散方程的分割方法 |
CN106599901A (zh) * | 2016-10-09 | 2017-04-26 | 福州大学 | 基于深度玻尔兹曼机的协同目标分割与行为识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737378A (zh) * | 2012-05-24 | 2012-10-17 | 中国科学院深圳先进技术研究院 | 测地线活动轮廓分割图像的方法和系统 |
CN103093437A (zh) * | 2013-01-30 | 2013-05-08 | 深圳深讯和科技有限公司 | 生成铅笔画风格图像的方法及装置 |
-
2015
- 2015-08-19 CN CN201510512726.8A patent/CN105160662A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737378A (zh) * | 2012-05-24 | 2012-10-17 | 中国科学院深圳先进技术研究院 | 测地线活动轮廓分割图像的方法和系统 |
CN103093437A (zh) * | 2013-01-30 | 2013-05-08 | 深圳深讯和科技有限公司 | 生成铅笔画风格图像的方法及装置 |
Non-Patent Citations (3)
Title |
---|
LI WANG等: "Active contours driven by local Gaussian distribution fitting energy", 《SIGNAL PROCESSING》 * |
ZHIQIANG WANG等: "Lattice Boltzmann Method of Active Contour for Image Segmentation", 《2011 SIXTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
基于局部高斯分布的图像分割算法的改进: "基于局部高斯分布的图像分割算法的改进", 《SCIENCE JOURNAL OF COMPUTER SCIENCE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056582A (zh) * | 2016-05-23 | 2016-10-26 | 温文媖 | 一种基于反应扩散方程的分割方法 |
CN106056582B (zh) * | 2016-05-23 | 2019-01-25 | 温文媖 | 一种基于反应扩散方程的分割方法 |
CN106599901A (zh) * | 2016-10-09 | 2017-04-26 | 福州大学 | 基于深度玻尔兹曼机的协同目标分割与行为识别方法 |
CN106599901B (zh) * | 2016-10-09 | 2019-06-07 | 福州大学 | 基于深度玻尔兹曼机的协同目标分割与行为识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272512B (zh) | 一种自动分割左心室内外膜的方法 | |
CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
Rivest-Hénault et al. | A local linear level set method for the binarization of degraded historical document images | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
CN103942794A (zh) | 一种基于置信度的图像协同抠图方法 | |
Li et al. | Image segmentation algorithm using watershed transform and level set method | |
CN104732551A (zh) | 基于超像素和图割优化的水平集图像分割方法 | |
CN110706234A (zh) | 一种图像的自动精细分割方法 | |
Hua et al. | GrabCut color image segmentation based on region of interest | |
CN105160662A (zh) | 基于局部高斯和玻尔兹曼的水平集图像分割方法 | |
CN105654450A (zh) | 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法 | |
CN105913434B (zh) | 一种白细胞定位和迭代分割方法 | |
CN104376559A (zh) | 基于改进的距离调整水平集算法的医学图像分割方法 | |
CN110176021B (zh) | 结合亮度校正的显著性信息的水平集图像分割方法及系统 | |
CN104463889B (zh) | 一种基于cv模型的无人机自主着陆目标提取方法 | |
Chuanyun et al. | Cell Segmentation in Cervical Smear Images using Polar Coordinates GVF Snake with Radiating Edge Map. | |
Cui et al. | An improved image segmentation algorithm based on the watershed transform | |
Dzyubachyk et al. | A variational model for level-set based cell tracking in time-lapse fluorescence microscopy images | |
Long et al. | Cervical cell TCT image detection and segmentation based on multi-scale feature fusion | |
CN104680529A (zh) | 基于形状先验和相似性约束的颈动脉内外壁自动分割方法 | |
Chen et al. | Centerline constrained minimal path propagation for vessel extraction | |
Pan et al. | Flooding based superpixels generation with color, compactness and smoothness constraints | |
CN104182990A (zh) | 一种实时序列图像运动目标区域获取方法 | |
CN109949315A (zh) | 基于混合对数正态模型的sar影像水陆分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151216 |