CN105321184B - 改进的基于边缘水平集的含噪图像分割方法与系统 - Google Patents
改进的基于边缘水平集的含噪图像分割方法与系统 Download PDFInfo
- Publication number
- CN105321184B CN105321184B CN201510837317.5A CN201510837317A CN105321184B CN 105321184 B CN105321184 B CN 105321184B CN 201510837317 A CN201510837317 A CN 201510837317A CN 105321184 B CN105321184 B CN 105321184B
- Authority
- CN
- China
- Prior art keywords
- mrow
- level set
- pixel point
- function
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000009499 grossing Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004800 variational method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进的基于边缘水平集的含噪图像分割方法与系统，该方法包括步骤：对含噪图像进行预处理、初始化水平集函数、计算局部区域拟合均值、计算局部区域拟合方差和可变区域系数、计算边缘停止函数、更新水平集函数、判断水平集演化终止条件与输出分割结果。本发明在对含噪图像进行分割时，具有对噪声不敏感和不漏掉边缘的特性。
Description
技术领域
本发明涉及图像处理领域。更具体地，涉及一种改进的基于边缘水平集的含噪图像分割方法与系统。
背景技术
图像分割在图像处理和计算机视觉中具有重要意义。为了实现这个目的，各种方法被提出。在这些方法中，主动轮廓模型(也叫蛇模型或可变模型)，由于能够提供更为光滑和精确的分割结果而被广泛的使用。
Kass提出了原始的主动轮廓模型，又叫做参数主动轮廓模型，由于该模型使用了显示的曲线去提取目标边缘，因此很难处理轮廓曲线的拓扑变化。Osher和Sethian提出了水平集方法，通过将一个轮廓曲线隐式地表示为一个高维函数(又叫做水平集函数)的零水平集，从而可以很容易地在水平集函数的演化过程中处理轮廓曲线的拓扑变化。
现有的基于水平集的图像分割方法可以分为两类：基于边缘的水平集方法和基于区域的水平集方法。基于边缘的水平集方法，通过使用与图像梯度信息相关的边缘停止函数，引导水平集函数的零水平集接近并提取目标的边缘。基于区域的水平集方法，通过区域描述的方法，引导水平集函数的零水平集接近并提取目标的边缘。
基于边缘的水平集方法，由于使用边缘停止函数来保证水平集函数的零水平集能够停留在目标的边缘，而边缘停止函数是基于图像梯度信息的，对噪声比较敏感，因此，基于边缘的水平集方法在对含噪图像进行分割时不能够获得满意的图像分割结果。基于边缘的水平集方法，由于区域能量项控制着水平集函数的演化速度，因此，当初始化轮廓曲线距目标边缘较远时，区域能量项是必要的。由于区域系数在区域能量项中占据着重要的作用，而在传统的基于边缘的水平集函数中，它常常被设为一个常数。对于含噪图像的分割，由于噪声的影响，过小的区域系数容易使得轮廓曲线陷入到局部极小值，过大的区域系数容易使得轮廓曲线漏掉较弱的边缘，因此，区域系数仍被设为常数是不合适的。
因此，需要提供一种改进的基于边缘水平集的含噪图像分割方法与系统。
发明内容
本发明的目的在于提供一种改进的基于边缘水平集的含噪图像分割方法与系统，以解决现有技术中基于边缘的水平集方法对含噪图像不能获得满意分割结果的问题。
为达到上述目的，本发明采用下述技术方案：
一种改进的基于边缘水平集的含噪图像分割方法，该方法包括如下步骤：
S1、对含噪图像进行平滑处理，并计算平滑后图像中各像素点的梯度值；
S2、利用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值；
S3、基于各像素点的水平集函数值，计算各像素点的局部区域拟合均值；
S4、基于各像素点的水平集函数值和局部区域拟合均值，计算各像素点的局部区域拟合方差和可变区域系数；
S5、基于各像素点的梯度值和局部区域拟合方差，计算各像素点的边缘停止函数值；
S6、基于各像素点的水平集函数值、可变区域系数和边缘停止函数值，更新各像素点的水平集函数值；
S7、判断所述更新各像素点的水平集函数值的次数是否达到设置的最大迭代步数，若达到最大迭代步数，则输出分割结果；若未达到最大迭代步数，则转入步骤S3。
优选地，步骤S3中
计算各像素点的局部区域拟合均值的公式为：
公式中，y为像素点x的局部区域内的像素点，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，kσ(x-y)为标准差为σ的高斯核函数，I(·)为图像灰度值，H(·)为阶跃函数，为水平集函数。
优选地，步骤S4中
计算各像素点的局部区域拟合方差的公式为：
公式中，y为像素点x的局部区域内的像素点，为像素点x在轮廓曲线内部的局部区域拟合方差，为像素点x在轮廓曲线外部的局部区域拟合方差，kσ(x-y)为标准差为σ的高斯核函数，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，I(·)为图像灰度值，H(·)为阶跃函数，为水平集函数；
计算各像素点的可变区域系数的公式为：
公式中，υ(x)为像素点x的可变区域系数，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，α为线性系数，β为非线性系数，k为常系数。
优选地，步骤S5中
计算各像素点的边缘停止函数值的公式为：
公式中，g(x)为像素点x的边缘停止函数值，为像素点x在轮廓曲线内部的局部区域拟合方差，为像素点x在轮廓曲线外部的局部区域拟合方差，为梯度算子，为平滑后图像的梯度图像，Gσ为标准差为σ的高斯滤波函数。
优选地，步骤S6进一步包括如下子步骤：
S6.1、将可变区域系数υ(x)和边缘停止函数g(x)引入到更新水平集函数的计算中，引入后的水平集函数的能量函数为：
公式中，μ为惩罚能量项的系数，λ为长度能量项的系数，为区域能量项，δε(·)和Hε(·)分别为狄克拉函数和阶跃函数的近似表达式，分别定义为：
公式中，ε为控制近似表达式δε(·)和Hε(·)近似程度的参数；
为惩罚能量项的势函数，定义为：
S6.2、固定可变区域系数υ(x)和边缘停止函数g(x)，利用变分法的梯度下降流方程公式：获得水平集函数的演化方程，该方程为：
公式中，div为散度算子，
S6.3、对水平集函数的演化方程中的时间偏导数用向前差分方程近似、空间偏导数用中心差分方程近似，获得水平集函数的演化方程的离散差分方程，该方程为：
公式中，Δt为时间步长，(i,j)为空间索引，k为时间索引，为第k+1次迭代后的水平集函数值，为第k次迭代后的水平集函数值，为水平集函数的演化方程右边的近似；
S6.4、对水平集函数的演化方程的离散差分方程进行变形处理，得到水平集函数的演化方程的迭代方程：
S6.5、利用水平集函数的演化方程的迭代方程更新各像素点的水平集函数值。
优选地，高斯核函数kσ(x-y)的窗口值为3×3或5×5。
一种改进的基于边缘水平集的含噪图像分割系统，该系统包括：
含噪图像的预处理模块，对含噪图像进行平滑处理，并计算平滑后图像中各像素点的梯度值；
水平集函数的初始化模块，利用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值；
局部区域拟合均值计算模块，基于各像素点的水平集函数值，计算各像素点的局部区域拟合均值；
局部区域拟合方差和可变区域系数计算模块，基于各像素点的水平集函数值和局部区域拟合均值，计算各像素点的局部区域拟合方差和可变区域系数；
边缘停止函数计算模块，基于各像素点的梯度值和局部区域拟合方差，计算各像素点的边缘停止函数值；
水平集函数更新模块，基于各像素点的水平集函数值、可变区域系数和边缘停止函数值，更新各像素点的水平集函数值；
水平集演化控制模块，判断所述更新各像素点的水平集函数值的次数是否达到设置的最大迭代步数，若达到最大迭代步数，则输出分割结果；若未达到最大迭代步数，则控制局部区域拟合均值计算模块、局部区域拟合方差和可变区域系数计算模块、边缘停止函数计算模块和水平集函数更新模块进行数据处理。
优选地，该系统还包括显示模块，显示分割系统中各模块的数据处理过程。
本发明的有益效果如下：
本发明所述技术方案针对传统的基于边缘的水平集方法不能对含噪图像获得满意分割结果的问题，通过分析噪声点和目标边缘点不同的区域特性，使用图像点的局部区域特性去区分噪声和目标边缘。基于图像点的局部区域特性，提出了一种可变区域系数和一种改进的边缘停止函数，继而提出了一种改进的基于边缘水平集方案，该方案可以在对噪声不敏感和不漏掉弱边缘的情况下，对含噪图像获得满意的分割结果。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出实施例1提供的改进的基于边缘水平集的含噪图像分割方法的流程图；
图2中，2-a示出待分割的含椒盐噪声的图像的示意图，2-b示出待分割的含高斯噪声的图像的示意图，2-c示出待分割的含斑点噪声的图像的示意图；
图3中，3-a示出平滑后的含椒盐噪声图像及其初始化轮廓曲线的示意图，3-b示出平滑后的含高斯噪声图像及其初始化轮廓曲线的示意图，3-c示出平滑后的含斑点噪声图像及其初始化轮廓曲线的示意图；
图4中，4-a示出含椒盐噪声的图像的分割结果的轮廓示意图，4-b含高斯噪声的图像的分割结果的轮廓示意图，4-c示出含斑点噪声的图像的分割结果的轮廓示意图；
图5示出实施例2提供的改进的基于边缘水平集的含噪图像分割系统的示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
实施例1
如图1所示，本实施例提供的改进的基于边缘水平集的含噪图像分割方法，包括如下步骤：
S1、对含噪图像进行平滑处理，并计算平滑后图像中各像素点的梯度值；
S2、利用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值；
S3、基于各像素点的水平集函数值，计算各像素点的局部区域拟合均值；
S4、基于各像素点的水平集函数值和局部区域拟合均值，计算各像素点的局部区域拟合方差和可变区域系数；
S5、基于各像素点的梯度值和局部区域拟合方差，计算各像素点的边缘停止函数值；
S6、基于各像素点的水平集函数值、可变区域系数和边缘停止函数值，更新各像素点的水平集函数值；
S7、判断所述更新各像素点的水平集函数值的次数是否达到设置的最大迭代步数，若达到最大迭代步数，则输出分割结果；若未达到最大迭代步数，则转入步骤S3，其中的最大迭代步数应设为一个较大的数值，通常设为1500-2500之间即可保证迭代收敛及水平集能够对待分割图像进行分割。
其中，
步骤S1包括如下子步骤：
S1.1、利用高斯滤波器对输入的含噪图像进行平滑处理；
S1.2、使用梯度算子获得平滑后图像各像素点的梯度值。
步骤S2的具体过程为：
利用水平集初始化函数：获得各像素点的水平集函数值。
步骤S3中：
计算各像素点的局部区域拟合均值的公式为：
公式中，y为像素点x的局部区域内的像素点，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，kσ(x-y)为标准差为σ的高斯核函数，I(·)为图像灰度值，H(·)为阶跃函数，为水平集函数。
步骤S4中：
计算各像素点的局部区域拟合方差的公式为：
公式中，y为像素点x的局部区域内的像素点，为像素点x在轮廓曲线内部的局部区域拟合方差，为像素点x在轮廓曲线外部的局部区域拟合方差，kσ(x-y)为标准差为σ的高斯核函数，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，I(·)为图像灰度值，H(·)为阶跃函数，为水平集函数；
计算各像素的可变区域系数的公式为：
公式中，υ(x)为像素点x的可变区域系数，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，α为线性系数，β为非线性系数，k为常系数。
步骤S5中：
计算各像素点的边缘停止函数值的公式为：
公式中，g(x)为像素点x的边缘停止函数值，为像素点x在轮廓曲线内部的局部区域拟合方差，为像素点x在轮廓曲线外部的局部区域拟合方差，为梯度算子，为平滑后图像的梯度图像，Gσ为标准差为σ的高斯滤波函数。
步骤S6进一步包括如下子步骤：
S6.1、将可变区域系数υ(x)和边缘停止函数g(x)引入到更新水平集函数的计算中，引入后的水平集函数的能量函数为：
公式中，μ为惩罚能量项的系数，λ为长度能量项的系数，为区域能量项，δε(·)和Hε(·)分别为狄克拉函数和阶跃函数的近似表达式，分别定义为：
公式中，ε为控制近似表达式δε(·)和Hε(·)近似程度的参数；
为惩罚能量项的势函数，定义为：
S6.2、固定可变区域系数υ(x)和边缘停止函数g(x)，利用变分法的梯度下降流方程公式：获得水平集函数的演化方程，该方程为：
公式中，div为散度算子，
S6.3、对水平集函数的演化方程中的时间偏导数用向前差分方程近似、空间偏导数用中心差分方程近似，获得水平集函数的演化方程的离散差分方程，该方程为：
公式中，Δt为时间步长，(i,j)为空间索引，k为时间索引，为第k+1次迭代后的水平集函数值，为第k次迭代后的水平集函数值，为水平集函数的演化方程右边的近似；
S6.4、对水平集函数的演化方程的离散差分方程进行变形处理，得到水平集函数的演化方程的迭代方程：
S6.5、利用水平集函数的演化方程的迭代方程更新各像素点的水平集函数值。
高斯核函数kσ(x-y)的窗口值为3×3或5×5，以保证局部区域拟合均值和方差的拟合误差不至于增加的过大以至于影响水平集函数演化的稳定性。
下面通过代入具体的不同类型噪声的噪声图像对实施例1做进一步的说明：
待分割的含噪图像如图2中2-a至2-c所示，则改进的基于边缘水平集的含噪图像分割方法包括：
S1、输入含噪图像的预处理步骤：
对如图2中2-a至2-c所示的输入的不同噪声类型的含噪图像进行平滑处理，平滑处理过程使用高斯滤波器平滑图像；然后使用梯度算子获得平滑后图像各像素点的梯度值。
S2、水平集函数的初始化步骤：使用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值，平滑后图像及其初始化轮廓曲线如图3中3-a至3-c所示。
S3、局部区域拟合均值的计算步骤：使用局部区域拟合均值的计算公式：和分别计算各像素点在轮廓曲线内部和外部的局部区域拟合均值。
S4、局部区域拟合方差和可变区域系数的计算步骤：使用局部区域拟合方差的计算公式：和分别计算各像素点在零水平集内部和外部的局部区域拟合方差；使用可变区域系数的计算公式：计算平滑后图像各像素点的可变区域系数。
S5、改进的边缘停止函数的计算步骤：使用改进的边缘停止函数的计算公式：计算各像素点的改进的边缘停止函数值。
S6、水平集函数的更新步骤：使用水平集函数的演化方程的迭代方程：更新各像素点的水平集函数值。
S7、水平集演化终止条件的判断和分割结果的输出步骤：判断迭代是否达到设置的最大迭代步数；是，则输出分割结果；否，则重复步骤S3-S6的流程，最终，得到的分割结果如图4中4-a至4-c所示。
实施例2
如图5所示，本实施例提供的改进的基于边缘水平集的含噪图像分割系统，包括：
含噪图像的预处理模块，对含噪图像进行平滑处理，并计算平滑后图像中各像素点的梯度值；
水平集函数的初始化模块，利用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值；
局部区域拟合均值计算模块，基于各像素点的水平集函数值，计算各像素点的局部区域拟合均值；
局部区域拟合方差和可变区域系数计算模块，基于各像素点的水平集函数值和局部区域拟合均值，计算各像素点的局部区域拟合方差和可变区域系数；
边缘停止函数计算模块，基于各像素点的梯度值和局部区域拟合方差，计算各像素点的边缘停止函数值；
水平集函数更新模块，基于各像素点的水平集函数值、可变区域系数和边缘停止函数值，更新各像素点的水平集函数值；
水平集演化控制模块，判断所述更新各像素点的水平集函数值的次数是否达到设置的最大迭代步数，若达到最大迭代步数，则输出分割结果；若未达到最大迭代步数，则控制局部区域拟合均值计算模块、局部区域拟合方差和可变区域系数计算模块、边缘停止函数计算模块和水平集函数更新模块进行数据处理。
进一步，为了方便使用者了解系统对含噪图像的分割过程，该系统还包括显示模块，显示分割系统中各模块的数据处理过程。
综上所述，本发明所述技术方案可以在不对噪声敏感和不漏掉目标边缘下对含噪图像获得满意的分割结果，针对如图2所示的输入的不同噪声类型的含噪图像，本发明均可以获得如图4所示的满意的分割结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种改进的基于边缘水平集的含噪图像分割方法，其特征在于，该方法包括如下步骤：
S1、对含噪图像进行平滑处理，并计算平滑后图像中各像素点的梯度值；
S2、利用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值；
S3、基于各像素点的水平集函数值，计算各像素点的局部区域拟合均值；
S4、基于各像素点的水平集函数值和局部区域拟合均值，计算各像素点的局部区域拟合方差和可变区域系数，其中，
计算各像素点的局部区域拟合方差的公式为：
公式中，y为像素点x的局部区域内的像素点，为像素点x在轮廓曲线内部的局部区域拟合方差，为像素点x在轮廓曲线外部的局部区域拟合方差，kσ(x-y)为标准差为σ的高斯核函数，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，I(·)为图像灰度值，H(·)为阶跃函数，为水平集函数；
计算各像素点的可变区域系数的公式为：
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&alpha;e</mi>
<mrow>
<mo>-</mo>
<mi>&beta;</mi>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</msup>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
</mrow>
公式中，υ(x)为像素点x的可变区域系数，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，α为线性系数，β为非线性系数，k为常系数；
S5、基于各像素点的梯度值和局部区域拟合方差，计算各像素点的边缘停止函数值；
S6、基于各像素点的水平集函数值、可变区域系数和边缘停止函数值，更新各像素点的水平集函数值；
S7、判断所述更新各像素点的水平集函数值的次数是否达到设置的最大迭代步数，若达到最大迭代步数，则输出分割结果；若未达到最大迭代步数，则转入步骤S3。
2.根据权利要求1所述的改进的基于边缘水平集的含噪图像分割方法，其特征在于，步骤S3中
计算各像素点的局部区域拟合均值的公式为：
公式中，y为像素点x的局部区域内的像素点，fin(x)为像素点x在轮廓曲线内部的局部区域拟合均值，fout(x)为像素点x在轮廓曲线外部的局部区域拟合均值，kσ(x-y)为标准差为σ的高斯核函数，I(·)为图像灰度值，H(·)为阶跃函数，为水平集函数。
3.根据权利要求1所述的改进的基于边缘水平集的含噪图像分割方法，其特征在于，步骤S5中
计算各像素点的边缘停止函数值的公式为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>f</mi>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mo>*</mo>
<mi>I</mi>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
公式中，g(x)为像素点x的边缘停止函数值，为像素点x在轮廓曲线内部的局部区域拟合方差，为像素点x在轮廓曲线外部的局部区域拟合方差，为梯度算子，为平滑后图像的梯度图像，Gσ为标准差为σ的高斯滤波函数。
4.根据权利要求1所述的改进的基于边缘水平集的含噪图像分割方法，其特征在于，步骤S6进一步包括如下子步骤：
S6.1、将可变区域系数υ(x)和边缘停止函数g(x)引入到更新水平集函数的计算中，引入后的水平集函数的能量函数为：
公式中，μ为惩罚能量项的系数，λ为长度能量项的系数，为区域能量项，δε(·)和Hε(·)分别为狄克拉函数和阶跃函数的近似表达式，分别定义为：
<mrow>
<msub>
<mi>&delta;</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&pi;</mi>
<mi>x</mi>
</mrow>
<mi>&epsiv;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
</mrow>
<mo>></mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mi>x</mi>
<mi>&epsiv;</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>&pi;</mi>
</mfrac>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&pi;</mi>
<mi>x</mi>
</mrow>
<mi>&epsiv;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>|</mo>
</mrow>
<mo>&le;</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>></mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo><</mo>
<mo>-</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
公式中，ε为控制近似表达式δε(·)和Hε(·)近似程度的参数；
为惩罚能量项的势函数，定义为：
S6.2、固定可变区域系数υ(x)和边缘停止函数g(x)，利用变分法的梯度下降流方程公式：获得水平集函数的演化方程，该方程为：
公式中，div为散度算子，
S6.3、对水平集函数的演化方程中的时间偏导数用向前差分方程近似、空间偏导数用中心差分方程近似，获得水平集函数的演化方程的离散差分方程，该方程为：
公式中，Δt为时间步长，(i,j)为空间索引，k为时间索引，为第k+1次迭代后的水平集函数值，为第k次迭代后的水平集函数值，为水平集函数的演化方程右边的近似；
S6.4、对水平集函数的演化方程的离散差分方程进行变形处理，得到水平集函数的演化方程的迭代方程：
S6.5、利用水平集函数的演化方程的迭代方程更新各像素点的水平集函数值。
5.根据权利要求3所述的改进的基于边缘水平集的含噪图像分割方法，其特征在于，高斯核函数kσ(x-y)的窗口值为3×3或5×5。
6.一种执行如权利要求1所述的改进的基于边缘水平集的含噪图像分割方法的改进的基于边缘水平集的含噪图像分割系统，其特征在于，该系统包括：
含噪图像的预处理模块，对含噪图像进行平滑处理，并计算平滑后图像中各像素点的梯度值；
水平集函数的初始化模块，利用水平集初始化函数对平滑后图像进行初始化，获得各像素点的水平集函数值；
局部区域拟合均值计算模块，基于各像素点的水平集函数值，计算各像素点的局部区域拟合均值；
局部区域拟合方差和可变区域系数计算模块，基于各像素点的水平集函数值和局部区域拟合均值，计算各像素点的局部区域拟合方差和可变区域系数；
边缘停止函数计算模块，基于各像素点的梯度值和局部区域拟合方差，计算各像素点的边缘停止函数值；
水平集函数更新模块，基于各像素点的水平集函数值、可变区域系数和边缘停止函数值，更新各像素点的水平集函数值；
水平集演化控制模块，判断所述更新各像素点的水平集函数值的次数是否达到设置的最大迭代步数，若达到最大迭代步数，则输出分割结果；若未达到最大迭代步数，则控制局部区域拟合均值计算模块、局部区域拟合方差和可变区域系数计算模块、边缘停止函数计算模块和水平集函数更新模块进行数据处理。
7.根据权利要求6所述的改进的基于边缘水平集的含噪图像分割系统，其特征在于，该系统还包括显示模块，显示分割系统中各模块的数据处理过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510837317.5A CN105321184B (zh) | 2015-11-26 | 2015-11-26 | 改进的基于边缘水平集的含噪图像分割方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510837317.5A CN105321184B (zh) | 2015-11-26 | 2015-11-26 | 改进的基于边缘水平集的含噪图像分割方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105321184A CN105321184A (zh) | 2016-02-10 |
| CN105321184B true CN105321184B (zh) | 2018-01-16 |
Family
ID=55248499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510837317.5A Expired - Fee Related CN105321184B (zh) | 2015-11-26 | 2015-11-26 | 改进的基于边缘水平集的含噪图像分割方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105321184B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204592B (zh) * | 2016-07-12 | 2019-02-05 | 东北大学 | 一种基于局部灰度聚类特征的图像水平集分割方法 |
| CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
| CN108090909B (zh) * | 2017-12-15 | 2020-09-08 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
| CN109615595B (zh) * | 2018-12-03 | 2019-07-23 | 中国石油大学(华东) | 一种基于双边滤波的水平集sar溢油提取方法 |
| CN112668360A (zh) * | 2019-10-15 | 2021-04-16 | 深圳市理邦精密仪器股份有限公司 | 瞳孔的测量方法、装置、医疗设备及存储介质 |
| CN111145179B (zh) * | 2019-11-20 | 2023-07-25 | 昆明理工大学 | 一种基于水平集的灰度不均图像分割方法 |
| CN114913188B (zh) * | 2022-05-27 | 2024-06-28 | 苏州大学 | 一种图像分割方法、存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682449A (zh) * | 2012-04-25 | 2012-09-19 | 中国人民解放军军事医学科学院卫生装备研究所 | 软组织核磁图像自适应外力水平集自动分割及实现方法 |
| CN102831608A (zh) * | 2012-08-06 | 2012-12-19 | 哈尔滨工业大学 | 基于非稳态测量算法的改进规则距离水平集的图像分割方法 |
| CN102930273A (zh) * | 2012-10-15 | 2013-02-13 | 西安电子科技大学 | 基于亮度自适应水平集的极光卵分割方法 |
| CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
-
2015
- 2015-11-26 CN CN201510837317.5A patent/CN105321184B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682449A (zh) * | 2012-04-25 | 2012-09-19 | 中国人民解放军军事医学科学院卫生装备研究所 | 软组织核磁图像自适应外力水平集自动分割及实现方法 |
| CN102831608A (zh) * | 2012-08-06 | 2012-12-19 | 哈尔滨工业大学 | 基于非稳态测量算法的改进规则距离水平集的图像分割方法 |
| CN102930273A (zh) * | 2012-10-15 | 2013-02-13 | 西安电子科技大学 | 基于亮度自适应水平集的极光卵分割方法 |
| CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Distance Regularized Level Set Evolution and Its Application to Image Segmentation;Chunming Li et al;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20101231;第19卷(第12期);第3243-3254页 * |
| Level Set Evolution Without Re-initialization: A New Variational Formulation;Chunming Li et al;《Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition》;20051231;第430-436页 * |
| Minimization of Region-Scalable Fitting Energy for Image Segmentation;Chunming Li et al;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20081031;第17卷(第10期);第Ⅲ节第C、D小节，第Ⅳ节第A小节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105321184A (zh) | 2016-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105321184B (zh) | 改进的基于边缘水平集的含噪图像分割方法与系统 | |
| Li et al. | Minimization of region-scalable fitting energy for image segmentation | |
| Jiang et al. | Image segmentation based on level set method | |
| CN105551054B (zh) | 全局和局部信息自适应调整的图像分割活动轮廓方法 | |
| CN107330897B (zh) | 图像分割方法及其系统 | |
| CN105184766B (zh) | 一种频域边界能量模型的水平集图像分割方法 | |
| CN105989598A (zh) | 基于局部强化主动轮廓模型的眼底图像血管分割方法 | |
| Le Guyader et al. | Self-repelling snakes for topology-preserving segmentation models | |
| CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
| CN101964112A (zh) | 自适应的基于先验形状的图像分割方法 | |
| Yeo et al. | Geometrically induced force interaction for three-dimensional deformable models | |
| CN111145142A (zh) | 一种基于水平集算法的灰度不均囊肿图像分割方法 | |
| Zhou et al. | An improved Chan–Vese model by regional fitting for infrared image segmentation | |
| Wang et al. | Hybrid level set method based on image diffusion | |
| CN108898611A (zh) | 基于显著感知先验的模糊区域活动轮廓分割模型 | |
| CN105787956B (zh) | 构造基于分数阶微分信息的自适应权重活动轮廓模型的方法及系统 | |
| CN111145179B (zh) | 一种基于水平集的灰度不均图像分割方法 | |
| Jayadevappa et al. | A New Deformable Model Based on Level Sets for Medical Image Segmentation. | |
| CN107798684B (zh) | 一种基于符号压力函数的活动轮廓图像分割方法及装置 | |
| Li et al. | 3D Brain Segmentation Using Dual‐Front Active Contours with Optional User Interaction | |
| CN112700459B (zh) | 一种基于多特征信息融合的水平集红外图像分割方法 | |
| CN105631856B (zh) | 自适应调整的红外船舶图像活动轮廓分割方法 | |
| Wang et al. | Medical images segmentation using active contours driven by global and local image fitting energy | |
| Wang et al. | Fast Global Active Contour Model with Local Information | |
| CN109934825A (zh) | 一种结合层次化高斯混合模型和m-h的遥感影像分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 Termination date: 20181126 |