CN105701818A - 基于区域划分和梯度引导的图像多目标分割c-v方法 - Google Patents
基于区域划分和梯度引导的图像多目标分割c-v方法 Download PDFInfo
- Publication number
- CN105701818A CN105701818A CN201610022718.XA CN201610022718A CN105701818A CN 105701818 A CN105701818 A CN 105701818A CN 201610022718 A CN201610022718 A CN 201610022718A CN 105701818 A CN105701818 A CN 105701818A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- segmentation
- region
- function
- 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.)
- Granted
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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于区域划分和梯度引导的图像多目标分割水平集C-V方法,首先通过最大类间方差法快速确定目标边界的大致轮廓,然后以此轮廓线为初始轮廓,以基于梯度引导的多目标分割水平集C-V模型将图像多目标分割转换为单水平集的演化过程,进而通过自适应的梯度引导来控制轮廓线水平集的演化进程实现对多目标的分割。本发明在考虑图像全局信息的基础上,通过各目标的大致轮廓兼顾了目标的局部特性,有效避免了目标的遗漏现象,并通过梯度引导提高了对目标分割的精度和效率。此外,本发明也克服了传统模型对初始演化曲线的敏感性。
Description
技术领域
本发明属于数字图像处理方法,尤其涉及一种基于区域划分和梯度引导的图像多目标分割的C-V方法。
背景技术
图像分割是将图像中的“目标”区域与其他“背景”区域分割开,其作为图像处理和分析的基本性工作一直受到关注。然而,由于图像本身具有的“病态”特性以及不同图像所包含的信息特性不同,使得不同的分割方法所带来的分割效果有所不同,到目前为止,还很难找到一个适应于各种图像分割的有效方法。近年来,基于活动轮廓模型(ActiveContourModel,ACM)的图像分割方法取得了很好的研究进展,其基本思想是通过能量泛函来控制初始化的一条封闭轮廓曲线向内或外运动,使其最终停止在目标的边缘上。基于ACM的图像分割方法主要分为基于边缘的分割方法和基于区域的分割方法两类,前者运用图像的局部特性控制曲线的演化趋势,从而能够较好地控制曲线在图像细节区域的演化,但该类方法由于与梯度相关,当边缘断裂等梯度无意义的情况出现时,曲线的演化通常不能有效进行,从而影响了最后的分割效果;后者综合考虑了图像的全局特性,具有梯度无关性,能够较好地处理边界模糊、断裂等梯度无意义区域。该类分割方法的典型代表是C-V方法,该方法对无边缘或边缘模糊目标,以及具有一定局部噪声图像的分割具有很好的鲁棒性。然而,对灰度不均匀对象很难有效地进行处理,特别对多目标的分割容易出现漏掉目标或对目标过分割的情形。此外,该方法对图像纹理丰富信息的处理还过于粗糙,演化速度较慢。
发明内容
本发明是为了解决现有技术所存在的上述技术问题,提供一种基于区域划分和梯度引导的图像多目标分割的C-V方法。
本发明的技术解决方案是:一种基于区域划分和梯度引导的图像多目标分割C-V方法,其特征在于包括如下步骤:
步骤1.通过最大类间方差法快速确定目标边界的大致轮廓;
步骤2.以所确定的目标边界的大致轮廓为初始轮廓,将图像目标分割转换为水平集的演化过程:
步骤2.1对图像进行基于最大类间方差法的二值化处理,将目标区域和背景区域进行大致区分,其中“0”区域为大致的背景区域,“1”区域为大致的目标区域;
步骤2.2对经过二值化处理的图像,通过计算每个像素与其上、下、左、右四个方向相邻像素灰度值的差来确定目标区域的大致轮廓,即如果四个差值中只要有一个不为零,则当前像素的位置即为目标区域的点;
步骤3设待分割图像的区域经目标区域划分后被分割为个互不相交的目标区域和一个背景区域,即有;
步骤4各目标区域轮廓线为初始化曲线C,区域和的平均灰度值分别为和;
步骤5.用Lipschitz函数:的零水平集来表示初始化曲线:,定义和函数如下:
(1)
其中为参数,由公式(1)知,当趋近于0时,函数和分别逼近于Heaviside函数H和Dirac函数,对应N个目标的能量泛函可表示为:
(2)
其中是权重系数,为基于梯度的目标边缘引导函数,当式(2)达到能量最小值时,即N个目标的分割结果。
本发明首先通过最大类间方差法快速确定目标边界的大致轮廓,然后以此轮廓线为初始轮廓,以基于梯度引导的多目标分割水平集C-V模型将图像多目标分割转换为单水平集的演化过程,进而通过自适应的梯度引导来控制轮廓线水平集的演化进程实现对多目标的分割。本发明在考虑图像全局信息的基础上,通过各目标的大致轮廓兼顾了目标的局部特性,有效避免了目标的遗漏现象,并通过梯度引导提高了对目标分割的精度和效率。此外,本发明也克服了传统模型对初始演化曲线的敏感性。
附图说明
图1是采用本发明方法进行图像分割的分部结果。
图2是本发明方法与C-V方法的分割结果对比。
图3是本发明方法与多相C-V多目标分割方法的分割结果对比。
图4是本发明方法与双轮廓多目标分割方法的分割结果对比。
具体实施方式
一种基于区域划分和梯度引导的图像多目标分割C-V方法,包括如下步骤:
步骤1.通过最大类间方差法快速确定目标边界的大致轮廓;
步骤2.以所确定的目标边界的大致轮廓为初始轮廓,将图像目标分割转换为水平集的演化过程:
步骤2.1对图像进行基于最大类间方差法的二值化处理,将目标区域和背景区域进行大致区分,其中“0”区域为大致的背景区域,“1”区域为大致的目标区域;
步骤2.2对经过二值化处理的图像,通过计算每个像素与其上、下、左、右四个方向相邻像素灰度值的差来确定目标区域的大致轮廓,即如果四个差值中只要有一个不为零,则当前像素的位置即为目标区域的点;
步骤3设待分割图像的区域经目标区域划分后被分割为个互不相交的目标区域和一个背景区域,即有;
步骤4各目标区域轮廓线为初始化曲线,区域和的平均灰度值分别为和;
步骤5.用Lipschitz函数:的零水平集来表示初始化曲线:,定义和函数如下:
(1)
其中为参数,由公式(1)知,当趋近于0时,函数和分别逼近于Heaviside函数H和Dirac函数,对应N个目标的能量泛函可表示为:
(2)
其中是权重系数,为基于梯度的目标边缘引导函数,当式(2)达到能量最小值时,即N个目标的分割结果。
将本发明实施例与其它方法的分割效果进行对比,结果如图1-4所示,可以看出,本发明方法有效避免了C-V方法存在的目标遗漏现象(如图2),且目标分割的精度和效率更高(如图1,图3-4)。
Claims (1)
1.一种基于区域划分和梯度引导的图像多目标分割C-V方法,其特征在于包括如下步骤:
步骤1.通过最大类间方差法快速确定目标边界的大致轮廓;
步骤2.以所确定的目标边界的大致轮廓为初始轮廓,将图像目标分割转换为水平集的演化过程:
步骤2.1对图像进行基于最大类间方差法的二值化处理,将目标区域和背景区域进行大致区分,其中“0”区域为大致的背景区域,“1”区域为大致的目标区域;
步骤2.2对经过二值化处理的图像,通过计算每个像素与其上、下、左、右四个方向相邻像素灰度值的差来确定目标区域的大致轮廓,即如果四个差值中只要有一个不为零,则当前像素的位置即为目标区域的点;
步骤3设待分割图像的区域经目标区域划分后被分割为N个互不相交的目标区域和一个背景区域,即有;
步骤4各目标区域轮廓线为初始化曲线C,区域和的平均灰度值分别为和;
步骤5.用Lipschitz函数:的零水平集来表示初始化曲线:,定义和函数如下:
(1)
其中为参数,由公式(1)知,当趋近于0时,函数和分别逼近于Heaviside函数H和Dirac函数,对应N个目标的能量泛函可表示为:
(2)
其中是权重系数,为基于梯度的目标边缘引导函数,当式(2)达到能量最小值时,即N个目标的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022718.XA CN105701818B (zh) | 2016-01-14 | 2016-01-14 | 基于区域划分和梯度引导的图像多目标分割c-v方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022718.XA CN105701818B (zh) | 2016-01-14 | 2016-01-14 | 基于区域划分和梯度引导的图像多目标分割c-v方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701818A true CN105701818A (zh) | 2016-06-22 |
CN105701818B CN105701818B (zh) | 2018-09-07 |
Family
ID=56227297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610022718.XA Expired - Fee Related CN105701818B (zh) | 2016-01-14 | 2016-01-14 | 基于区域划分和梯度引导的图像多目标分割c-v方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701818B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803250A (zh) * | 2016-12-28 | 2017-06-06 | 辽宁师范大学 | 结合全局和局部区域信息的医学超声图像分割方法 |
CN107705310A (zh) * | 2017-09-13 | 2018-02-16 | 北京建筑大学 | 一种地块分割方法及系统 |
CN108765304A (zh) * | 2018-04-08 | 2018-11-06 | 西安电子科技大学 | 基于自适应梯度增益控制的高动态红外图像增强方法 |
CN109934843A (zh) * | 2019-01-28 | 2019-06-25 | 北京华捷艾米科技有限公司 | 一种实时的轮廓精细化抠像方法及存储介质 |
CN111260657A (zh) * | 2020-01-10 | 2020-06-09 | 兰州理工大学 | 一种自动初始轮廓生成的水平集高原鼠兔图像分割方法 |
CN112085723A (zh) * | 2020-09-09 | 2020-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408983A (zh) * | 2008-10-29 | 2009-04-15 | 南京邮电大学 | 基于粒子滤波和活动轮廓模型的多目标跟踪方法 |
CN101567084A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于水平集和分水岭相结合的图像轮廓检测方法 |
-
2016
- 2016-01-14 CN CN201610022718.XA patent/CN105701818B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408983A (zh) * | 2008-10-29 | 2009-04-15 | 南京邮电大学 | 基于粒子滤波和活动轮廓模型的多目标跟踪方法 |
CN101567084A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于水平集和分水岭相结合的图像轮廓检测方法 |
Non-Patent Citations (3)
Title |
---|
LINGLING FANG ET AL: "Image segmentation framework using EdgeFlow-Based active contours", 《OPTIK》 * |
张文杰 等: "基于区域活动轮廓模型的高光谱图像分割方法", 《遥感技术与应用》 * |
杨莉 等: "基于区域划分的曲线演化多目标分割", 《计算机学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803250A (zh) * | 2016-12-28 | 2017-06-06 | 辽宁师范大学 | 结合全局和局部区域信息的医学超声图像分割方法 |
CN106803250B (zh) * | 2016-12-28 | 2019-08-09 | 辽宁师范大学 | 结合全局和局部区域信息的医学超声图像分割方法 |
CN107705310A (zh) * | 2017-09-13 | 2018-02-16 | 北京建筑大学 | 一种地块分割方法及系统 |
CN107705310B (zh) * | 2017-09-13 | 2020-06-16 | 北京建筑大学 | 一种地块分割方法及系统 |
CN108765304A (zh) * | 2018-04-08 | 2018-11-06 | 西安电子科技大学 | 基于自适应梯度增益控制的高动态红外图像增强方法 |
CN108765304B (zh) * | 2018-04-08 | 2022-06-17 | 西安电子科技大学 | 基于自适应梯度增益控制的高动态红外图像增强方法 |
CN109934843A (zh) * | 2019-01-28 | 2019-06-25 | 北京华捷艾米科技有限公司 | 一种实时的轮廓精细化抠像方法及存储介质 |
CN109934843B (zh) * | 2019-01-28 | 2021-05-14 | 北京华捷艾米科技有限公司 | 一种实时的轮廓精细化抠像方法及存储介质 |
CN111260657A (zh) * | 2020-01-10 | 2020-06-09 | 兰州理工大学 | 一种自动初始轮廓生成的水平集高原鼠兔图像分割方法 |
CN112085723A (zh) * | 2020-09-09 | 2020-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
CN112085723B (zh) * | 2020-09-09 | 2021-04-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105701818B (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701818A (zh) | 基于区域划分和梯度引导的图像多目标分割c-v方法 | |
WO2021047684A1 (zh) | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 | |
CN109767439B (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN111368607B (zh) | 一种机器人、障碍物的检测方法及检测装置 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
US20130142392A1 (en) | Information processing device and method, program, and recording medium | |
CN102254319A (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN102354396A (zh) | 基于水平集函数的灰度不均匀图像分割方法 | |
CN104680553B (zh) | 基于双边滤波的可变核函数目标跟踪方法 | |
CN101916446A (zh) | 基于边缘信息和均值移位的灰度目标跟踪算法 | |
WO2009051258A1 (ja) | 家屋異動判定方法、及び家屋異動判定プログラム | |
CN106204461B (zh) | 结合非局部先验的复合正则化图像去噪方法 | |
CN107742306B (zh) | 一种智能视觉中运动目标跟踪算法 | |
CN106056611B (zh) | 基于区域信息和边缘信息的水平集图像分割方法及其系统 | |
CN103761726A (zh) | 基于fcm的分块自适应图像分割方法 | |
CN104835168B (zh) | 基于全局凸优化变分模型的快速多相图像分割方法 | |
CN109671092A (zh) | 一种改进的Canny图像分割方法和系统 | |
CN111582198B (zh) | 一种遥感图像海陆自动分割方法 | |
CN104537609A (zh) | 一种旋转图像校正方法 | |
CN105825513A (zh) | 基于全局信息和局部信息自适应拟合的图像分割方法 | |
CN107564008A (zh) | 基于关键像素模糊聚类的快速sar图像分割方法 | |
CN102496155A (zh) | 一种优化c-v模型的水下光学图像处理方法 | |
CN101430789A (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
CN108898611A (zh) | 基于显著感知先验的模糊区域活动轮廓分割模型 | |
CN105551025B (zh) | 一种识别天文图像中太阳米粒的方法 |
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 |
Granted publication date: 20180907 Termination date: 20190114 |
|
CF01 | Termination of patent right due to non-payment of annual fee |