CN109886987A - 图像分割方法、计算设备、系统及存储介质 - Google Patents
图像分割方法、计算设备、系统及存储介质 Download PDFInfo
- Publication number
- CN109886987A CN109886987A CN201910063780.7A CN201910063780A CN109886987A CN 109886987 A CN109886987 A CN 109886987A CN 201910063780 A CN201910063780 A CN 201910063780A CN 109886987 A CN109886987 A CN 109886987A
- Authority
- CN
- China
- Prior art keywords
- energy
- area
- image
- wheel profile
- term
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005192 partition Methods 0.000 title claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 59
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000010429 evolutionary process Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用计算机技术领域，提供了一种图像分割方法、计算设备、系统及存储介质，该方法包括：将用水平集函数表达的全局能量项及局部能量项，同时融入到图像分割模型的能量泛函中，在设定的约束条件下，由水平集函数的演化驱动能量泛函的演化，最终得到能够精确分割图像的分割轮廓线所在位置，从而提高图像分割算法对图像灰度分布不均匀问题的鲁棒性，同时，避免了因图像分割模型仅利用局部信息而容易陷入局部极小及对分割轮廓线的初始位置敏感的问题，提高对分割轮廓线的初始位置的鲁棒性，进而保证了图像分割质量及效率。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种图像分割方法、计算设备、系统及存储介质。
背景技术
图像分割是图像处理中的重要组成部分，其目的是实现图像中感兴趣的目标与背景相分离，并对分离后的区域进行分析与客观信息描述，以便于后续的目标识别或跟踪。随着图像处理技术的飞速发展，图像分割已被广泛应用于医学、通信等领域。
由于某些领域图像，例如：医学图像，通常会具有灰度不均匀性，利用传统的水平集图像分割模型，例如：2008年Li等人提出的局部二值拟合(Local Binary Fitting，LBF)模型，以及2009年Wang等人提出的局部高斯分布拟合(Local Gaussian DistributionFitting)模型，虽然能够较好地处理图像灰度不均匀的问题，但由于该些模型利用的是图像局部信息，很容易陷入局部极小问题，并且对用于分割的分割轮廓线的初始位置极为敏感，因此，传统的图像分割算法对初始位置的鲁棒性较差，而且具有很高的时间复杂度，导致处理质量及效率较低。
发明内容
本发明的目的在于提供一种图像分割方法、计算设备、系统及存储介质，旨在解决现有技术所存在的、图像分割质量及效率较低的问题。
一方面，本发明提供了一种图像分割方法，所述方法包括下述步骤：
获得包含目标及背景的待分割图像；
在所述待分割图像的一初始位置上形成用于区别所述目标及所述背景的分割轮廓线，其中，所述分割轮廓线将所述待分割图像分割为：位于所述分割轮廓线内的第一区域，以及，位于所述分割轮廓线外的第二区域；
利用图像分割模型，将所述分割轮廓线从所述初始位置调整到结果位置，所述图像分割模型中构建有能量泛函，所述能量泛函包含：采用水平集函数表达的全局能量项及局部能量项，所述全局能量项包含：用于指示所述第一区域中各像素点特征与所述第一区域平均特征之间差异的第一能量项，以及，用于指示所述第二区域中各像素点特征与所述第二区域平均特征之间差异的第二能量项；所述局部能量项包含：用于指示第一指定子区域中各像素点特征与所述第一指定子区域平均特征之间差异的第三能量项，以及，用于指示第二指定子区域中各像素点特征与所述第二指定子区域平均特征之间差异的第四能量项，其中，所述第一指定子区域位于所述第一区域中，所述第二指定子区域位于所述第二区域中，所述第一指定子区域与所述第二指定子区域同时位于一滑动窗口中，所述滑动窗口对应一指定像素点；
利用所述结果位置上的所述分割轮廓线，进行所述待分割图像的分割。
进一步的，所述第一能量项为：所述第一区域中各所述像素点特征与所述第一区域平均特征之间的第一Bregman散度统计值，所述第二能量项为：所述第二区域中各所述像素点特征与所述第二区域平均特征之间的第二Bregman散度统计值。
进一步的，所述能量泛函中，对所述全局能量项赋予第一权值，对所述局部能量项赋予第二权值，所述第一权值与所述第二权值在所述演化过程中动态变化：在演化的第一阶段，所述第一权值大于所述第二权值，在演化的、位于所述第一阶段之后的第二阶段，所述第二权值大于所述第一权值。
进一步的，所述第三能量项中，利用窗口函数确定所述第一指定子区域平均特征，并利用第一局部拟合灰度逼近所述第一指定子区域平均特征；所述第四能量项中，利用窗口函数确定所述第二指定子区域平均特征，并利用第二局部拟合灰度逼近所述第二指定子区域平均特征。
进一步的，所述能量泛函中还包括：采用水平集函数表达的分割轮廓线长度正则化项和/或能量惩罚项。
进一步的，所述分割轮廓线长度正则化项通过狄拉克函数构建；所述第一能量项与所述第三能量项、所述第二能量项与所述第四能量项均通过阶跃函数组合；所述狄拉克函数及所述阶跃函数在演化过程中被实例化，使得所述狄拉克函数在实例化时作为所述阶跃函数的导数。
进一步的，所述阶跃函数的正则化参数取值为1。
另一方面，本发明还提供了一种计算系统，包括：
获取单元，用于获得包含目标及背景的待分割图像；
初始化单元，用于在所述待分割图像的一初始位置上形成用于区别所述目标及所述背景的分割轮廓线，其中，所述分割轮廓线将所述待分割图像分割为：位于所述分割轮廓线内的第一区域，以及，位于所述分割轮廓线外的第二区域；
演化单元，用于利用图像分割模型，将所述分割轮廓线从所述初始位置调整到结果位置，所述图像分割模型中构建有能量泛函，所述能量泛函包含：采用水平集函数表达的全局能量项及局部能量项，所述全局能量项包含：用于指示所述第一区域中各像素点特征与所述第一区域平均特征之间差异的第一能量项，以及，用于指示所述第二区域中各像素点特征与所述第二区域平均特征之间差异的第二能量项；所述局部能量项包含：用于指示第一指定子区域中各像素点特征与所述第一指定子区域平均特征之间差异的第三能量项，以及，用于指示第二指定子区域中各像素点特征与所述第二指定子区域平均特征之间差异的第四能量项，其中，所述第一指定子区域位于所述第一区域中，所述第二指定子区域位于所述第二区域中，所述第一指定子区域与所述第二指定子区域同时位于一滑动窗口中，所述滑动窗口对应一指定像素点；以及，
分割单元，用于利用所述结果位置上的所述分割轮廓线，进行所述待分割图像的分割。
另一方面，本发明还提供了一种计算设备，包括存储器及处理器，所述处理器执行所述存储器中存储的计算机程序时实现如上述方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法中的步骤。
本发明将用水平集函数表达的全局能量项及局部能量项，同时融入到图像分割模型的能量泛函中，在设定的约束条件下，由水平集函数的演化驱动能量泛函的演化，最终得到能够精确分割图像的分割轮廓线所在位置，从而提高图像分割算法对图像灰度分布不均匀问题的鲁棒性，同时，避免了因图像分割模型仅利用局部信息而容易陷入局部极小及对分割轮廓线的初始位置敏感的问题，提高对分割轮廓线的初始位置的鲁棒性，进而保证了图像分割质量及效率。
附图说明
图1是本发明实施例一提供的图像分割方法的实现流程图；
图2是本发明实施例四提供的计算系统的结构示意图；
图3是本发明实施例五提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的图像分割方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获得包含目标及背景的待分割图像。
在本实施例中，待分割图像中的目标是感兴趣的、与背景具有区别的部分，例如：医学领域，在正电子发射计算机断层显像(Positron Emission Tomography，PET)图像中，目标可以是正常人体组织，也可以是可能存在的病灶。背景是在PET图像中，与目标之间存在图像特征差异的剩余部分；通信领域，在监控图像中，目标可以是人、动物等，背景是在监控图像中，与目标之间存在图像特征差异的剩余部分。
图像特征可以是灰度、颜色、纹理、形状等。在本实施例中，主要考虑图像的灰度信息。
在步骤S102中，在待分割图像的一初始位置上形成用于区别目标及背景的分割轮廓线，其中，分割轮廓线将待分割图像分割为：位于分割轮廓线内的第一区域，以及，位于分割轮廓线外的第二区域。
本实施例中，首先可在待分割图像上，随机初始化分割轮廓线，初始化的分割轮廓线形成于待分割图像上的一初始位置上，从而先对待分割图像进行预分割。通常，随机初始化的分割轮廓线一般不会在目标与背景分割的期望位置，因此，在初始化分割轮廓线之后，还需要进行后续步骤的处理，从而调整分割轮廓线在待分割图像中的位置，目的是使得调整后的分割轮廓线在待分割图像中的结果位置与期望位置相当，从而保证分割精准度。另外，还可以通过交互式方法或空间模糊聚类算法等进行预分割，在待分割图像上一初始位置上形成分割轮廓线。利用随机方法、交互式方法或空间模糊聚类算法进行预分割，可使得分割轮廓线的初始位置位于期望位置附近，从而减少后期演化迭代次数，提高处理效率。
分割轮廓线可将待分割图像的区域Ω分割为第一区域Ω1及第二区域Ω2，在分割轮廓线调整的过程中，第一区域Ω1和第二区域Ω2也会发生相应变化，后续第一指定子区域Ω3和第二指定子区域Ω4也会发生相应变化。
在步骤S103中，利用图像分割模型，将分割轮廓线从初始位置调整到结果位置，图像分割模型中构建有能量泛函，能量泛函包含：采用水平集函数表达的全局能量项及局部能量项，全局能量项包含：用于指示第一区域中各像素点特征与第一区域平均特征之间差异的第一能量项，以及，用于指示第二区域中各像素点特征与第二区域平均特征之间差异的第二能量项；局部能量项包含：用于指示第一指定子区域中各像素点特征与第一指定子区域平均特征之间差异的第三能量项，以及，用于指示第二指定子区域中各像素点特征与第二指定子区域平均特征之间差异的第四能量项，其中，第一指定子区域位于第一区域中，第二指定子区域位于第二区域中，第一指定子区域与第二指定子区域同时位于一滑动窗口中，滑动窗口对应一指定像素点。
本实施例中，图像分割模型实际上一种活动轮廓模型，主要通过最小化一条光滑的闭合的能量曲线，来获取图像中目标的轮廓，活动轮廓模型能自动处理曲线的拓扑改变，适用于分割具有复杂拓扑结构的图像，同时对弱目标边界图像也有很好的分割效果。
在图像分割模型中，构建有一能量泛函，该能量泛函通过水平集方法进行演化。能量泛函E中至少包含全局能量项EB及局部能量项EL。
全局能量项EB包含第一能量项EB1及第二能量项EB2，第一能量项EB1用于指示第一区域Ω1中各像素点特征与第一区域Ω1平均特征之间的差异，像素点x特征可以是像素点灰度Ix，第一区域Ω1平均特征可以是第一区域Ω1内所有像素点灰度平均值c1。第一区域Ω1中各像素点特征与第一区域Ω1平均特征之间的差异，可以通过能量项的常规定义来定义，例如：
类似的，第二能量项EB2可定义为：
其中，第二区域Ω2平均特征可以是第二区域Ω2内所有像素点灰度平均值c2。
那么，全局能量项EB可定义为：
其中，λ1、λ2为正系数。
第一指定子区域Ω3位于第一区域Ω1中，第二指定子区域Ω4位于第二区域Ω2中，第一指定子区域Ω3与第二指定子区域Ω4同时位于一滑动窗口gk(x-y)中，滑动窗口对应一指定像素点x。
局部能量项EL包含第三能量项EL1及第四能量项EL2，第三能量项EL1用于指示第一指定子区域Ω3中各像素点y特征与第一指定子区域Ω3平均特征之间的差异，像素点特征可以是像素点灰度Iy，第一指定子区域Ω3平均特征可以是第一指定子区域Ω3内所有像素点灰度平均值，利用窗口函数gk(x-y)确定所述第一指定子区域Ω3所有像素点灰度平均值，并利用第一局部拟合灰度f1(x)逼近所述第一指定子区域平均特征，第一指定子区域Ω3中各像素点特征与第一指定子区域Ω3平均特征之间的差异，同样可以通过能量项的常规定义来定义，例如：
类似的，第四能量项EL2可定义为：
其中，利用窗口函数gk(x-y)确定所述第二指定子区域Ω4所有像素点灰度平均值，并利用第二局部拟合灰度f2(x)逼近所述第二指定子区域平均特征。
那么，局部能量项EL可定义为：
能量泛函E中，对全局能量项EB赋予第一权值ω1，对局部能量项EL赋予第二权值ω2，能量泛函E可定义为：
E＝ω1EB+ω2EL……公式(7)
其中，ω1、ω2为能量泛函E中用于平衡全局能量项EB与局部能量项EL的权重。权重ω1、ω2可自动分别进行调节或联合调节，当采用联合调节时，可令ω2＝1-ω1，使得：第一权值ω1与第二权值ω2在演化过程中动态变化：在演化的第一阶段，当分割轮廓线离期望位置较远时，第一权值ω1大于第二权值ω2，全局能量项EB起主要支配作用，以将分割轮廓线引导向期望位置；在演化的、位于第一阶段之后的第二阶段，当分割轮廓线离期望位置较近时，第二权值ω2大于第一权值ω1，局部能量项EL起主要支配作用，以将分割轮廓线吸引到期望位置。
上述能量泛函E通过水平集函数φ可进一步表达为：
E(φ,f1,f2,c1,c2)＝ω1EB(c1,c2,φ)+ω2EL(f1,f2,φ)
其中，H为Heaviside阶跃函数，在演化过程中，阶跃函数H(φ)被实例化为：
其中，ε为正则化参数，其符号为正时，用于分割轮廓线收缩，为负时，用于分割轮廓线扩张，数值越大，演化速度越快。
一狄拉克Dirac函数δ(φ)在演化过程中被实例化时作为阶跃函数H(φ)的导数：
利用图像分割模型，将分割轮廓线从初始位置调整到结果位置，具体可为：在能量泛函E的约束条件下，进行水平集函数φ的演化，直至使水平集函数φ收敛，并得到演化完成时的分割轮廓线所在结果位置。
具体的，能量泛函E的约束条件为：能量最小化。那么，可利用梯度下降法对能量泛函E进行求解，固定水平集函数φ，可以得出c1、c2、f1、f2满足的欧拉拉格朗日E-L方程：
对能量泛函E进行求导，得出c1、c2、f1、f2的迭代方程：
再固定c1、c2、f1、f2，通过变分法及梯度下降法，得到水平集函数φ的迭代演化方程：
其中，t为时间，F1为全局拟合力，F2为局部拟合力，全局拟合力F1及局部拟合力F2之间在水平集演化过程中基本上是互补的。在上述演化的第一阶段，全局拟合力F1起主要支配作用，在上述演化的第二阶段，局部拟合力F2起主要支配作用。
水平集函数φ对时间t的偏导数采用前向差分，即：
其中，迭代次数为n，任意像素点的位置用(iτ,jτ)表示，τ为分割轮廓线在演化过程中的空间步长，τ通常取1，演化时间间隔为Δt，第n次迭代的水平集函数(即Δtn时刻的水平集函数)为第n+1次迭代的水平集函数为那么：
水平集函数φ的最终演化方程为：
在步骤S104中，利用结果位置上的分割轮廓线，进行待分割图像的分割。
本实施例中，通过水平集函数φ演化，驱动能量泛函E演化收敛时，即可得到演化完成时的分割轮廓线所在结果位置，利用该结果位置，即可进行待分割图像中目标与背景的分割。
实施本实施例，用水平集函数表达的全局能量项及局部能量项，同时融入到图像分割模型的能量泛函中，在设定的演化约束条件下，由水平集函数的演化驱动能量泛函的演化，最终得到能够精确分割图像的分割轮廓线所在位置，从而提高图像分割算法对图像灰度分布不均匀问题的鲁棒性，同时，避免了因图像分割模型仅利用局部信息而容易陷入局部极小及对分割轮廓线的初始位置敏感的问题，提高对分割轮廓线的初始位置的鲁棒性，进而保证了图像分割质量及效率。
实施例二：
本实施例在实施例一基础上，进一步提供了如下内容：
在步骤S103中，能量泛函E中还包括：采用水平集函数φ表达的分割轮廓线长度正则化项ER和/或能量惩罚项EP。分割轮廓线长度正则化项ER的引入可保证分割轮廓线长度最短且光滑，一定程度上可控制过分割。能量惩罚项EP的引入可避免重新初始化的问题。
分割轮廓线长度正则化项ER通过狄拉克函数δ(φ)构建。狄拉克函数δ(φ)及阶跃函数H在演化过程中被实例化，使得狄拉克函数δ(φ)在实例化时作为阶跃函数H的导数。
具体的，分割轮廓线长度正则化项ER可表示为：
其中，μ为长度正则化项权值。
能量惩罚项EP可表示为：
其中，υ为惩罚项权值，为梯度运算。
那么，能量泛函E的公式(7)可改变表达为：
E＝ω1EB+ω2EL+ER+EP……公式(18)
第一能量项EB1与第三能量项EL1、第二能量项EB2与第四能量项EL2均通过阶跃函数H组合，公式(8)可改变表达为：
公式(9)、(10)中，正则化参数ε取值为1，以使得水平集函数φ演化更快。
相应的，公式(14)的水平集函数φ的迭代演化方程，对应改变表达为：
其中，div为散度运算。
实施本实施例，通过在能量泛函E中引入采用水平集函数φ表达的分割轮廓线长度正则化项ER和/或能量惩罚项EP，可保证分割轮廓线长度最短且光滑，一定程度上可控制过分割，也可避免重新初始化的问题，进一步保证了图像分割质量及效率。
实施例三：
本实施例在实施例二基础上，进一步提供了如下内容：
本实施例中，第一能量项EB1为：第一区域Ω1中各像素点x特征与第一区域平均特征Ix之间的第一Bregman散度统计值第二能量项EB2为：第二区域Ω2中各像素点x特征与第二区域平均特征Ix之间的第二Bregman散度统计值具体通过泰勒展开式得到：
其中，α、β均是正系数，R1、R2是三阶泰勒展开式的余项，α1、β1是两个系数。此处只考虑0阶、1阶和2阶的泰勒项，因此，Bregman散度能够作为数据依赖加权二范数，全局能量项EB可以表达为：
那么，公式(19)中，e3(x)、e4(x)相应改变表达为：
公式(12)相应改变表达为：
其中，最大算子max和最小算子min是为了增加局部约束。
实施本实施例，通过采用Bregman散度来表达全局能量项，可加速分割轮廓线的演化，并提高对初始位置的鲁棒性，进一步保证了图像分割质量及效率。
实施例四：
图2示出了本发明实施例四提供的计算系统，主要包括：
获取单元201，用于获得包含目标及背景的待分割图像；
初始化单元202，用于在待分割图像的一初始位置上形成用于区别目标及所述背景的分割轮廓线，其中，分割轮廓线将待分割图像分割为：位于分割轮廓线内的第一区域，以及，位于分割轮廓线外的第二区域；
演化单元203，用于利用图像分割模型，将分割轮廓线从初始位置调整到结果位置，图像分割模型中构建有能量泛函，能量泛函包含：采用水平集函数表达的全局能量项及局部能量项，全局能量项包含：用于指示第一区域中各像素点特征与第一区域平均特征之间差异的第一能量项，以及，用于指示第二区域中各像素点特征与第二区域平均特征之间差异的第二能量项；局部能量项包含：用于指示第一指定子区域中各像素点特征与第一指定子区域平均特征之间差异的第三能量项，以及，用于指示第二指定子区域中各像素点特征与第二指定子区域平均特征之间差异的第四能量项，其中，第一指定子区域位于第一区域中，第二指定子区域位于第二区域中，第一指定子区域与第二指定子区域同时位于一滑动窗口中，滑动窗口对应一指定像素点；以及，
分割单元204，用于利用结果位置上的分割轮廓线，进行待分割图像的分割。
在本发明实施例中，计算系统的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，或通过计算机组网进行实现，在此不用以限制本发明。
实施例五：
图3示出了本发明实施例五提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备包括处理器301及存储器302，处理器60执行存储器中存储的计算机程序303时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器301执行计算机程序303时实现上述各装置实施例中各单元的功能，例如图2所示单元201至204的功能。
本发明实施例的计算设备可以为处理芯片、计算机或计算机组网等。该计算设备中处理器301执行计算机程序303时实现上述各方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。
实施例六：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图2所示单元201至204的功能。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像分割方法，其特征在于，所述方法包括下述步骤：
获得包含目标及背景的待分割图像；
在所述待分割图像的一初始位置上形成用于区别所述目标及所述背景的分割轮廓线，其中，所述分割轮廓线将所述待分割图像分割为：位于所述分割轮廓线内的第一区域，以及，位于所述分割轮廓线外的第二区域；
利用图像分割模型，将所述分割轮廓线从所述初始位置调整到结果位置，所述图像分割模型中构建有能量泛函，所述能量泛函包含：采用水平集函数表达的全局能量项及局部能量项，所述全局能量项包含：用于指示所述第一区域中各像素点特征与所述第一区域平均特征之间差异的第一能量项，以及，用于指示所述第二区域中各像素点特征与所述第二区域平均特征之间差异的第二能量项；所述局部能量项包含：用于指示第一指定子区域中各像素点特征与所述第一指定子区域平均特征之间差异的第三能量项，以及，用于指示第二指定子区域中各像素点特征与所述第二指定子区域平均特征之间差异的第四能量项，其中，所述第一指定子区域位于所述第一区域中，所述第二指定子区域位于所述第二区域中，所述第一指定子区域与所述第二指定子区域同时位于一滑动窗口中，所述滑动窗口对应一指定像素点；
利用所述结果位置上的所述分割轮廓线，进行所述待分割图像的分割。
2.如权利要求1所述的方法，其特征在于，所述第一能量项为：所述第一区域中各所述像素点特征与所述第一区域平均特征之间的第一Bregman散度统计值，所述第二能量项为：所述第二区域中各所述像素点特征与所述第二区域平均特征之间的第二Bregman散度统计值。
3.如权利要求1所述的方法，其特征在于，所述能量泛函中，对所述全局能量项赋予第一权值，对所述局部能量项赋予第二权值，所述第一权值与所述第二权值在所述演化过程中动态变化：在演化的第一阶段，所述第一权值大于所述第二权值，在演化的、位于所述第一阶段之后的第二阶段，所述第二权值大于所述第一权值。
4.如权利要求1所述的方法，其特征在于，所述第三能量项中，利用窗口函数确定所述第一指定子区域平均特征，并利用第一局部拟合灰度逼近所述第一指定子区域平均特征；所述第四能量项中，利用窗口函数确定所述第二指定子区域平均特征，并利用第二局部拟合灰度逼近所述第二指定子区域平均特征。
5.如权利要求1所述的方法，其特征在于，所述能量泛函中还包括：采用水平集函数表达的分割轮廓线长度正则化项和/或能量惩罚项。
6.如权利要求5所述的方法，其特征在于，所述分割轮廓线长度正则化项通过狄拉克函数构建；所述第一能量项与所述第三能量项、所述第二能量项与所述第四能量项均通过阶跃函数组合；所述狄拉克函数及所述阶跃函数在演化过程中被实例化，使得所述狄拉克函数在实例化时作为所述阶跃函数的导数。
7.如权利要求6所述的方法，其特征在于，所述阶跃函数的正则化参数取值为1。
8.一种计算系统，其特征在于，包括：
获取单元，用于获得包含目标及背景的待分割图像；
初始化单元，用于在所述待分割图像的一初始位置上形成用于区别所述目标及所述背景的分割轮廓线，其中，所述分割轮廓线将所述待分割图像分割为：位于所述分割轮廓线内的第一区域，以及，位于所述分割轮廓线外的第二区域；
演化单元，用于利用图像分割模型，将所述分割轮廓线从所述初始位置调整到结果位置，所述图像分割模型中构建有能量泛函，所述能量泛函包含：采用水平集函数表达的全局能量项及局部能量项，所述全局能量项包含：用于指示所述第一区域中各像素点特征与所述第一区域平均特征之间差异的第一能量项，以及，用于指示所述第二区域中各像素点特征与所述第二区域平均特征之间差异的第二能量项；所述局部能量项包含：用于指示第一指定子区域中各像素点特征与所述第一指定子区域平均特征之间差异的第三能量项，以及，用于指示第二指定子区域中各像素点特征与所述第二指定子区域平均特征之间差异的第四能量项，其中，所述第一指定子区域位于所述第一区域中，所述第二指定子区域位于所述第二区域中，所述第一指定子区域与所述第二指定子区域同时位于一滑动窗口中，所述滑动窗口对应一指定像素点；以及，
分割单元，用于利用所述结果位置上的所述分割轮廓线，进行所述待分割图像的分割。
9.一种计算设备，包括存储器及处理器，其特征在于，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述方法中的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910063780.7A CN109886987A (zh) | 2019-01-23 | 2019-01-23 | 图像分割方法、计算设备、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910063780.7A CN109886987A (zh) | 2019-01-23 | 2019-01-23 | 图像分割方法、计算设备、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886987A true CN109886987A (zh) | 2019-06-14 |
Family
ID=66926609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910063780.7A Pending CN109886987A (zh) | 2019-01-23 | 2019-01-23 | 图像分割方法、计算设备、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886987A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969635A (zh) * | 2019-12-12 | 2020-04-07 | 哈尔滨工业大学（深圳） | 基于先验约束水平集框架的鲁棒快速图像分割方法 |
| CN111898600A (zh) * | 2020-07-10 | 2020-11-06 | 浙江大华技术股份有限公司 | 字符轮廓提取方法及装置、存储介质、电子装置 |
| CN113723424A (zh) * | 2020-05-25 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种目标检测方法及装置、设备、存储介质 |
| CN114913188A (zh) * | 2022-05-27 | 2022-08-16 | 苏州大学 | 一种图像分割方法、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354396A (zh) * | 2011-09-23 | 2012-02-15 | 清华大学深圳研究生院 | 基于水平集函数的灰度不均匀图像分割方法 |
| US20170270664A1 (en) * | 2016-03-21 | 2017-09-21 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for characterizing features of interest in digital images and systems for practicing same |
| CN107274414A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于改进局部信息的cv模型的图像分割方法 |
| CN109087309A (zh) * | 2018-07-19 | 2018-12-25 | 华南理工大学 | 一种融合全局和局部信息水平集的图像分割方法 |
| CN109146829A (zh) * | 2018-06-20 | 2019-01-04 | 深圳大学 | 基于小波神经网络的图像融合方法、装置、设备及介质 |
-
2019
- 2019-01-23 CN CN201910063780.7A patent/CN109886987A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354396A (zh) * | 2011-09-23 | 2012-02-15 | 清华大学深圳研究生院 | 基于水平集函数的灰度不均匀图像分割方法 |
| US20170270664A1 (en) * | 2016-03-21 | 2017-09-21 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for characterizing features of interest in digital images and systems for practicing same |
| CN107274414A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于改进局部信息的cv模型的图像分割方法 |
| CN109146829A (zh) * | 2018-06-20 | 2019-01-04 | 深圳大学 | 基于小波神经网络的图像融合方法、装置、设备及介质 |
| CN109087309A (zh) * | 2018-07-19 | 2018-12-25 | 华南理工大学 | 一种融合全局和局部信息水平集的图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 殷翔: "基于水平集的MR脑图像分割", 《万方学位论文》 * |
| 程丹松等: "基于Bregman 散度和ＲSF 模型的水平集图像分割方法", 《哈尔滨工业大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969635A (zh) * | 2019-12-12 | 2020-04-07 | 哈尔滨工业大学（深圳） | 基于先验约束水平集框架的鲁棒快速图像分割方法 |
| CN113723424A (zh) * | 2020-05-25 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种目标检测方法及装置、设备、存储介质 |
| CN111898600A (zh) * | 2020-07-10 | 2020-11-06 | 浙江大华技术股份有限公司 | 字符轮廓提取方法及装置、存储介质、电子装置 |
| CN114913188A (zh) * | 2022-05-27 | 2022-08-16 | 苏州大学 | 一种图像分割方法、存储介质 |
| CN114913188B (zh) * | 2022-05-27 | 2024-06-28 | 苏州大学 | 一种图像分割方法、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886987A (zh) | 图像分割方法、计算设备、系统及存储介质 | |
| CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
| US10255681B2 (en) | Image matting using deep learning | |
| CN109815826B (zh) | 人脸属性模型的生成方法及装置 | |
| CN103262119B (zh) | 用于对图像进行分割的方法和系统 | |
| CN110335277A (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
| CN101283376B (zh) | 使用轨迹分段分析的双向跟踪 | |
| CN107274414A (zh) | 基于改进局部信息的cv模型的图像分割方法 | |
| CN110462645A (zh) | 具有更新能力的传感器数据处理器 | |
| CN109886929B (zh) | 一种基于卷积神经网络的mri肿瘤体素检测方法 | |
| JP2020071875A (ja) | 画像認識に用いる深層学習モデル及び該モデルの訓練装置と方法 | |
| CN110321946A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
| WO2023151237A1 (zh) | 人脸位姿估计方法、装置、电子设备及存储介质 | |
| CN111681247A (zh) | 肺叶肺段分割模型训练方法和装置 | |
| CN114898434A (zh) | 口罩识别模型的训练方法、装置、设备及存储介质 | |
| CN109858454A (zh) | 一种基于双模型自适应核相关滤波追踪方法 | |
| Hayman et al. | Probabilistic and voting approaches to cue integration for figure-ground segmentation | |
| CN113035334B (zh) | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 | |
| CN113643302A (zh) | 基于主动轮廓模型的无监督医学图像分割方法和系统 | |
| CN117437419A (zh) | 一种肺炎ct图像的病灶分割方法、系统、设备及介质 | |
| CN106558057B (zh) | 一种医学图像分割方法 | |
| CN116884071A (zh) | 人脸检测方法、装置、电子设备及存储介质 | |
| CN116029994A (zh) | 基于边缘损失和知识融合决策的脑胶质瘤mr图像分割方法 | |
| CN116468103A (zh) | 一种肺结节良恶性识别模型训练方法、应用方法和系统 | |
| CN111126424A (zh) | 一种基于卷积神经网络的超声图像分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
| RJ01 | Rejection of invention patent application after publication |