CN110176021B - 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 - Google Patents

Abstract

本公开提供了一种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，对目标图像进行亮度校正并进行显著性检测，得到校正图像的区域显著性信息；结合CV模型的能量泛函数和DRLSE模型的能量泛函数，构造含有亮度校正的显著性信息的新的能量泛函数；根据构造的新的能量泛函数进行演化，得到最终演化完成后的曲线并进行图像分割，得到分割后的结果。保证了在分割亮度不均匀图像和复杂场景图像时取得鲁棒的分割效果。

Description

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

技术领域

本公开涉及图像处理技术领域，具体涉及一种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。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

图像分割(Image Segmentation)涉及到图像研究的各个领域，是图像理解和计算机视觉中十分基础又重要的技术之一。近年来，基于水平集方法(Level Set Method)的活动轮廓模型(Active Contour Model)因其具有自由的拓扑变换和强大的数学基础等优势，已经成为图像分割技术中比较热门的方法。其基本思想是利用曲线演化理论，将曲线作为零水平集嵌入到更高一维的曲面上，引入图像的一些特征构造能量泛函，通过控制曲线的演化从而达到准确捕捉目标轮廓的目的。

水平集图像分割方法包括基于区域和基于边缘的两种方法，基于区域的水平集分割方法主要是利用图像的区域统计信息，这类方法受噪声和弱边缘的影响较小，但是对于亮度不均匀的图像分割效果不理想；基于边缘的水平集分割方法一般是利用图像的梯度信息构造能量泛函，但是对图像中的噪声比较敏感，容易陷入局部极小，无法达到准确分割。CV(Chan-Vese)模型是一种典型的基于区域的水平集图像分割模型，后续许多基于区域的水平集模型都是在此模型基础上进行改进的，该模型利用图像的全局灰度信息构造能量泛函，最大的不足之处就是不能很好地分割亮度不均匀的图像。DRLSE(DistanceRegularized Level Set Evolution)模型是一种典型的基于边缘的水平集分割模型，通过加入内部能量惩罚项避免了水平集演化需要重复初始化引入的一系列问题，但是在分割背景噪声复杂的图像时，容易出现分割曲线偏离目标区域造成错误分割的情况。

显著性检测通过模拟人类视觉系统的特点，能够从复杂场景中迅速提取具有重要意义的显著区域。可以考虑将显著性信息引入到水平集图像分割中，以期提高图像分割的性能。

发明内容

本公开为了解决上述问题，提出了一种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，本公开使用Retinex算法对目标图像进行亮度校正后提取显著性信息，并将提取的显著性信息嵌入到水平集能量方程中对图像进行分割，保证了在分割亮度不均匀图像和复杂场景图像时取得鲁棒的分割效果。

根据一些实施例，本公开采用如下技术方案：

一种结合亮度校正的显著性信息的水平集图像分割方法，包括以下步骤：

对目标图像进行亮度校正并进行显著性检测，得到校正图像的区域显著性信息；

结合CV模型的能量泛函数和DRLSE模型的能量泛函数，构造含有亮度校正的显著性信息的新的能量泛函数；

根据构造的新的能量泛函数进行演化，得到最终演化完成后的曲线并进行图像分割，得到分割后的结果。

作为一种可选择的实施方式，对目标图像进行亮度校正过程包括：

将目标图像由RGB颜色空间转换到LAB颜色空间；

对LAB空间图像的L通道进行亮度校正，其他A、B两个通道保持不变；

将校正后的L通道与A、B通道合并，得到校正后的图像。

作为一种可选择的实施方式，构造含有亮度校正的显著性信息的新的能量泛函数的具体过程包括：

根据CV模型的能量泛函数将经过亮度校正的显著性信息嵌入到区域能量泛函数中；

根据区域能量泛函数和DRLSE模型的能量泛函数，构造新的能量泛函数。

作为一种可选择的实施方式，曲线并进行图像分割的具体步骤包括：

对水平集函数进行演化，设置初始边界曲线和迭代次数，按照水平集函数和初始条件进行曲线演化，得到最终的演化结果。

一种结合亮度校正的显著性信息的水平集图像分割系统，包括：

校正提取模块，被配置为对目标图像进行亮度校正并进行显著性检测，得到校正图像的区域显著性信息；

能量泛函构造模块，被配置为结合CV模型的能量泛函数和DRLSE模型的能量泛函数，构造含有亮度校正的显著性信息的新的能量泛函数；

图像分割模块，被配置为根据构造的新的能量泛函数进行演化，得到最终演化完成后的曲线并进行图像分割。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的结合亮度校正的显著性信息的水平集图像分割方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的结合亮度校正的显著性信息的水平集图像分割方法。

与现有技术相比，本公开的有益效果为：

(1)本公开针对亮度不均匀图像分割不理想的问题，采取对目标图像进行亮度校正的操作，增强了后续提取的显著性信息的可靠性，进一步地，提高了分割的有效性；

(2)针对存在复杂背景的图像分割效果不理想的问题，采取了将图像的显著性信息嵌入到能量泛函数中，提高了分割的有效性；

(3)将图像的灰度和显著性信息与边缘信息结合，构造新的复合能量泛函数，实现了快速、有效及鲁棒的图像分割。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开的实现流程图；

图2(a)-(c)是合成图像、噪声图像、医学图像分割实例；

图3(a)-(d)是MSRA1000数据集分割实例；

图4(a)-(c)是MSRA1000数据集分割对比示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种结合亮度校正的显著性信息的水平集图像分割方法。该方法针对分割亮度不均匀和背景复杂图像不理想的问题，引入经过亮度校正的显著性信息，构造新的能量泛函数，控制曲线演化实现快速、有效及鲁棒的图像分割。流程图见图1所示。

1亮度校正的显著性信息提取

为了克服亮度不均匀造成的影响，本公开利用Retinex算法对目标图像进行亮度校正。包括：

步骤1：将目标图像I(x,y)由RGB颜色空间转换到LAB颜色空间；

步骤2：对LAB空间图像的L通道进行亮度校正，其他A、B两个通道保持不变；

步骤3：将校正后的L通道与A、B通道合并，得到校正后的图像I_R(x,y)。

对校正后的图像使用频率调谐方法进行显著性检测，得到图像的区域显著性信息

其中，

是通过计算三个通道像素值的算术平均值得到的，

是经过标准差为ω的高斯滤波器平滑得到的。

2构造新的能量泛函

为了提高对存在复杂背景图像分割的准确性，本公开将图像的区域显著性信息嵌入到区域能量泛函数中，具体为：

步骤1：根据CV模型的能量泛函数将经过亮度校正的显著性信息嵌入到区域能量泛函数中，公式(1)；

其中，φ为水平集函数，I(x,y)为目标图像，S(x,y)为经过亮度校正后的显著性信息，δ(φ)为一维Dirac函数，H(φ)是Heaviside函数；μ、ν、α₁、α₂、β₁和β₂为大于0的权重系数，m₁和m₂分别为目标图像在曲线内部和外部的灰度均值，s₁和s₂分别为显著性信息在曲线内部和外部的灰度均值。m₁、m₂和s₁、s₂的定义如下：

步骤2：根据上述区域能量泛函数和DRLSE模型的能量泛函数，构造新的能量泛函数：

其中，ω₁、ω₂、λ、α和β是大于0的权重系数，g是边缘检测算子，定义如下：

其中，G_σ是标准差为σ的高斯核。

3曲线演化进行分割

综合上述分析，本公开根据以下方程对水平集函数φ进行演化，演化方程如下：

进一步地，设置初始边界曲线和迭代次数，初始边界设置为：

按上述水平集函数和初始条件进行曲线演化，得到最终的演化结果，从而得到最终的分割结果。

4实验结果

为了验证本公开的效果，下面选取不同的图像进行分割对比实验。

实验环境为：实验采用MATLAB R2018a作为仿真环境，实验计算机配置：Intel(R)Core(TM)2.59GHz CPU,16.0GB RAM。

具体参数设置：ω₁＝0.1，ω₂＝0.9，α₁＝0.01，α₂＝0.01，β₁＝0.06，β₂＝0.06，λ＝5，α＝1.5，β＝0.2。

4.1合成图像、噪声图像、医学图像分割实例

采用本公开分别对合成图像、噪声图像和医学图像进行分割，进行对比实验的分别为CV模型和DRLSE模型，如图2所示，2(a)为CV模型分割结果，2(b)为DRLSE模型分割结果，2(c)为本公开分割结果。由图2可以看出，本公开均能实现有效的分割。

4.2MSRA1000数据集分割实例

为了验证本公开的有效性，在MSRA100自然图像数据集上进行实验和对比，对比实验为CV和DRLSE模型。MSRA1000数据库包含1000幅自然图像，并且每幅图像都有对应的全分辨率的二值化分割真值图。对比示例见图3，其中，3(a)为CV模型分割结果，3(b)为DRLSE模型分割结果，3(c)为本公开分割结果；数据集F-measure对比结果见图4，其中，(a)为CV模型结果，(b)为DRLSE模型结果，(c)为本公开结果。

由图3可以看出，本公开对于存在亮度不均匀及复杂背景的图像均能实现有效分割，由图4可以看出，本公开在数据集上的分割性能优于对比模型。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (6)

1.一种结合亮度校正的显著性信息的水平集图像分割方法，其特征是：包括以下步骤：

对目标图像进行亮度校正，并对校正后的图像使用频率调谐方法进行显著性检测，得到校正图像的区域显著性信息；

结合CV模型的能量泛函数和DRLSE模型的能量泛函数，构造含有亮度校正的显著性信息的新的能量泛函数；将图像的灰度和显著性信息与边缘信息结合，构造新的复合能量泛函数；

根据构造的新的能量泛函数进行演化，得到最终演化完成后的曲线并进行图像分割，得到分割后的结果；

所述构造含有亮度校正的显著性信息的新的能量泛函数的具体过程包括：

根据CV模型的能量泛函数将经过亮度校正的显著性信息嵌入到区域能量泛函数中，具体的：

其中，φ为水平集函数，I(x,y)为目标图像，S(x,y)为经过亮度校正后的显著性信息，δ(φ)为一维Dirac函数，H(φ)是Heaviside函数，μ、ν、α₁、α₂、β₁和β₂为大于0的权重系数，m₁和m₂分别为目标图像在曲线内部和外部的灰度均值，s₁和s₂分别为显著性信息在曲线内部和外部的灰度均值，m₁、m₂和s₁、s₂的定义如下：

根据区域能量泛函数和DRLSE模型的能量泛函数，构造新的能量泛函数：

其中，ω₁、ω₂、λ、α和β是大于0的权重系数，g是边缘检测算子，定义如下：

其中，G_σ是标准差为σ的高斯核。

2.如权利要求1所述的一种结合亮度校正的显著性信息的水平集图像分割方法，其特征是：对目标图像进行亮度校正过程包括：

将目标图像由RGB颜色空间转换到LAB颜色空间；

对LAB空间图像的L通道进行亮度校正，其他A、B两个通道保持不变；

将校正后的L通道与A、B通道合并，得到校正后的图像。

3.如权利要求1所述的一种结合亮度校正的显著性信息的水平集图像分割方法，其特征是：曲线并进行图像分割的具体步骤包括：

对水平集函数进行演化，设置初始边界曲线和迭代次数，按照水平集函数和初始条件进行曲线演化，得到最终的演化结果。

4.一种结合亮度校正的显著性信息的水平集图像分割系统，其特征是：包括：

校正提取模块，被配置为对目标图像进行亮度校正，并对校正后的图像使用频率调谐方法进行显著性检测，得到校正图像的区域显著性信息；

能量泛函构造模块，被配置为结合CV模型的能量泛函数和DRLSE模型的能量泛函数，构造含有亮度校正的显著性信息的新的能量泛函数；将图像的灰度和显著性信息与边缘信息结合，构造新的复合能量泛函数；

图像分割模块，被配置为根据构造的新的能量泛函数进行演化，得到最终演化完成后的曲线并进行图像分割；

所述构造含有亮度校正的显著性信息的新的能量泛函数的具体过程包括：

根据CV模型的能量泛函数将经过亮度校正的显著性信息嵌入到区域能量泛函数中，具体的：

其中，φ为水平集函数，I(x,y)为目标图像，S(x,y)为经过亮度校正后的显著性信息，δ(φ)为一维Dirac函数，H(φ)是Heaviside函数，μ、ν、α₁、α₂、β₁和β₂为大于0的权重系数，m₁和m₂分别为目标图像在曲线内部和外部的灰度均值，s₁和s₂分别为显著性信息在曲线内部和外部的灰度均值，m₁、m₂和s₁、s₂的定义如下：

根据区域能量泛函数和DRLSE模型的能量泛函数，构造新的能量泛函数：

其中，ω₁、ω₂、λ、α和β是大于0的权重系数，g是边缘检测算子，定义如下：

其中，G_σ是标准差为σ的高斯核。

5.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-3中任一项所述的结合亮度校正的显著性信息的水平集图像分割方法。

6.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-3中任一项所述的结合亮度校正的显著性信息的水平集图像分割方法。

Images