CN110648340B - 一种基于二进制及水平集处理图像的方法及装置 - Google Patents

Abstract

本发明公开了一种基于二进制及水平集处理图像的方法，将待分割图像缩放为一组大小逐渐缩小的不同尺度的图像，然后对每个尺度的图像计算其8位二进制局部LBP特征和LBP特征显著值，并将计算结果放大到原始尺度；对每个像素的不同尺度的LBP特征显著值分段排序，得到每个阶段的最大LBP显著性对应的8位LBP特征值，将各阶段唯一8位LBP特征值组成的特征矩阵LBP8，对应的十进制LBP特征值矩阵LBP10，对F计算直方图矩阵H0，得到特征矩阵H，然后利用水平集活动轮廓算法对图像进行分割。有如下技术效果：第一，能够对具有复杂纹理的图像进行分割；第二，无需对图像进行严格准确的初始划分也能得到稳定的分割结果。

Description

一种基于二进制及水平集处理图像的方法及装置

技术领域

本发明涉及数据处理技术技术领域，具体为一种基于二进制及水平集处理图像的方法及装置。

背景技术

随着数据处理技术的发展，越来越多的图像数据（比如医疗CT图像、卫星图像等）需要进行快速、准确的图像轮廓提取和图像分割，

但是在实际运用过程中存在以下技术问题：

第一，许多图像分割方法是基于图像的灰度信息设计的，无法推广到复杂纹理图像的分割。

第二，当前的主要纹理特征包括小波特征，局部二进制纹理特征，存在一些局限性，比如小波特征通常需要一组不同的小波，而图像往往只对特定小波有响应，数据冗余较多，有用特征可能被冗余特征削弱。比如经典局部二进制纹理特征可能会随尺度而变化，且不具有加减性，无法进行导数运算。对有纹理的图像无法处理。

发明内容

基于此，本发明提供了一种基于二进制及水平集处理图像的方法及装置。

一种基于二进制及水平集处理图像的方法，

第一步、对输入大小为m*n的图像I进行不同尺度的缩放，得到一组不同尺度的大小逐渐缩小的图像组Ii，每个图像的大小分别记为mi*ni；

第二步、对每个尺度的图像的8邻域的像素灰度值和中心像素的灰度值进行比较，大于中心像素灰度值的邻域记为1，小于或等于的邻域记为0，得到一个8位的LBP特征；

第三步、对每个尺度的图像中的像素计算其LBP特征显著性；

第四步、对每个尺度的图像中所有像素都计算出LBP特征得到一个mi*ni*8的LBP矩阵缩放为m*n*8的原始大小；

第五步、对每个尺度的图像中所有像素都计算出LBP特征显著性得到一个mi*ni的LBP显著性矩阵缩放为m*n的原始大小；

第六步、对m*n大小的图像I的每个像素分若干阶段，比较其不同尺度下的LBP特征显著性，取显著性最大的尺度对应的LBP特征做为该像素在该阶段的唯一LBP特征，得到一个m*n*8k的特征矩阵，记为LBP8；

第七步、将8位二进制的LBP8特征矩阵转换位对应的十进制数LBP特征矩阵LBP10，其大小为m*n*k；

第八步、计算图像I的高斯平滑灰度图g，高斯平滑一阶导dx、dy，二阶导dxy、dyx，将LBP8、LBP10、g、dx、dy、dxy、dyx叠加为一个m*n*(9*k+5)大小的特征矩阵F；

第九步、求特征矩阵F的长度为c的邻域直方图，得到一个大小为(9*b*k+5*b)*(m*n)的二维直方图矩阵H0，其中b为直方图分段数；

第十步、在H0上叠加一行灰度数据w*g，得到一个大小为(9*b*k+5*b+1)*(m*n)的特征矩阵H，记M=9*b*k+5*b+1，N=m*n；

第十一步、创建一个和图像I相同大小的能量图phi，将能量图初始化划分为两个不重叠的区域，一个区域的能量值设为0，另一个区域的能量值设为1；

第十二步、根据水平集活动轮廓算法对能量图反复进行修正；

第十三步、重复修正若干次数以后，按零水平线对能量图进行分割，得到两个或多个互不重叠的图像区域。

其中一个实施例为，所述8邻域的排列顺序为围绕中心像素进行顺时针或逆时针的联系排列。

其中一个实施例为，计算LBP特征显著性的方法为：

第一步：将v初始化为0，

第二步：将其8位的LBP特征，按顺时针方向前后比较，

第三步：如果前后相邻的两位的值不相同则v=v+1，循环8次后v的值即为该尺度图像像素的LBP特征显著性。

其中一个实施例为，水平集活动轮廓算法，

第一步：计算两个区域的大小为M*1的平均特征向量c1=mean(H(phi>0))、c2=mean(H(phi<=0))；

第二步、按照C-V水平集模型计算能量泛函

第三步、计算能量图的狄拉克系数D = (epsilon/pi)./(epsilon^2.+phi.^2)，其中epsilon为常系数，pi为圆周率；

第四步、对能量泛函使用欧拉-拉格朗日方法获得能量修正值

第五步、根据修正值对能量图phi的能量进行修正；

第六步、对修正后的能量图，按照零水平线重新划分出能量大于0和能量小于等于0的两个区域，重复水平集活动轮廓算法，对能量图进行修正。

上述一种基于二进制及水平集处理图像的方法，将待分割图像缩放为一组大小逐渐缩小的不同尺度的图像，然后对每个尺度的图像计算其8位二进制局部LBP特征和LBP特征显著值，并将计算结果放大到原始尺度；对每个像素的不同尺度的LBP特征显著值分段排序，得到每个阶段的最大LBP显著性对应的8位LBP特征值做为该阶段的唯一LBP特征，将各阶段唯一8位LBP特征值组成的特征矩阵LBP8，对应的十进制LBP特征值矩阵LBP10，对F计算直方图矩阵H0并叠加3*g的灰度信息，得到特征矩阵H，然后在H上利用水平集活动轮廓算法对图像进行分割。可见，一种基于二进制及水平集处理图像的方法进行图像分割有如下技术效果：第一，能够对具有复杂纹理的图像进行分割；第二，无需对图像进行严格准确的初始划分也能得到稳定的分割结果；第三，能够对具有多个区域的复杂图像进行分割。对有纹理和无纹理的图像都能进行处理，而且处理的效果非常好。

一种基于二进制及水平集处理图像的装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的改进的局部二进制纹理特征及水平集活动轮廓图像分割方法。

附图说明

图1为本发明一种基于二进制及水平集处理图像的方法的流程图；

图2为本发明一种基于二进制及水平集处理图像的装置的结构示意图；

图3为本发明一种基于二进制及水平集处理图像的方法的8邻域结构示意图；

图4为本发明一种基于二进制及水平集处理图像的方法的水平集结构示意图；

图5为本发明一种基于二进制及水平集处理图像的方法的多区域图像初始划分示意图；

图6为本发明一种基于二进制及水平集处理图像的方法的多区域图像分割结果示意图；

图7为本发明一种基于二进制及水平集处理图像的方法的纹理图像初始分割示意图；

图8为本发明一种基于二进制及水平集处理图像的方法的纹理图像分割结果示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1、图5、图6、图7、图8所示，一种基于二进制及水平集处理图像的方法，

第一步、对输入大小为m*n的图像I进行不同尺度的缩放，得到一组不同尺度的大小逐渐缩小的图像组Ii，每个图像的大小分别记为mi*ni；

第二步、对每个尺度的图像的8邻域的像素灰度值和中心像素的灰度值进行比较，大于中心像素灰度值的邻域记为1，小于或等于的邻域记为0，得到一个8位的LBP特征；8邻域的排列顺序为：左上角像素排序为1，顺时针旋转1周，中心像素同一行的左边像素排序为8；

第三步、对每个尺度的图像中的像素计算其LBP特征显著性V（二进制LBP特征比特位按顺序改变次数）v，将v初始化为0，将其8位的LBP特征，按顺时针方向前后比较，如果前后相邻的两位的值不相同则v=v+1，循环8次后v的值即为该尺度图像该像素的LBP特征显著性；

第四步、对每个尺度的图像中所有像素都计算出LBP特征得到一个mi*ni*8的LBP矩阵缩放为m*n*8的原始大小；

第五步、对每个尺度的图像中所有像素都计算出LBP特征显著性得到一个mi*ni的LBP显著性矩阵缩放为m*n的原始大小；

第六步、对m*n大小的图像I的每个像素分若干阶段，一般分k（k一般取为1）阶段比较其不同尺度下的LBP特征显著性，取显著性最大的尺度对应的LBP特征做为该像素在该阶段的唯一LBP特征，得到一个m*n*8k的特征矩阵，记为LBP8；

第七步、将8位二进制的LBP8特征矩阵转换位对应的十进制数LBP特征矩阵LBP10，其大小为m*n*k；

第八步、计算图像I的高斯平滑灰度图g，高斯平滑一阶导dx、dy，二阶导dxy、dyx，将LBP8、LBP10、g、dx、dy、dxy、dyx叠加为一个m*n*(9*k+5)大小的特征矩阵F；

第九步、求特征矩阵F的长度为c的邻域直方图，长度c通常取为20，得到一个大小为(9*b*k+5*b)*(m*n)的二维直方图矩阵H0，其中b为直方图分段数；

第十步、在H0上叠加一行灰度数据w*g，其中g为图像I的高斯平滑灰度图，w为灰度数据的权重，通常设置为3，得到一个大小为(9*b*k+5*b+1)*(m*n)的特征矩阵H，记M=9*b*k+5*b+1，N=m*n；

第十一步、创建一个和图像I相同大小的能量图phi，将能量图初始化划分为两个不重叠的区域，一个区域的能量值设为0，另一个区域的能量值设为1；

第十二步、根据水平集活动轮廓算法对能量图反复进行修正；

第十三步、重复修正若干次数以后，按零水平线对能量图进行分割，得到两个或多个互不重叠的图像区域。

上述一种基于二进制及水平集处理图像的方法，将待分割图像缩放为一组大小逐渐缩小的不同尺度的图像，然后对每个尺度的图像计算其8位二进制局部LBP特征和LBP特征显著值，并将计算结果放大到原始尺度；对每个像素的不同尺度的LBP特征显著值分段排序，得到每个阶段的最大LBP显著性对应的8位LBP特征值做为该阶段的唯一LBP特征，将各阶段唯一8位LBP特征值组成的特征矩阵LBP8，对应的十进制LBP特征值矩阵LBP10，对F计算直方图矩阵H0并叠加3*g的灰度信息，得到特征矩阵H，然后在H上利用水平集活动轮廓算法对图像进行分割。可见，一种基于二进制及水平集处理图像的方法进行图像分割有如下技术效果：第一，能够对具有复杂纹理的图像进行分割；第二，无需对图像进行严格准确的初始划分也能得到稳定的分割结果；第三，能够对具有多个区域的复杂图像进行分割。对有纹理和无纹理的图像都能进行处理，而且处理的效果非常好。

其中一个实施例为，所述8邻域的排列顺序为围绕中心像素进行顺时针或逆时针的联系排列。

例如，8邻域的排列顺序为：左上角像素排序为1，顺时针旋转1周，中心像素同一行的左边像素排序为8。

这样，由于8邻域是围绕中心像素联系排列的，使LBP特征显著性V的计算数值更加准确。

进一步地，计算LBP特征显著性的方法为：

第一步：将v初始化为0，

第二步：将其8位的LBP特征，按顺时针方向前后比较，

第三步：如果前后相邻的两位的值不相同则v=v+1，循环8次后v的值即为该尺度图像像素的LBP特征显著性。

这样，采用上述方法，将最能代表图像像素LBP特征显著性的值给找出来，使对图像的提取更加准确。

进一步地，水平集活动轮廓算法：

第一步、根据水平集活动轮廓算法，计算两个区域的大小为M*1的平均特征向量c1=mean(H(phi>0))、c2=mean(H(phi<=0))；

第二步、按照C-V水平集模型计算能量泛函

其中，L(C)为闭合分割曲线C的长度，A[inside C]为闭合曲线内部的面积，u与v为权重，后两项为外部能量，λ1λ2为权重；

第三步、计算能量图的狄拉克系数D = (epsilon/pi)./(epsilon^2.+phi.^2)，其中epsilon为常系数，pi为圆周率；

第四步、对能量泛函使用欧拉-拉格朗日方法获得能量修正值

第五步、根据修正值对能量图phi的能量进行修正；

第六步、对修正后的能量图，按照零水平线重新划分出能量大于0和能量小于等于0的两个区域，重复C-V水平集活动轮廓算法对能量图进行修正；

进一步地，如图2所示，一种基于二进制及水平集处理图像的装置，包括处理器501、存储器502以及存储在所述存储器502中且被配置为由所述处理器501执行的计算机程序，所述处理器501执行所述计算机程序时实现如上任意实施例基于二进制及水平集处理图像的方法。

计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器502中，并由所述处理器501执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述改进的一种基于二进制及水平集处理图像的方法的执行过程。

所述一种基于二进制及水平集处理图像的装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种基于二进制及水平集处理图像的装置可包括，但不仅限于，处理器501、存储器502。本邻域技术人员可以理解，所述示意图一种基于二进制及水平集处理图像的装置的示例，并不构成对一种基于二进制及水平集处理图像的装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于二进制及水平集处理图像的装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DAP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器501是所述一种基于二进制及水平集处理图像的装置的控制中心，利用各种接口和线路连接整个基于二进制及水平集处理图像的装置的各个部分。

所述存储器502可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于二进制及水平集处理图像的装置的各种功能。所述存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述一种基于二进制及水平集处理图像的装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本发明实施例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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意实施例的基于二进制及水平集处理图像的方法。

本发明中出现的各个术语进行相关定义：

定义1（8邻域）：一个数据点的8邻域是指离该数据点最近的8个数据点的集合。

如图3所示，图像中a、b两个像素点的8邻域为从左上角开始顺时针旋转一周的8个相邻像素点。

如图4所示，定义2（零水平集）：一个取值可为正负的能量图中，正负交界即零水平线将能量图分割为两个或多个互不重叠的区域。

LBP特征显著性：相邻的两位数据点的变化得到的数值。

LBP特征显著性矩阵：LBP特征显著性的值得到的矩阵。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于二进制及水平集处理图像的方法，其特征在于：

第一步、对输入大小为m*n的图像I进行不同尺度的缩放，得到一组不同尺度的大小逐渐缩小的图像组Ii，每个图像的大小分别记为mi*ni；

第二步、对每个尺度的图像的8邻域的像素灰度值和中心像素的灰度值进行比较，大于中心像素灰度值的邻域记为1，小于或等于的邻域记为0，得到一个8位的LBP特征；

第三步、对每个尺度的图像中的像素计算其LBP特征显著性V；

第四步、对每个尺度的图像中所有像素都计算出LBP特征得到一个mi*ni*8的LBP矩阵缩放为m*n*8的原始大小；

第五步、对每个尺度的图像中所有像素都计算出LBP特征显著性得到一个mi*ni的LBP显著性矩阵缩放为m*n的原始大小；

第六步、对m*n大小的图像I的每个像素分若干阶段，比较其不同尺度下的LBP特征显著性，取显著性最大的尺度对应的LBP特征做为该像素在该阶段的唯一LBP特征，得到一个m*n*8k的特征矩阵，记为LBP8；

第七步、将8位二进制的LBP8特征矩阵转换位对应的十进制数LBP特征矩阵LBP10，其大小为m*n*k；

第八步、计算图像I的高斯平滑灰度图g，高斯平滑一阶导dx、dy，二阶导dxy、dyx，将LBP8、LBP10、g、dx、dy、dxy、dyx叠加为一个m*n*(9*k+5)大小的特征矩阵F；

第九步、求特征矩阵F的长度为c的邻域直方图，得到一个大小为(9*b*k+5*b)*(m*n)的二维直方图矩阵H0，其中b为直方图分段数；

第十步、在H0上叠加一行灰度数据w*g，得到一个大小为(9*b*k+5*b+1)*(m*n)的特征矩阵H，记M＝9*b*k+5*b+1，N＝m*n；

第十一步、创建一个和图像I相同大小的能量图phi，将能量图初始化划分为两个不重叠的区域，一个区域的能量值设为0，另一个区域的能量值设为1；

第十二步、根据水平集活动轮廓算法对能量图反复进行修正；

第十三步、重复修正若干次数以后，按零水平线对能量图进行分割，得到两个或多个互不重叠的图像区域；

计算LBP特征显著性的方法为：

第一步：将v初始化为0，

第二步：将其8位的LBP特征，按顺时针方向前后比较，

第三步：如果前后相邻的两位的值不相同则v＝v+1，循环8次后v的值即为对应尺度图像像素的LBP特征显著性；

水平集活动轮廓算法为：

第一步：计算两个区域的大小为M*1的平均特征向量c1＝mean(H(phi>0))、c2＝mean(H(phi<＝0))；

第二步、按照C-V水平集模型计算能量泛函

E(C，c1，c2)＝μL(C)+vA[inside(C)]+λ1∫_iinC[Hi-c1]²di+λ2∫_ioutC[Hi-c2]²di

L(C)为闭合分割曲线C的长度，A[inside C]为闭合曲线内部的面积，λ1λ2为权重；

第三步、计算能量图的狄拉克系数D＝(epsilon./pi)./(epsilon.^2+phi.^2)，其中epsilon为常系数，pi为圆周率；

第四步、对能量泛函使用欧拉-拉格朗日方法获得能量修正值

第五步、根据修正值对能量图phi的能量进行修正；

第六步、对修正后的能量图，按照零水平线重新划分出能量大于0和能量小于等于0的两个区域，重复水平集活动轮廓算法，对能量图进行修正；

LBP特征显著性：相邻的两位数据点的变化得到的数值；

LBP特征显著性矩阵：LBP特征显著性的值得到的矩阵。

2.根据权利要求1所述的一种基于二进制及水平集处理图像的方法，其特征在于：所述8邻域的排列顺序为围绕中心像素进行顺时针或逆时针的联系排列。

3.一种基于二进制及水平集处理图像的装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2中任意一项所述的方法。

Images