CN114445443A - 基于非对称测地线距离的交互式图像分割方法 - Google Patents

基于非对称测地线距离的交互式图像分割方法 Download PDF

Info

Publication number
CN114445443A
CN114445443A CN202210077606.XA CN202210077606A CN114445443A CN 114445443 A CN114445443 A CN 114445443A CN 202210077606 A CN202210077606 A CN 202210077606A CN 114445443 A CN114445443 A CN 114445443A
Authority
CN
China
Prior art keywords
evolution
curve
function
formula
asymmetric
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
Application number
CN202210077606.XA
Other languages
English (en)
Other versions
CN114445443B (zh
Inventor
陈达
孙玉竹
舒明雷
刘丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Institute of Artificial Intelligence
Original Assignee
Shandong Institute of Artificial Intelligence
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Institute of Artificial Intelligence filed Critical Shandong Institute of Artificial Intelligence
Priority to CN202210077606.XA priority Critical patent/CN114445443B/zh
Publication of CN114445443A publication Critical patent/CN114445443A/zh
Application granted granted Critical
Publication of CN114445443B publication Critical patent/CN114445443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20156—Automatic seed setting

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于非对称测地线距离的交互式图像分割方法，通过基于Voronoi图的曲线演化模型中采用了非对称二次型度量函数，并且在此模型中引入位于前景和背景的种子点集。因此，所提出的Voronoi图曲线演化模型能够融合曲线的预期演化方向、人工交互信息以及有效的图像特征，从而获得更为准确的图像分割结果。与经典的基于各向同性的黎曼度量函数的Voronoi图模型相比，引入基于非对称度量函数的Voronoi图模型能够克服演化曲线易陷入错误的局部极值问题，从而在不同的分割场景下都能产生更加准确的分割结果，并且本方案将种子点集与活动轮廓相结合，进行交互式分割，以达到更好的轮廓演化，从而得到更好的分割结果。

Description

基于非对称测地线距离的交互式图像分割方法
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种新的基于非对称测地线距离的活动轮廓模型与交互式图像分割方法。
背景技术
自从Snake模型(参考文献：M.Kass,A.Witkin,and D.Terzopoulos,“Snakes:Active contour models,”Int.J.Comput.Vis.,vol.1,no.4,pp.321–331,1988.)被提出以来，人们一直致力于研究合适的曲线演化方法以及曲线的表示方法，以解决各种场景下的图像分割任务。水平集方法被广泛的用于解决活动轮廓和图像分割问题。在该方法中，曲线通过某一距离函数的零水平集来表示，利用相应的水平集函数演化方程来解决曲线演化问题和图像分割问题。水平集函数的演化方程可以从活动轮廓模型的能量函数的欧拉-拉格朗日方程得到，因此基于水平集演化的图像分割过程被转化为求解能量泛函最小值的过程。在图像分割应用中，演化稳定后的水平集函数的零水平集上点即为曲线的演化结果，用以描述图像分割结果。水平集方法仅能够找到能量函数的局部极小值,从而对初始轮廓的选取有很高的要求，同时需要较小的数值解迭代步长，从而增加计算量。凸松弛方法能够找到活动轮廓能量函数的全局最小值，因此对初始化轮廓曲线不敏感。另外，凸松弛方法比水平集方法有更低的计算复杂度。基于测地线距离的Voronoi图模型(参考文献：H.Li andA.Yezzi,“Local or global mini ma:Flexible dual-front active contours,”IEEETrans.Pattern Anal.Mach.Intell.,vol.29,no.1,pp.1–14,2007.)是对水平集函数的一个有效的改进方法，该模型利用了从最小加权曲线长度(即测地线距离)来构造Voronoi图，并重建了相应的Voronoi图不同区域的交界线，这些交界线可以用于描述演化曲线。已知的基于测地线距离的Voronoi图模型仅考虑了各向同性的测地线度量函数，当目标区域具有复杂的形状和图像数据分布时，该模型中使用的各向同性度量与轮廓的期望运动方向无关，这可能会增加演化轮廓陷入错误的局部极小值的问题，造成错误的图像分割结果。
发明内容
本发明为了克服以上技术的不足，提供了一种基于Voronoi图的曲线演化模型中采用了非对称二次型度量函数，并且在此模型中引入位于前景和背景的种子点集的基于非对称测地线距离的交互式图像分割方法。
本发明克服其技术问题所采用的技术方案是：
一种基于非对称测地线距离的交互式图像分割方法，包括：
a)输入彩色图像I，用
Figure BDA0003484152630000021
表示矢量值彩色图像I，I1为彩色图像I的R通道数值，I2为彩色图像I的G通道数值，I3为彩色图像I的B通道数值，
Figure BDA0003484152630000022
为三维实数空间，Ω为图像的定义域，给定分别位于彩色图像I的前景区域和背景区域的种子点集，构造包含前景种子点集
Figure BDA00034841526300000225
且不包含背景种子点集
Figure BDA00034841526300000226
的闭合曲线，将该闭合曲线作为初始化的演化曲线
Figure BDA0003484152630000023
b)对演化曲线
Figure BDA0003484152630000024
进行曲线演化，在曲线演化的第j步，j≥1，构造由第j步的输入的演化曲线
Figure BDA0003484152630000025
所引导的蕴含图像数据和曲线预期演化方向的非对称二次度量函数
Figure BDA0003484152630000026
构成数据驱动的非对称二次型度量函数
Figure BDA0003484152630000027
c)以演化曲线
Figure BDA0003484152630000028
为中心做管状邻域Uj，
Figure BDA0003484152630000029
d)分别以管状邻域Uj的内边界线
Figure BDA00034841526300000210
和外边界线
Figure BDA00034841526300000211
为初始点集，利用非对称二次度量函数
Figure BDA00034841526300000212
在管状邻域Uj内部分别计算内边界线
Figure BDA00034841526300000213
和外边界线
Figure BDA00034841526300000214
的测地线距离图
Figure BDA00034841526300000215
及
Figure BDA00034841526300000216
通过公式
Figure BDA00034841526300000217
得到新的Voronoi图包含的两个子区域
Figure BDA00034841526300000218
和
Figure BDA00034841526300000219
e)通过公式
Figure BDA00034841526300000220
计算得到Voronoi图中不同区域的交界线
Figure BDA00034841526300000221
作为演化后的曲线
Figure BDA00034841526300000222
利用演化曲线
Figure BDA00034841526300000223
替代步骤b)中的演化曲线
Figure BDA00034841526300000224
重复执行步骤b)至步骤d)直至曲线演化次数大于给定次数，完成图像的分割。
进一步的，步骤b)包括如下步骤：
b-1)利用标准差为σ的高斯核函数Gσ来计算图像上每一点x∈Ω的雅克比矩阵
Figure BDA0003484152630000031
式中
Figure BDA0003484152630000032
为梯度算子，构建刻画图像边界显著性的标量函数η:Ω→[0,1]，标量值函数η定义为
Figure BDA0003484152630000033
是矩阵
Figure BDA0003484152630000034
的Frobenius范数，sup为上确界，y为空间中除x点之外的其它点，
Figure BDA0003484152630000035
为当y属于图像内一点时，矩阵
Figure BDA0003484152630000036
的Frobenius范数的上确界，通过公式
Figure BDA0003484152630000037
计算得到各项同性的张量场
Figure BDA0003484152630000038
式中exp(·)为以e为底的指数函数，β为标量参数，β＞0，η为标量函数，Id为一个2×2的单位矩阵；
b-2)通过公式
Figure BDA0003484152630000039
建立曲线演化偏微分方程，式中t为曲线演化时间，
Figure BDA00034841526300000310
为演化曲线
Figure BDA00034841526300000311
上任意一点x，ξj为速度函数，
Figure BDA00034841526300000312
Figure BDA00034841526300000313
为实数空间，
Figure BDA00034841526300000314
为演化曲线
Figure BDA00034841526300000315
的内法向量，通过公式
Figure BDA00034841526300000316
计算得到新的向量场nj(x)，式中Sign(·)为Sign函数，
Figure BDA00034841526300000317
为梯度算子，εj为欧式距离图，
Figure BDA00034841526300000318
为图像的定义域Ω与演化曲线
Figure BDA00034841526300000319
的差，
Figure BDA00034841526300000320
Figure BDA00034841526300000321
为包含0和正实数的并集，εj(x)为点x到演化曲线
Figure BDA00034841526300000322
的距离梯度，Ξj为速度函数，
Figure BDA00034841526300000323
Figure BDA00034841526300000324
Figure BDA00034841526300000325
为演化曲线
Figure BDA00034841526300000326
的内部区域中的任意一点x，
Figure BDA0003484152630000041
为演化曲线
Figure BDA0003484152630000042
的外部区域中的任意一点x，通过公式ωj(x):＝μnj(x)得到新的向量场ωj(x)，式中μ为一个常数，
Figure BDA0003484152630000043
为正实数集合；
b-3)通过公式
Figure BDA0003484152630000044
计算得到非对称二次度量函数
Figure BDA0003484152630000045
式中，通过公式u为任意向量，
Figure BDA00034841526300000419
通过公式
Figure BDA0003484152630000046
得到标量值函数ψj(x)，式中α为常数，
Figure BDA0003484152630000047
通过公式
Figure BDA0003484152630000048
计算得到非对称二次型度量函数
Figure BDA0003484152630000049
ψj(x)为标量值函数。
进一步的，步骤c)包括如下步骤：
c-1)通过公式
Figure BDA00034841526300000410
计算得到种子点集F和种子点集B的欧式距离函数E(x)；
c-2)通过公式
Figure BDA00034841526300000411
计算得到potential函数
Figure BDA00034841526300000412
式中∈为参数，
Figure BDA00034841526300000413
Figure BDA00034841526300000414
为参数，
Figure BDA00034841526300000415
c-3)求解各向同性的程函方程
Figure BDA00034841526300000416
Figure BDA00034841526300000417
为测地线距离函数，通过公式
Figure BDA00034841526300000418
构建管状邻域Uj，式中l为参数，l∈(10h,20h)，h为离散scale。
进一步的，步骤e)中：给定次数取值为200。
本发明的有益效果是：通过基于Voronoi图的曲线演化模型中采用了非对称二次型度量函数，并且在此模型中引入位于前景和背景的种子点集。因此，所提出的Voronoi图曲线演化模型能够融合曲线的预期演化方向、人工交互信息以及有效的图像特征，从而获得更为准确的图像分割结果。与经典的基于各向同性的黎曼度量函数的Voronoi图模型相比，引入基于非对称度量函数的Voronoi图模型能够克服演化曲线易陷入错误的局部极值问题，从而在不同的分割场景下都能产生更加准确的分割结果，并且本方案将种子点集与活动轮廓相结合，进行交互式分割，以达到更好的轮廓演化，从而得到更好的分割结果。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于非对称测地线距离的交互式图像分割方法，包括：
a)输入彩色图像I，用
Figure BDA0003484152630000051
表示矢量值彩色图像I，I1为彩色图像I的R通道数值，I2为彩色图像I的G通道数值，I3为彩色图像I的B通道数值，
Figure BDA0003484152630000052
为三维实数空间，Ω为图像的定义域，给定分别位于彩色图像I的前景区域和背景区域的种子点集，构造包含前景种子点集
Figure BDA00034841526300000514
且不包含背景种子点集
Figure BDA00034841526300000515
的闭合曲线，将该闭合曲线作为初始化的演化曲线
Figure BDA0003484152630000053
b)对演化曲线
Figure BDA0003484152630000054
进行曲线演化，在曲线演化的第j步，j≥1，构造由第j步的输入的演化曲线
Figure BDA0003484152630000055
所引导的蕴含图像数据和曲线预期演化方向的非对称二次度量函数
Figure BDA0003484152630000056
构成数据驱动的非对称二次型度量函数
Figure BDA0003484152630000057
c)以演化曲线
Figure BDA0003484152630000058
为中心做管状邻域Uj，且该管状邻域不与任意种子点集相交，
Figure BDA0003484152630000059
d)分别以管状邻域Uj的内边界线
Figure BDA00034841526300000510
和外边界线
Figure BDA00034841526300000511
为初始点集，利用非对称二次度量函数
Figure BDA00034841526300000512
在管状邻域Uj内部分别计算内边界线
Figure BDA00034841526300000513
和外边界线
Figure BDA0003484152630000061
的测地线距离图
Figure BDA0003484152630000062
及
Figure BDA0003484152630000063
通过公式
Figure BDA0003484152630000064
得到新的Voronoi图包含的两个子区域
Figure BDA0003484152630000065
和
Figure BDA0003484152630000066
e)通过公式
Figure BDA0003484152630000067
计算得到Voronoi图中不同区域的交界线
Figure BDA0003484152630000068
作为演化后的曲线
Figure BDA0003484152630000069
利用演化曲线
Figure BDA00034841526300000610
替代步骤b)中的演化曲线
Figure BDA00034841526300000611
重复执行步骤b)至步骤d)直至曲线演化过程满足预先设置的停止准则，即曲线演化次数大于给定次数，此时曲线演化结束，完成图像的分割。
通过基于Voronoi图的曲线演化模型中采用了非对称二次型度量函数，并且在此模型中引入位于前景和背景的种子点集。因此，所提出的Voronoi图曲线演化模型能够融合曲线的预期演化方向、人工交互信息以及有效的图像特征，从而获得更为准确的图像分割结果。与经典的基于各向同性的黎曼度量函数的Voronoi图模型相比，引入基于非对称度量函数的Voronoi图模型能够克服演化曲线易陷入错误的局部极值问题，从而在不同的分割场景下都能产生更加准确的分割结果，并且本方案将种子点集与活动轮廓相结合，进行交互式分割，以达到更好的轮廓演化，从而得到更好的分割结果。
实施例1：
步骤b)包括如下步骤：
b-1)利用标准差为σ的高斯核函数Gσ来计算图像上每一点x∈Ω的雅克比矩阵
Figure BDA00034841526300000612
式中
Figure BDA00034841526300000613
为梯度算子，构建刻画图像边界显著性的标量函数η:Ω→[0,1]，标量值函数η定义为
Figure BDA00034841526300000614
是矩阵
Figure BDA00034841526300000615
的Frobenius范数，sup为上确界，y为空间中除x点之外的其它点，
Figure BDA00034841526300000616
为当y属于图像内一点时，矩阵
Figure BDA0003484152630000071
的Frobenius范数的上确界，通过公式
Figure BDA0003484152630000072
计算得到各项同性的张量场
Figure BDA0003484152630000073
式中exp(·)为以e为底的指数函数，β为标量参数，β＞0，η为标量函数，Id为一个2×2的单位矩阵。
b-2)通过公式
Figure BDA0003484152630000074
建立曲线演化偏微分方程，式中t为曲线演化时间，
Figure BDA0003484152630000075
为演化曲线
Figure BDA0003484152630000076
上任意一点x，ξj为速度函数，在本专利中速度函数ξj是活动轮廓能量函数的关于曲线的梯度的自然扩展，
Figure BDA0003484152630000077
Figure BDA0003484152630000078
为实数空间，
Figure BDA0003484152630000079
为演化曲线
Figure BDA00034841526300000710
的内法向量，通过公式
Figure BDA00034841526300000711
计算得到新的向量场nj(x)，式中Sign(·)为Sign函数，
Figure BDA00034841526300000712
为梯度算子，εj为欧式距离图，
Figure BDA00034841526300000713
为点x到曲线
Figure BDA00034841526300000714
的距离梯度，
Figure BDA00034841526300000715
为图像的定义域Ω与演化曲线
Figure BDA00034841526300000716
的差，
Figure BDA00034841526300000717
Figure BDA00034841526300000718
为包含0和正实数的并集，εj(x)为点x到演化曲线
Figure BDA00034841526300000719
的距离梯度，Ξj为速度函数，
Figure BDA00034841526300000720
Figure BDA00034841526300000721
Figure BDA00034841526300000722
为演化曲线
Figure BDA00034841526300000723
的内部区域中的任意一点x，
Figure BDA00034841526300000724
为演化曲线
Figure BDA00034841526300000725
的外部区域中的任意一点x，通过公式ωj(x):＝μnj(x)得到新的向量场ωj(x)，式中μ为一个常数，
Figure BDA00034841526300000726
Figure BDA00034841526300000727
为正实数集合。
b-3)通过公式
Figure BDA00034841526300000728
计算得到非对称二次度量函数
Figure BDA00034841526300000729
式中，通过公式u为任意向量，
Figure BDA00034841526300000730
通过公式
Figure BDA0003484152630000081
得到标量值函数ψj(x)，式中α为常数，
Figure BDA0003484152630000082
通过公式
Figure BDA0003484152630000083
计算得到非对称二次型度量函数
Figure BDA0003484152630000084
ψj(x)为标量值函数。
实施例2：
步骤c)包括如下步骤：
c-1)通过公式
Figure BDA0003484152630000085
计算得到种子点集F和种子点集B的欧式距离函数E(x)。
c-2)通过公式
Figure BDA0003484152630000086
计算得到potential函数
Figure BDA0003484152630000087
式中∈为参数，
Figure BDA0003484152630000088
Figure BDA0003484152630000089
为参数，
Figure BDA00034841526300000810
当点距离种子点集F和种子点集B较远的位置，
Figure BDA00034841526300000811
具有较小的值。
c-3)求解各向同性的程函方程
Figure BDA00034841526300000812
Figure BDA00034841526300000813
为测地线距离函数，通过公式
Figure BDA00034841526300000814
构建管状邻域Uj，式中l为参数，l∈(10h,20h)，h为离散scale。
实施例3：
步骤e)中：给定次数取值为200。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于非对称测地线距离的交互式图像分割方法，其特征在于，包括：
a)输入彩色图像I，用
Figure FDA0003484152620000011
表示矢量值彩色图像I，I1为彩色图像I的R通道数值，I2为彩色图像I的G通道数值，I3为彩色图像I的B通道数值，
Figure FDA0003484152620000012
为三维实数空间，Ω为图像的定义域，给定分别位于彩色图像I的前景区域和背景区域的种子点集，构造包含前景种子点集
Figure FDA0003484152620000013
且不包含背景种子点集
Figure FDA0003484152620000014
的闭合曲线，将该闭合曲线作为初始化的演化曲线
Figure FDA0003484152620000015
b)对演化曲线
Figure FDA0003484152620000016
进行曲线演化，在曲线演化的第j步，j≥1，构造由第j步的输入的演化曲线
Figure FDA0003484152620000017
所引导的蕴含图像数据和曲线预期演化方向的非对称二次度量函数
Figure FDA0003484152620000018
构成数据驱动的非对称二次型度量函数
Figure FDA0003484152620000019
c)以演化曲线
Figure FDA00034841526200000110
为中心做管状邻域Uj，
Figure FDA00034841526200000111
d)分别以管状邻域Uj的内边界线
Figure FDA00034841526200000112
和外边界线
Figure FDA00034841526200000113
为初始点集，利用非对称二次度量函数
Figure FDA00034841526200000114
在管状邻域Uj内部分别计算内边界线
Figure FDA00034841526200000115
和外边界线
Figure FDA00034841526200000116
的测地线距离图
Figure FDA00034841526200000117
及
Figure FDA00034841526200000118
通过公式
Figure FDA00034841526200000119
得到新的Voronoi图包含的两个子区域
Figure FDA00034841526200000120
和
Figure FDA00034841526200000121
e)通过公式
Figure FDA00034841526200000122
计算得到Voronoi图中不同区域的交界线
Figure FDA00034841526200000123
作为演化后的曲线
Figure FDA00034841526200000124
利用演化曲线
Figure FDA00034841526200000125
替代步骤b)中的演化曲线
Figure FDA00034841526200000126
重复执行步骤b)至步骤d)直至曲线演化次数大于给定次数，完成图像的分割。
2.根据权利要求1所述的基于非对称测地线距离的交互式图像分割方法，其特征在于，步骤b)包括如下步骤：
b-1)利用标准差为σ的高斯核函数Gσ来计算图像上每一点x∈Ω的雅克比矩阵
Figure FDA0003484152620000021
式中
Figure FDA0003484152620000022
为梯度算子，构建刻画图像边界显著性的标量函数η:Ω→[0,1]，标量值函数η定义为
Figure FDA0003484152620000023
Figure FDA0003484152620000024
是矩阵
Figure FDA0003484152620000025
的Frobenius范数，sup为上确界，y为空间中除x点之外的其它点，
Figure FDA0003484152620000026
Figure FDA0003484152620000027
为当y属于图像内一点时，矩阵
Figure FDA0003484152620000028
的Frobenius范数的上确界，通过公式
Figure FDA0003484152620000029
计算得到各项同性的张量场
Figure FDA00034841526200000210
式中exp(·)为以e为底的指数函数，β为标量参数，β＞0，η为标量函数，Id为一个2×2的单位矩阵；
b-2)通过公式
Figure FDA00034841526200000211
建立曲线演化偏微分方程，式中t为曲线演化时间，
Figure FDA00034841526200000212
为演化曲线
Figure FDA00034841526200000213
上任意一点x，ξj为速度函数，
Figure FDA00034841526200000214
Figure FDA00034841526200000215
为实数空间，
Figure FDA00034841526200000216
为演化曲线
Figure FDA00034841526200000217
的内法向量，通过公式
Figure FDA00034841526200000218
计算得到新的向量场nj(x)，式中Sign(·)为Sign函数，
Figure FDA00034841526200000219
为梯度算子，εj为欧式距离图，
Figure FDA00034841526200000220
为图像的定义域Ω与演化曲线
Figure FDA00034841526200000221
的差，
Figure FDA00034841526200000222
Figure FDA00034841526200000223
为包含0和正实数的并集，εj(x)为点x到演化曲线
Figure FDA00034841526200000224
的距离梯度，Ξj为速度函数，
Figure FDA00034841526200000225
Figure FDA00034841526200000233
为演化曲线
Figure FDA00034841526200000228
的内部区域中的任意一点x，
Figure FDA00034841526200000229
为演化曲线
Figure FDA00034841526200000230
的外部区域中的任意一点x，通过公式ωj(x):＝μnj(x)得到新的向量场ωj(x)，式中μ为一个常数，
Figure FDA00034841526200000231
Figure FDA00034841526200000232
为正实数集合；
b-3)通过公式
Figure FDA0003484152620000031
计算得到非对称二次度量函数
Figure FDA0003484152620000032
式中，通过公式u为任意向量，
Figure FDA0003484152620000033
通过公式
Figure FDA0003484152620000034
得到标量值函数ψj(x)，式中α为常数，
Figure FDA0003484152620000035
通过公式
Figure FDA0003484152620000036
计算得到非对称二次型度量函数
Figure FDA0003484152620000037
ψj(x)为标量值函数。
3.根据权利要求1所述的基于非对称测地线距离的交互式图像分割方法，其特征在于，步骤c)包括如下步骤：
c-1)通过公式
Figure FDA0003484152620000038
计算得到种子点集F和种子点集B的欧式距离函数E(x)；
c-2)通过公式
Figure FDA0003484152620000039
计算得到potential函数
Figure FDA00034841526200000310
式中∈为参数，
Figure FDA00034841526200000311
Figure FDA00034841526200000312
为参数，
Figure FDA00034841526200000313
c-3)求解各向同性的程函方程
Figure FDA00034841526200000314
Figure FDA00034841526200000315
为测地线距离函数，通过公式
Figure FDA00034841526200000316
构建管状邻域Uj，式中l为参数，l∈(10h,20h)，h为离散scale。
4.根据权利要求1所述的基于非对称测地线距离的交互式图像分割方法，其特征在于，步骤e)中：给定次数取值为200。
CN202210077606.XA 2022-01-24 2022-01-24 基于非对称测地线距离的交互式图像分割方法 Active CN114445443B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210077606.XA CN114445443B (zh) 2022-01-24 2022-01-24 基于非对称测地线距离的交互式图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210077606.XA CN114445443B (zh) 2022-01-24 2022-01-24 基于非对称测地线距离的交互式图像分割方法

Publications (2)

Publication Number Publication Date
CN114445443A true CN114445443A (zh) 2022-05-06
CN114445443B CN114445443B (zh) 2022-11-04

Family

ID=81370233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210077606.XA Active CN114445443B (zh) 2022-01-24 2022-01-24 基于非对称测地线距离的交互式图像分割方法

Country Status (1)

Country Link
CN (1) CN114445443B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972388A (zh) * 2022-05-23 2022-08-30 山东省人工智能研究院 基于非对称测地线的交互式图像分割方法
CN117522902A (zh) * 2024-01-04 2024-02-06 齐鲁工业大学(山东省科学院) 一种基于测地线模型的自适应割方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639935A (zh) * 2009-09-07 2010-02-03 南京理工大学 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法
CN107330897A (zh) * 2017-06-01 2017-11-07 福建师范大学 图像分割方法及其系统
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
CN112052539A (zh) * 2020-09-09 2020-12-08 北京理工大学 一种基于Voronoi技术的钢筋混凝土三维细观快速并行建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639935A (zh) * 2009-09-07 2010-02-03 南京理工大学 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法
CN107330897A (zh) * 2017-06-01 2017-11-07 福建师范大学 图像分割方法及其系统
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
CN112052539A (zh) * 2020-09-09 2020-12-08 北京理工大学 一种基于Voronoi技术的钢筋混凝土三维细观快速并行建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DA CHEN 等: ""A Generalized Asymmetric Dual-Front Model for Active Contours and Image Segmentation"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
DA CHEN 等: ""Asymmetric Geodesic Distance Propagation for Active Contours"", 《RESEARCHGATE》 *
DA CHEN 等: ""From Active Contours to Minimal Geodesic Paths: New Solutions to Active Contours Problems by Eikonal Equations"", 《RESEARCHGATE》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972388A (zh) * 2022-05-23 2022-08-30 山东省人工智能研究院 基于非对称测地线的交互式图像分割方法
CN117522902A (zh) * 2024-01-04 2024-02-06 齐鲁工业大学(山东省科学院) 一种基于测地线模型的自适应割方法及设备
CN117522902B (zh) * 2024-01-04 2024-03-29 齐鲁工业大学(山东省科学院) 一种基于测地线模型的自适应割方法及设备

Also Published As

Publication number Publication date
CN114445443B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN114445443B (zh) 基于非对称测地线距离的交互式图像分割方法
CN108648233B (zh) 一种基于深度学习的目标识别与抓取定位方法
CN105869178B (zh) 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法
CN112288857A (zh) 一种基于深度学习的机器人语义地图物体识别方法
CN114529707A (zh) 三维模型分割方法、装置、计算设备及可读存储介质
CN115641583B (zh) 一种基于自监督和主动学习的点云检测方法、系统及介质
Chen et al. A generalized asymmetric dual-front model for active contours and image segmentation
CN115546440A (zh) 一种曲面重建方法、装置、设备及存储介质
Kitrungrotsakul et al. Interactive deep refinement network for medical image segmentation
Wiesner et al. Implicit neural representations for generative modeling of living cell shapes
Teng et al. BiSeNet-oriented context attention model for image semantic segmentation
Chen et al. Learning shape priors for single view reconstruction
Steger Subpixel-precise extraction of watersheds
Bhardwaj et al. SingleSketch2Mesh: generating 3D mesh model from sketch
Lee et al. Parallel block sequential closed-form matting with fan-shaped partitions
CN108765384A (zh) 一种联合流形排序和改进凸包的显著性检测方法
Wang et al. Weakly-supervised salient object detection through object segmentation guided by scribble annotations
Toutain et al. A unified geometric model for virtual slide image processing and classification
Ganta et al. Particle swarm optimization clustering based level sets for image segmentation
Chakroun et al. Multi-agent system for moving object segmentation and tracking
Wøien et al. A PDE-Based Method for Shape Registration
Tara et al. Various image segmentation methods based on partial differential equation-a survey
Chung et al. Centralized RANSAC Based Point Cloud Registration with Fast Convergence and High Accuracy
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
CN113033656B (zh) 一种基于生成对抗网络的交互式孔探数据扩展方法

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
GR01 Patent grant
GR01 Patent grant