CN117173201B - 二阶微分图像分割方法、系统、介质和设备 - Google Patents
二阶微分图像分割方法、系统、介质和设备 Download PDFInfo
- Publication number
- CN117173201B CN117173201B CN202311440652.2A CN202311440652A CN117173201B CN 117173201 B CN117173201 B CN 117173201B CN 202311440652 A CN202311440652 A CN 202311440652A CN 117173201 B CN117173201 B CN 117173201B
- Authority
- CN
- China
- Prior art keywords
- image
- contour line
- segmented
- order differential
- initial
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003709 image segmentation Methods 0.000 title claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 78
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,公开一种二阶微分图像分割方法、系统、介质和设备,包括:获取待分割图像并使用水平集方法在其中设置初始轮廓线,结合高斯‑拉普拉斯滤波和正则化方法建立二阶微分驱动项,使用二阶微分驱动项迭代更新初始轮廓线得到最终的轮廓线,使用最终的轮廓线分割待分割图像。本发明可以降低图像分割时的计算复杂度,提高图像分割效率和精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其是指一种二阶微分图像分割方法、系统、介质和设备。
背景技术
图像分割是计算机视觉和图像处理的研究基础,该技术基于灰度、颜色或纹理等特征对图像进行区域划分,并将指定的目标从图像背景中分离。
主动轮廓模型(Active contour model)是一种实用的图像分割方法,其基本思想是在图像上设置一个初始轮廓线,并且用水平集函数来表示轮廓线;然后,对水平集函数进行迭代计算,使轮廓线向目标边界靠近;最后,将迭代停止时轮廓线所在的位置作为计算得到的目标边界。该类方法可以获得目标边界亚像素级别的精确度,并提供光滑的封闭轮廓作为分割结果。
在主动轮廓模型中,必须要使用一个可以表示目标边缘特征的驱动项来引导水平集函数进行迭代更新。但是,用驱动项提取灰度不均匀图像的目标边缘特征时容易受到不均匀灰度和噪声的干扰,从而影响了分割精确度。同时,在现有的主流主动轮廓模型中,每次水平集函数迭代时都需要更新驱动项,该计算过程增加了主动轮廓模型的分割时间,效率不高。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提供一种二阶微分图像分割方法、系统、介质和设备,可以降低图像分割时的计算复杂度,提高图像分割效率和精度。
为解决上述技术问题,本发明提供了一种二阶微分图像分割方法,包括:
获取待分割图像,使用水平集方法在所述待分割图像中设置初始轮廓线;
结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项,使用所述二阶微分驱动项迭代更新所述初始轮廓线得到最终的轮廓线;
使用所述最终的轮廓线分割所述待分割图像,得到图像分割结果。
在本发明的一个实施例中,所述使用水平集方法在所述待分割图像中设置初始轮廓线,具体为:
使用初始水平集函数表示初始轮廓线,当待分割图像的矢量像素点在初始轮廓线上或在初始轮廓线内部时,初始水平集函数的值为-1;当待分割图像的矢量像素点在初始轮廓线外部时,初始水平集函数的值为1。
在本发明的一个实施例中,所述二阶微分驱动项的建立方法为:
,
其中,表示待分割图像中的矢量像素点,/>表示所述二阶微分驱动项,/>为用于判断轮廓线演化方向的指示函数,/>为用于调整驱动项的幅度的常数,tanh( )为激活函数,/>为高斯-拉普拉斯滤波后的所述待分割图像的灰度值,/>为所述待分割图像的灰度的标准差。
在本发明的一个实施例中,所述用于判断轮廓线演化方向的指示函数为:
,
其中,为所述初始轮廓线内的平均灰度值,/>为初始轮廓线外的平均灰度值。
在本发明的一个实施例中,所述激活函数为:
,
其中,s表示激活函数的计算变量,e表示自然常数;
所述高斯-拉普拉斯滤波后的所述待分割图像的灰度值为:
,
其中,表示二范数的平方,/>为高斯标准差,/>为待分割图像的原始灰度值,*为卷积运算符号。
在本发明的一个实施例中,使用所述二阶微分驱动项迭代更新所述初始轮廓线,具体为:
对所述初始水平集函数进行迭代更新,迭代更新方法为:
,
其中,为待分割图像中的矢量像素点,n表示迭代次数,/>表示初始水平集函数经过第n次迭代后的水平集函数,/>表示初始水平集函数经过第n-1次迭代后的水平集函数;/>为窗口大小为/>的均值滤波器,w表示大于零的常数;/>为预设常数,/>为所述二阶微分驱动项,/>为时间步长。
在本发明的一个实施例中,使用所述二阶微分驱动项迭代更新所述初始轮廓线时,直到满足预设条件停止迭代更新并将此时的水平集函数作为所述最终的轮廓线;
所述预设条件为:当时停止迭代更新,将最后一次迭代更新得到的水平集函数/>作为所述最终的轮廓线,其中/>为预设阈值。
本发明还提供了一种二阶微分图像分割系统,包括:
初始轮廓线设置模块,用于获取待分割图像,使用水平集方法在所述待分割图像中设置初始轮廓线;
二阶微分驱动项建立模块,用于结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项;
最终轮廓线获取模块,用于使用所述二阶微分驱动项迭代更新所述初始轮廓线得到最终的轮廓线;
图像分割模块,用于使用所述最终的轮廓线分割所述待分割图像,得到图像分割结果。
本发明还提供了一种计算机可读存储介质,该计算机程序被处理器执行时实现所述的二阶微分图像分割方法。
本发明还提供了一种二阶微分图像分割设备,包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的二阶微分图像分割方法。
本发明的上述技术方案相比现有技术具有以下优点:
本发明通过结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项,并使用该改进的二阶微分驱动项引导水平集函数进行迭代更新,二阶微分驱动项仅需计算一次而不需要在水平集函数的迭代更新过程中进行更新,从而降低图像分割时的计算复杂度、提高分割效率;同时,通过改进的正则化方法可以缩短和平滑分割曲线,提高对噪声和参数的鲁棒性、从而提高图像分割的精度。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明方法的流程图。
图2是本发明实施例中使用本发明方法对灰度不均匀图像进行分割的结果示意图。
图3是本发明实施例中利用不同模型对图像进行分割的结果对比示意图。
图4是本发明实施例中使用本发明方法对一组图像序列进行图像分割的结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
参照图1所示,本发明公开了一种二阶微分图像分割方法,包括以下步骤:
S1:获取待分割图像,使用水平集方法在所述待分割图像中设置初始轮廓线。
S1-1:获取待分割图像。
S1-2:使用水平集方法在所述待分割图像中设置初始轮廓线。
使用初始水平集函数表示初始轮廓线/>,当待分割图像的矢量像素点/>在初始轮廓线/>上或在初始轮廓线/>内部时,初始水平集函数/>的值为-1;当待分割图像的矢量像素点/>在初始轮廓线/>外部时,初始水平集函数/>的值为1。即初始水平集函数表示为:
,
其中,表示初始水平集函数,/>表示待分割图像中的矢量像素点。
S2:结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项。二阶微分驱动项的建立方法为:
S2-1:设置指示函数为:
,
其中,为所述初始轮廓线内的平均灰度值,/>为初始轮廓线外的平均灰度值。指示函数/>用于判断轮廓线演化方向,还可以根据实际需求进行改变。
设置用于调整驱动项的幅度的常数,本实施例中/>的取值范围为[1, 10]。
设置激活函数tanh( )为:
,
其中,s表示激活函数的计算变量,e表示自然常数。激活函数tanh( )用于将变量的输出限制在(-1,1),还可以根据实际需求设置其他限制取值的函数。
计算高斯-拉普拉斯滤波后的所述待分割图像的灰度值为:
,
其中,表示二范数的平方,/>为高斯标准差,/>为待分割图像的原始灰度值,*为卷积运算符号。
计算所述待分割图像的灰度的标准差为:
,
其中,P为待分割图像内像素点的总数,为待分割图像的图像域,/>为待分割图像的原始灰度值,/>为待分割图像的平均灰度值。/>用于自适应调整高斯-拉普拉斯滤波后的图像灰度值。
S2-2:建立二阶微分驱动项为:
,
其中,表示待分割图像中的矢量像素点。本发明中的结合二阶微分驱动项结合高斯-拉普拉斯滤波和正则化方法进行改进,二阶微分驱动项仅计算一次,不需要在水平集函数的迭代更新过程中进行更新。
S3:使用所述二阶微分驱动项迭代更新所述初始轮廓线得到最终的轮廓线。
S3-1:使用所述二阶微分驱动项迭代更新所述初始轮廓线,具体为对所述初始水平集函数进行迭代更新,迭代更新方法为:
,
其中,n表示迭代次数,为待分割图像中的矢量像素点,/>表示初始水平集函数经过第n次迭代后的水平集函数,/>表示初始水平集函数经过第n-1次迭代后的水平集函数;/>为窗口大小为/>的均值滤波器,w表示大于零的常数,本实施例中w的取值范围为[3, 13],/>用于在缩短和平滑轮廓线的同时滤除轮廓线附近的噪声点;/>为预设常数,/>取值大于0;/>为所述二阶微分驱动项,/>为时间步长,/>的取值范围为[0.5, 2]。
S3-2:使用所述二阶微分驱动项迭代更新所述初始轮廓线时,直到满足预设条件停止迭代更新并将此时的水平集函数作为所述最终的轮廓线。
停止迭代更新的条件可以是水平集函数收敛、也可以是达到最大迭代次数,本发明中设置的所述预设条件为:当时停止迭代更新,将最后一次迭代更新得到的水平集函数/>作为所述最终的轮廓线,其中/>为预设阈值,/>的取值范围为[0.001, 0.0001]。
S4:使用表示初始水平集函数,对应的初始轮廓线用/>表示;将最后一次迭代更新得到的水平集函数用/>表示,对应的最终的轮廓线表示为/>,使用所述最终的轮廓线/>分割所述待分割图像,得到图像分割结果。
实施例二
本发明还公开了一种二阶微分图像分割系统,包括初始轮廓线设置模块、二阶微分驱动项建立模块、最终轮廓线获取模块和图像分割模块。
初始轮廓线设置模块用于获取待分割图像,并使用水平集方法在所述待分割图像中设置初始轮廓线。二阶微分驱动项建立模块用于结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项。最终轮廓线获取模块用于使用所述二阶微分驱动项迭代更新所述初始轮廓线得到最终的轮廓线。图像分割模块用于使用所述最终的轮廓线分割所述待分割图像,得到图像分割结果。
实施例三
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现实施例一中的二阶微分图像分割方法。
实施例四
本发明还公开了一种二阶微分图像分割设备,包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中的二阶微分图像分割方法。
实施例五
本发明还公开了一种目标跟踪方法,包括以下步骤:
S1:获取待跟踪目标的图像序列,使用实施例一中的二阶微分图像分割方法对所述图像序列中的第一帧图像进行图像分割。
S2:将前一帧图像的所述最终的轮廓线作为后一帧图像的所述初始轮廓线、即将前一帧图像最后一次迭代得到的水平集函数作为第二帧图像的初始水平集函数,再使用实施例一中的二阶微分图像分割方法对所述图像序列中的下一帧图像进行图像分割。
S3:重复S2直到对所述图像序列中的所有图像完成图像分割,实现动态目标跟踪。
与现有技术相比,本发明的有益效果有:
1、本发明通过结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项,并使用该改进的二阶微分驱动项引导水平集函数进行迭代更新。二阶微分驱动项仅需计算一次且在迭代前完成计算,不需要在水平集函数的迭代更新过程中进行更新,从而降低图像分割时的计算复杂度、提高分割效率,实现对灰度不均匀图像的快速分割。
2、通过改进的正则化方法使水平集函数在迭代过程中保持为符号距离函数,可以缩短和平滑分割曲线,提高对噪声和参数的鲁棒性、从而提高图像分割的精度。
3、本发明中改进的二阶微分驱动项利用高斯-拉普拉斯滤波初步提取目标边缘特征,并进一步用激活函数和图像标准差降低不均匀灰度和噪声对边界的干扰,从而提取更完整、清晰的目标边缘特征。
4、本发明中的正则化方法使用了tanh函数,将水平集函数在整个迭代过程中保持轮廓线内为负值、轮廓线外为正值的特性,且没有需要调整的参数;同时,用均值滤波来缩短和平滑曲线,并滤除轮廓线附近的噪声点。在此基础上对每次迭代计算后的水平集函数进行处理,进一步提高了模型对参数和噪声的鲁棒性。
5、本发明可以实现对一组图像序列的有效分割,并且不需要用数据集对其预训练。对于一组图像序列,对第一帧图像进行分割,并将最后一次迭代得到的水平集函数作为第二帧图像的初始水平集函数,再用本发明方法对第二帧图像进行分割,以此类推,直到对最后一帧图像完成分割。可以有效识别出图像序列中的目标物轮廓,实现动态目标跟踪。
为了进一步说明本发明的有益效果,本实施例中分别使用本发明方法和OSFACM(order-statistic filtering active contour model,顺序统计滤波主动轮廓模型)、APFJDACM(adaptive pre-fitting function Jeffreys divergence active contourmodel,自适应预拟合函数Jeffreys散度主动轮廓模型)现有的两个主动轮廓模型进行图像分割仿真实验,并对实验结果进行对比。
所有实验均在2.3 GHz英特尔酷睿i7个人计算机上的MATLAB2017b中实现。所有实验使用的图像来自BSDS图库,目标轮廓跟踪实验使用的图像来自OTB100数据集。彩色图像在分割前会转化为灰度图像。在所有实验中,矩形实线表示初始轮廓线,虚线表示最终分割曲线。设置参数取值:,/>。设置最大迭代次数N。
首先,使用本发明方法进行图像分割实验。从BSDS图库中挑选5张灰度不均匀的图像,使用本发明方法对这五张图像进行分割,结果如图2所示。图2中每一行为一张图像的处理过程,图2中从上到下每行图像依次编号1~5。图2中第一列为原始图像、第一列中的矩形框为初始轮廓,第二列为用本发明中改进的二阶微分驱动项计算后的图像,第三列为使用本发明方法得到的最终的分割结果。从图2可以看出,使用本发明中改进的二阶微分驱动项可以准确提取灰度不均匀的图像的目标边缘特征,使得本发明能有效分割灰度不均匀的图像。表1是仿真实验的迭代次数和每张图片的分割用时,其数据为10次独立实验取平均的结果。
表1 使用本发明方法对五张图像进行分割的迭代次数和分割用时表。
。
其次,分别使用本发明方法和OSFACM、APFJDACM进行图像分割。从BSDS图库中挑选7张彩色图像,分别使用OSFACM、APFJDACM和本发明方法对这7张图像进行分割,结果如图3所示。图3中从上到下每行图像依次编号1~7。图3中第一列为原始图像、矩形框为初始轮廓,第二列为OSFACM的分割结果,第三列为APFJDACM的分割结果,第四列为本发明方法的分割结果。从图3可以看出,本发明的图像分割效果优于APFJDACM、接近APFJDACM。
进一步地,对使用OSFACM、APFJDACM和本发明方法对这7张图像进行分割的分割用时进行对比,结果如表2所示。用DSC(Dice Similariy Coefficient,Dice相似系数)和IOU(Intersection of Union,重叠度)这两个参考来标准定量比较各个模型的分割精确度。DSC的定义为,IOU的定义为/>,其中,/>是实验获得的目标区域,/>是BSDS图库中提供的标准目标区域。DSC和IOU的值越接近1,说明分割效果越好。OSFACM、APFJDACM和本发明方法的DSC和IOU的值如表3所示。
表2 OSFACM、APFJDACM和本发明方法的分割用时对比表。
。
表3 OSFACM、APFJDACM和本发明方法的DSC和IOU对比表(DSC/IOU)。
。
从表2可以看出,本发明的分割用时均优于另外两个模型。从表3可以看出,本发明的分割精确度也优于另外两个模型。
最后,使用本发明方法对连续的一组图像序列进行图像分割。从OTB100数据集中选择一组图像序列共144帧图像,使用本发明方法对这144帧图像连续分割,结果如图4所示。对于一组图像序列,使用本发明方法对第一帧图像进行分割,并将最后一次迭代得到的水平集函数作为第二帧图像的初始水平集函数,再用本发明方法对第二帧图像进行分割,以此类推,直到对最后一帧图像完成分割。图4中的图像按从左到右、从上到下依次排列,第一张图像是第一帧图像、矩形框为初始轮廓,后面依次是该组图像序列在7帧采样间隔下使用本发明图像分割方法得到的分割结果。从图4可以看出,本发明在对连续的图像序列进行图像分割时也可以达到很好的分割效果,实现目标轮廓的跟踪。
从仿真实验可以看出,本发明不仅可以在单张图像中得到很好的分割效果,还可以在多张连续的图像序列中得到很好的分割效果、实现目标跟踪;同时,本发明的图像分割精度和时间相较于现有方法也得到了提升,因此可以证明本发明的有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种二阶微分图像分割方法,其特征在于,包括:
获取待分割图像,使用水平集方法在所述待分割图像中设置初始轮廓线;所述使用水平集方法在所述待分割图像中设置初始轮廓线,具体为:使用初始水平集函数表示初始轮廓线,当待分割图像的矢量像素点在初始轮廓线上或在初始轮廓线内部时,初始水平集函数的值为-1;当待分割图像的矢量像素点在初始轮廓线外部时,初始水平集函数的值为1;
结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项,使用所述二阶微分驱动项迭代更新所述初始轮廓线得到最终的轮廓线;所述二阶微分驱动项的建立方法为:
ISDDT(x)=ζ·λ·tanh(LoG(x)/μ),
其中,x表示待分割图像中的矢量像素点,ISDDT(x)表示所述二阶微分驱动项,ζ为用于判断轮廓线演化方向的指示函数,λ为用于调整驱动项的幅度的常数,tanh()为激活函数,LoG(x)为高斯-拉普拉斯滤波后的所述待分割图像的灰度值,μ为所述待分割图像的灰度的标准差;所述用于判断轮廓线演化方向的指示函数为:
其中,为所述初始轮廓线内的平均灰度值,/>为初始轮廓线外的平均灰度值;
使用所述最终的轮廓线分割所述待分割图像,得到图像分割结果。
2.根据权利要求1所述的二阶微分图像分割方法,其特征在于:所述激活函数为:
tanh(S)=(es-e-s)/(es+e-s),
其中,s表示激活函数的计算变量,e表示自然常数;
所述高斯-拉普拉斯滤波后的所述待分割图像的灰度值为:
其中,|| ||2表示二范数的平方,σ为高斯标准差,I(x)为待分割图像的原始灰度值,*为卷积运算符号。
3.根据权利要求1所述的二阶微分图像分割方法,其特征在于:使用所述二阶微分驱动项迭代更新所述初始轮廓线,具体为:
对所述初始水平集函数进行迭代更新,迭代更新方法为:
其中,x为待分割图像中的矢量像素点,n表示迭代次数,φ(x,n)表示初始水平集函数经过第n次迭代后的水平集函数,φ(x,n-1)表示初始水平集函数经过第n-1次迭代后的水平集函数;为窗口大小为(2w+1)2的均值滤波器,w表示大于零的常数;γ为预设常数,ISDDT(x)为所述二阶微分驱动项,Δt为时间步长。
4.根据权利要求3所述的二阶微分图像分割方法,其特征在于:使用所述二阶微分驱动项迭代更新所述初始轮廓线时,直到满足预设条件停止迭代更新并将此时的水平集函数作为所述最终的轮廓线;
所述预设条件为:当|φ(x,n)-φ(x,n-1)|<ε时停止迭代更新,将最后一次迭代更新得到的水平集函数φ(x,n)作为所述最终的轮廓线,其中ε为预设阈值。
5.一种二阶微分图像分割系统,其特征在于,包括:
初始轮廓线设置模块,用于获取待分割图像,使用水平集方法在所述待分割图像中设置初始轮廓线;所述使用水平集方法在所述待分割图像中设置初始轮廓线,具体为:使用初始水平集函数表示初始轮廓线,当待分割图像的矢量像素点在初始轮廓线上或在初始轮廓线内部时,初始水平集函数的值为-1;当待分割图像的矢量像素点在初始轮廓线外部时,初始水平集函数的值为1;
二阶微分驱动项建立模块,用于结合高斯-拉普拉斯滤波和正则化方法建立二阶微分驱动项;所述二阶微分驱动项的建立方法为:
ISDDT(x)=ζ·λ·tanh(LoG(x)/μ),
其中,x表示待分割图像中的矢量像素点,ISDDT(x)表示所述二阶微分驱动项,ζ为用于判断轮廓线演化方向的指示函数,λ为用于调整驱动项的幅度的常数,tanh()为激活函数,LoG(x)为高斯-拉普拉斯滤波后的所述待分割图像的灰度值,μ为所述待分割图像的灰度的标准差;所述用于判断轮廓线演化方向的指示函数为:
其中,为所述初始轮廓线内的平均灰度值,/>为初始轮廓线外的平均灰度值;
最终轮廓线获取模块,用于使用所述二阶微分驱动项迭代更新所述初始轮廓线得到最终的轮廓线;
图像分割模块,用于使用所述最终的轮廓线分割所述待分割图像,得到图像分割结果。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-4任一项所述的二阶微分图像分割方法。
7.一种二阶微分图像分割设备,其特征在于:包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的二阶微分图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311440652.2A CN117173201B (zh) | 2023-11-01 | 2023-11-01 | 二阶微分图像分割方法、系统、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311440652.2A CN117173201B (zh) | 2023-11-01 | 2023-11-01 | 二阶微分图像分割方法、系统、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173201A CN117173201A (zh) | 2023-12-05 |
CN117173201B true CN117173201B (zh) | 2024-01-26 |
Family
ID=88937843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311440652.2A Active CN117173201B (zh) | 2023-11-01 | 2023-11-01 | 二阶微分图像分割方法、系统、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173201B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593323B (zh) * | 2024-01-19 | 2024-03-29 | 苏州大学 | 一种基于非局部特征的图像分割方法、系统、介质和设备 |
CN117994277B (zh) * | 2024-04-02 | 2024-06-07 | 苏州大学 | 用于非均匀光照图像的目标分割方法、设备、介质、系统 |
CN118447032A (zh) * | 2024-07-08 | 2024-08-06 | 苏州大学 | 基于自适应加权均值滤波的图像分割方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8837819B1 (en) * | 2012-04-05 | 2014-09-16 | Google Inc. | Systems and methods for facilitating identification of and interaction with objects in a video or image frame |
CN105662412A (zh) * | 2015-12-29 | 2016-06-15 | 沈阳东软医疗系统有限公司 | 一种磁共振系统的一阶匀场方法、装置及设备 |
CN116128901A (zh) * | 2023-01-16 | 2023-05-16 | 苏州大学 | 一种基于形态学与非线性泊松方程的图像处理方法及装置 |
-
2023
- 2023-11-01 CN CN202311440652.2A patent/CN117173201B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8837819B1 (en) * | 2012-04-05 | 2014-09-16 | Google Inc. | Systems and methods for facilitating identification of and interaction with objects in a video or image frame |
CN105662412A (zh) * | 2015-12-29 | 2016-06-15 | 沈阳东软医疗系统有限公司 | 一种磁共振系统的一阶匀场方法、装置及设备 |
CN116128901A (zh) * | 2023-01-16 | 2023-05-16 | 苏州大学 | 一种基于形态学与非线性泊松方程的图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117173201A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173201B (zh) | 二阶微分图像分割方法、系统、介质和设备 | |
CN106709964B (zh) | 基于梯度修正和多向纹理提取的素描画生成方法及装置 | |
CN115984312A (zh) | 图像分割方法、电子设备及计算机可读存储介质 | |
CN109559328B (zh) | 一种基于贝叶斯估计与水平集的快速图像分割方法及装置 | |
CN112184888A (zh) | 三维血管建模的方法及装置 | |
CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
CN109712160B (zh) | 基于广义熵结合改进的狮群算法实现图像阈值分割方法 | |
CN111145188A (zh) | 一种基于ResNet与UNet模型的图像分割方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN112836820B (zh) | 用于图像分类任务的深度卷积网络训练方法、装置及系统 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN117372463B (zh) | 一种用于电力部件图像的图像分割优化方法 | |
CN113781515A (zh) | 细胞图像分割方法、装置和计算机可读存储介质 | |
US20130064468A1 (en) | Methods and Apparatus for Image Analysis and Modification Using Fast Sliding Parabola Erosian | |
CN114359076A (zh) | 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN117593323B (zh) | 一种基于非局部特征的图像分割方法、系统、介质和设备 | |
CN117808835A (zh) | 一种基于深度学习和局部预拟合的图像处理方法 | |
CN110599429B (zh) | 一种高能x射线图像非盲去模糊方法 | |
CN117593275A (zh) | 一种医学图像分割系统 | |
CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
CN104376559A (zh) | 基于改进的距离调整水平集算法的医学图像分割方法 | |
CN109800793B (zh) | 一种基于深度学习的目标检测方法和系统 | |
CN111145221A (zh) | 一种基于多层深度特征提取的目标跟踪算法 | |
CN116128901A (zh) | 一种基于形态学与非线性泊松方程的图像处理方法及装置 |
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 |