基于先验形状和循环移位的目标分割方法技术
【技术实现步骤摘要】
本专利技术涉及计算机视觉
，特别是一种基于先验形状和循环移位的目标分割方法。
技术介绍
目标分割是指从图像信息中提取出人们感兴趣的目标，属于是计算机视觉里面一个基础的难题。它在军事制导，机器人技术，医疗诊断和智能监控等领域得到了广泛的应用。早期的目标分割算法主要是依赖底层的图像数据信息(灰度值，纹理和边缘特征等)，出现了一些经典的分割算法，如阈值分割算法，区域分割算法和边缘分割算法。在实际应用中，由于噪声，阻挡，背景混乱等干扰因素下，仅仅依赖底层分割算法并不能得到满意的结果。利用高层先验知识来辅助底层目标分割就变得很重要。随着曲线演化理论和应用的快速发展，基于形状先验的曲线演化方法成为研究的一个热点，并产生了很多成功的算法，如基于形状核密度估计的目标分割算法，基于形状稀疏表示的目标分割算法，基于形状流形学习的目标分割算法等。这些算法都可以表示为一个数据项和形状约束项的线性组合。数据项利用图像底层数据特征驱动演化曲线捕捉目标的局部形变，形状约束项约束演化曲线的全局形状逼近先验形状。由于目标在图像上呈现多种不同的姿态，因而目标的形状与先验形状通常不一致。现有方法大部分都是通过引入先验形状集，里面包含目标的多个形状，同时对先验形状集引入形变参数，让先验形状发生形变向目标形状逼近。现有三种方法求解形变参数：交替迭代法，内部对齐法和分支限界法。交替迭代法就是将所构建的能量函数对形变参数(如位移，旋转等)采用交替迭代法求极值，这种方法对迭代顺序和迭代步长非常敏感，很容易陷入局部极小值。内部对齐法是将目标形状和先验形状通过选择一个参考位置和旋转方向，进行归一化，...
【技术保护点】
一种基于先验形状和循环移位的目标分割方法，其特征在于：按以下步骤实现：步骤S1：用概率的方式定义形状q，q:Ω→[0,1]，其中Ω为图像的定义域，任意x∈Ω，q(x)表示x属于目标形状的概率；引入参数τ∈[0,1]，将概率形状转换为二值形状(q)τ＝{x|q(x)≥τ}；利用概率定义，将先验形状库中的N个形状，采用概率的方式定义为：q1,q2,…,qN；步骤S2：利用主成份分析对所有概率定义的形状q1,q2,…,qN进行降维，计算前n≤N个特征值最大的特征向量{ψ1,ψ2,…,ψn}，得到形状的低维表示方法qα＝μ+ψα，其中特征向量矩阵ψ＝[ψ1,ψ2,…,ψn]；任意形状q都用低维形状向量表示α＝ψT(q‑μ)；步骤S3：将目标分割看作最大化条件概率P(α|I)，即从给定的测试图像I中估计出最佳的目标形状向量α；利用贝叶斯推理最大化条件概率转换为最小化一个数据项Ed(α)＝‑logP(I|α)和一个形状约束项Es(α)＝‑logP(α)的线性组合；步骤S4：给定一个形状向量α，目标区域定义为qα，背景区域定义为1‑qα，构建数据项Ed(α)，要求属于目标的每个像素点x属于目标的概率...
【技术特征摘要】
1.一种基于先验形状和循环移位的目标分割方法，其特征在于：按以下步骤实现：步骤S1：用概率的方式定义形状q，q:Ω→[0,1]，其中Ω为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。