基于GSA的凹形图像分割方法技术

本发明专利技术公开了一种基于GSA的凹形图像分割方法，首先对原始图像进行灰度处理，然后使用GSA模型完成初始蛇素的收敛，最后通过贪婪算法完成蛇素的最终收敛；本发明专利技术的方法对图像进行归一化处理，均衡连续力、弯曲力和图像力，在保证蛇素原始序列的前提下，让蛇素进快速、均匀地拟合到目标轮廓周围，特别是拟合到图像的凹形区域中，保留了GSA模型高效率计算优势的同时，提高了轮廓提取的精度，特别是所提出的方法很好的处理了凹形目标轮廓提取问题。

Concave image segmentation method based on GSA

The invention discloses a segmentation method of concave image based on GSA, firstly the original gray-scale image processing, and then use the GSA model to complete the initial convergence of snaxel, finally completed snaxel converge by greedy algorithm; the method of the invention to normalize the image, balanced continuous force, bending force and image force, under the premise of ensuring snaxel original sequence, let snaxel into rapid and uniform fitting to the target contour around, especially fitting to the image of the concave region, retains the GSA model calculation efficiency advantages, improve the accuracy of contour extraction, especially the proposed method very good processing the concave contour extraction problem.

【技术实现步骤摘要】
基于GSA的凹形图像分割方法
本专利技术涉及一种基于GSA的凹形图像分割方法
技术介绍
在计算机视觉的研究中，传统的目标检测主要是通过一个自底向上的过程对图像进行分割和边缘检测。此过程较少考虑目标本身所具有的特征，因此有效性不足。Snake模型又称为主动轮廓模型，最早由Kass等人提出，该方法已在图像分割、检测、识别等领域中被广泛使用。不同于传统图像分割方法，Snake模型充分利用了目标图像本身的特质，把图像的大小、位置、形状等信息与图像的灰度、梯度等特征相结合。目前，Snake模型已成为图像目标检测最为常用的方法。传统的Snake模型存在一些问题，如外力捕捉范围较小、进入凹陷区域困难、拓扑不变等。特别是在处理凹形图时，基本的Snake模型通常无法收敛到凹陷区域。为弥补上述不足，一些改进算法被相继提出，其中较为成功的是Xu等人提出GVF模型，已经应用到很多凹形图像分割的实际问题，但该模型对于一些内陷曲率较大的凹形图，效果仍不理想。此外，GVF模型是由基本的Snake模型进行改进得到，基本的Snake模型的能量函数需要运用较多的一阶求导、二阶求导以及积分运算，因此存在计算量大、计算效率不高的问题，GVF模型同样存在这方面问题。贪婪蛇算法(GreedySnakeAlgorithm，GSA)，是一种改进较大且较为成功的Snake模型。GSA算法借鉴了Snake模型的外力、内力综合作用于蛇素点的基本思想，却采用了不同于传统Snake模型的能量函数，特别是GSA的能量函数无需完成大量的求导和积分运算，因此具有较高的计算效率。传统的GSA算法中，能量函数中图像力的取值范围过大，进而使得综合力几乎完全被图像力影响,GSA模型的不足在于无法提取凹形图像的轮廓。
技术实现思路
本专利技术要解决的技术问题是：针对Snake模型计算效率低、处理凹形图像效果不理想的问题，设计一种基于GSA的凹形图像分割方法，该方法对图像进行归一化处理，均衡连续力、弯曲力和图像力，在保证蛇素原始序列的前提下，让蛇素进快速、均匀地拟合到目标轮廓周围，特别是拟合到图像的凹形区域中。本专利技术解决技术问题的技术方案是：首先对原始图像进行灰度处理，然后使用一种改进的GSA模型完成初始蛇素的收敛，最后通过一种贪婪算法完成蛇素的最终收敛；包括如下具体步骤：步骤1：对图像进行灰度预处理；步骤2：在图像中确定目标边界为初始轮廓点，即蛇素；步骤3：借助GSA算法，通过外力和内力，使用对由蛇素连接而成的曲线进行变形，使所有蛇素能量之和最小化，使初始蛇素最终移动到目标轮廓边缘位置，并确保蛇素之间有序且均匀分布，完成蛇素的初始收敛；步骤4：使用贪婪策略完成蛇素的最终收敛，所有的蛇素锁定到图像待分割目标的边界上，特别是图像的凹陷区域；步骤5：顺序连接蛇素，形成目标轮廓，完成图像分割。更具体地，所述步骤1中，按照下述计算过程对图像进行灰度预处理：灰度预处理的公式为：Gray(v(i),j)'＝(Δ1'R(v(i),j)+Δ2'G(v(i),j)+Δ3'B(v(i),j))＞＞k上式中，Gray(v(i),j)表示某个像素点v(i)的灰度值，公式R(v(i),j)、G(v(i),j)、B(v(i),j)分别表示红色、绿色、蓝色通道值，△1、△2、△3作为权重系数，k表示位移系数，其中，△1＝38，△2＝75，△3＝15，k＝7。更具体地，所述步骤3中，按照下述计算过程完成蛇素的初始收敛；假设蛇素序列由N个蛇素点组成，综合力函数如下：v(i)表示第i个蛇素，j为i蛇素邻域Gpi内的第j个像素，j的取值与蛇素的一步移动距离δ有关；一步移动计算方法为：j＝i±δk，δ∈{0,1,2，...}，δ表示蛇素点一步移动距离；Econt表示连续力，Ecurv表示弯曲力，Eimage表示图像力；α、β、γ是伸缩参数用来控制各组成部分的权重关系；整个GSA的计算目标是：在蛇素点i的邻域Gpi中计算出一个像素点使综合力E(v(i),j)值最小化，并将其作为下一步移动的蛇素点；Econt连续力的计算方法如下：其中，dv(i,j)-v(i+1)表示第i个蛇素邻域Gpi中的第j个像素与第i+1个蛇素的直线距离；davr表示所有蛇素点之间的平均距离，计算方法为连续力Econt计算目标在于：发现Gpi中与i+1蛇素距离最接近于平均距离的一个像素点，作用在于控制蛇素点在轮廓空间内的均匀分布程度；每一轮迭代后davr需要重新计算；弯曲力Ecurv的能量函数如下:上式中，|v(i-1)-2v(i,j)+v(i+1)|表示对i-1、i+1个蛇素与Gpi中的像素j进行和向量计算；弯曲力Ecurv的计算目标在于：发现Gpi中与前后两个蛇素点构成向量夹角最小的像素点，作用在于蛇素点的平滑程度；图像力的具体能量函数Eimage如下:其中I(v(i),j)表示Gpi中第j个像素点的梯度值；min(v(i),j)表示Gpi所包含的像素的最小梯度值；图像力Eimage的计算目标在于：发现Gpi中梯度值最大像素点。更具体地，所述步骤4中，按照下述计算过程通过贪婪算法完成蛇素的最终收敛：步骤(4.1):将初始轮廓视作一个N边形，则该N边形的中心被记录为参考点p(x,y)；若参考点在轮廓区域内，跳转至步骤(4.4)；若参考点在轮廓区域外，则顺序执行步骤(4.2)；步骤(4.2):以参考点p(x,y)为端点，通过每个蛇素v(i)构造出N条射线L(i)，i＝1,2,…,N；步骤(4.3):对于每条与轮廓相交的射线Lp，p＝1,2,3,…n找到其交点坐标并且依次记录，则这N个数据点表示为p(xi,yi)(i＝1,2,3,…,n)，并且算出每条射线上蛇素点与轮廓交点的中点坐标M(xi,yi)(i＝1,2,3,…,n)；由这N/2组成的中点坐标M(xi,yi)(i＝1,2,3,…,n)算出最后的参考点为：步骤(4.4):以参考点p(x,y)作为此当前蛇形模型能量函数Eimage的中心，构造出n条射线Lj(j＝1,2,…,n)，从当前参考点p(x,y)发出到此迭代i次后的轮廓边缘；此时，两条相邻直线的夹角为2π/n；步骤(4.5):以参考点p(x,y)作为此当前蛇形模型能量函数Eimage的中心，构造出n条射线Lj(j＝1,2,…,n)，从当前参考点p(x,y)发出到此迭代i次后的轮廓边缘；此时，两条相邻直线的夹角为2π/n；步骤(4.6):对于每条直线Lj(j＝1,2,…,n)，我们定义Pv(i,j)是此直线Lj上的第i个点，计算每个点的梯度Gv(i,j)，选取这条线上梯度最大值max{Gv(i,j)}作为收敛的最终点，即蛇素的最终位置。本专利技术具有以下优点：(1)一些图像分割问题中，原始图像往往存在斑点粗糙、噪点干扰等问题；本专利技术的灰度预处理使得原始图像的特征更加明显，灰度处理使图像边缘化得到加强，去噪、锐化程度也相应地提高。(2)在整个能量函数进行极小化的过程中，连续力能量函数使蛇素均匀分布于当前目标轮廓，弯曲力能量函数使其轮廓尽可能平滑，图像力使蛇素尽可能地停留在高梯度像素点；三个力同时作用，蛇素在外力的作用下不断向真实具体的轮廓进行移动，内力在保持蛇素拓扑性较好的同时随着蛇素点的移动而不断变化着，最终内力和外力相互制约形成一个较好的初本文档来自技高网...

【技术保护点】
基于GSA的凹形图像分割方法，其特征是：首先对原始图像进行灰度处理，然后使用GSA模型完成初始蛇素的收敛，最后通过贪婪算法完成蛇素的最终收敛；它包括如下步骤：步骤1：对图像进行灰度预处理；步骤2：在图像中确定目标边界为初始轮廓点，即蛇素；步骤3：借助GSA算法，通过外力和内力，使用对由蛇素连接而成的曲线进行变形，使所有蛇素能量之和最小化，使初始蛇素最终移动到目标轮廓边缘位置，并确保蛇素之间有序且均匀分布，完成蛇素的初始收敛；步骤4：使用贪婪策略完成蛇素的最终收敛，所有的蛇素锁定到图像待分割目标的边界上，特别是图像的凹陷区域；步骤5：顺序连接蛇素，形成目标轮廓，完成图像分割。

【技术特征摘要】
1.基于GSA的凹形图像分割方法，其特征是：首先对原始图像进行灰度处理，然后使用GSA模型完成初始蛇素的收敛，最后通过贪婪算法完成蛇素的最终收敛；它包括如下步骤：步骤1：对图像进行灰度预处理；步骤2：在图像中确定目标边界为初始轮廓点，即蛇素；步骤3：借助GSA算法，通过外力和内力，使用对由蛇素连接而成的曲线进行变形，使所有蛇素能量之和最小化，使初始蛇素最终移动到目标轮廓边缘位置，并确保蛇素之间有序且均匀分布，完成蛇素的初始收敛；步骤4：使用贪婪策略完成蛇素的最终收敛，所有的蛇素锁定到图像待分割目标的边界上，特别是图像的凹陷区域；步骤5：顺序连接蛇素，形成目标轮廓，完成图像分割。2.根据权利要求1所述的基于GSA的凹形图像分割方法，其特征是：所述步骤1中，按照下述计算过程对图像进行灰度预处理：灰度预处理的公式为：Gray(v(i),j)'＝(Δ1'R(v(i),j)+Δ2'G(v(i),j)+Δ3'B(v(i),j))＞＞k上式中，Gray(v(i),j)表示某个像素点v(i)的灰度值，公式R(v(i),j)、G(v(i),j)、B(v(i),j)分别表示红色、绿色、蓝色通道值，△1、△2、△3作为权重系数，k表示位移系数，其中，△1＝38，△2＝75，△3＝15，k＝7。3.根据权利要求1所述的基于GSA的凹形图像分割方法，其特征是：所述步骤3中，按照下述计算过程完成蛇素的初始收敛；假设蛇素序列由N个蛇素点组成，综合力函数如下：v(i)表示第i个蛇素，j为i蛇素邻域Gpi内的第j个像素，j的取值与蛇素的一步移动距离δ有关；一步移动计算方法为：j＝i±δk，δ∈{0,1,2，...}，δ表示蛇素点一步移动距离；Econt表示连续力，Ecurv表示弯曲力，Eimage表示图像力；α、β、γ是伸缩参数用来控制各组成部分的权重关系；整个GSA的计算目标是：在蛇素点i的邻域Gpi中计算出一个像素点使综合力E(v(i),j)值最小化，并将其作为下一步移动的蛇素点；Econt连续力的计算方法如下：其中，dv(i,j)-v(i+1)表示第i个蛇素邻域Gpi中的第j个像素与第i+1个蛇素的直线距离；davr表示所有蛇素点之间的平均距离，计算方法为连续力Econt计算目标在于：发现Gpi中与i+1蛇素距离最接近于平均距离的一个像素点，作用在于控制蛇素点在轮廓空间内的均匀分布程度；每一轮迭代后davr需要重新计算；弯曲力Ecurv的能量函数如下:上式中，|v(i-1)-2v(i,j)+v(i+1)|表示对i-1、i+1个蛇素与Gpi中的像素j进行和向量计算；弯曲力Ecurv的计算目标在于：发现Gpi中与前后两个蛇素点构成向量夹角最小的像素点，作用在于蛇素点的平滑程度；图像力的具体能量函数Eimage如下:其中I(v(i),j)表示Gpi中第j个像素点的梯度值；min(v(i),j)表示Gpi所包含的像素的最小梯度值；图像力Eimage的计算目标在于：发现Gpi中梯度值最大像素点。4.根据权利要求1所述的基于GSA的凹形图像分割方法，其特征是：所述步骤4中，按照下述计算过程通过贪婪算法完成蛇素的最终收敛：步骤(4.1):将初始轮廓视作一个N边形，则该N边形的中心被记录为参考点p(x,y)；若参考点在轮廓区域内，跳转至步骤(4.4)；若参考点在轮廓区域外，则顺序执行步骤(4.2)；步骤(4.2):以参考点p(x,y)为端点，通过每个蛇素v(i)构造出N条射线L(i)，i＝1,2,…,N；步骤(4.3):对于每条与轮廓相交的射线Lp，p＝1,2,3,…n找到其交点坐标并且依次记录，则这N个数据点表示为p(xi,yi)(i＝1,2,3,…,n)，并且算出每条射线上蛇素点与轮廓交点的中点坐标M(xi,yi)(i＝1,2,3,…,n)；由这N/2组成的中点坐标M(xi,yi)(i＝1,2,3,…,n)算出最后的参考点为：步骤(4.4):以参考点p(x,y)作为此当前蛇形模型能量函数Eimage的中心，构造出n条射线Lj(j＝1,2,…,n)，从当前参考点p(x,y)发出到此迭代i次后的轮廓边缘；此时，两条相邻直线的夹角为2π/n；步骤(4.5):以参考点p(x,y)作为此当前蛇形模型能量函数Eimage的中心，构造出n条射线Lj(j＝1,2,…,n)，从当前参考点p(x,y)发出到此迭代i次后的轮廓边缘；此时，两条相邻...

【专利技术属性】
技术研发人员：程乐，宋艳红，史梦安，王志勃，徐义晗，潘永安，刘万辉，郜继红，郭艾华，黄丽萍，
申请(专利权)人：淮安信息职业技术学院，
类型：发明
国别省市：江苏,32