一种局部交叉熵度量模糊C均值的水平集图像分割算法制造技术

本发明专利技术提供了一种局部交叉熵度量模糊C均值的水平集图像分割算法，属于图像处理领域。本局部交叉熵度量模糊C均值的水平集图像分割算法，包括以下步骤：S1：输入原图像

A level set image segmentation algorithm based on local cross entropy and fuzzy C mean

The present invention provides a level set image segmentation algorithm based on local cross entropy to measure fuzzy C mean, and belongs to the field of image processing. This local cross entropy measurement of fuzzy C mean level set image segmentation algorithm, including the following steps: S1: input the original image

【技术实现步骤摘要】
一种局部交叉熵度量模糊C均值的水平集图像分割算法
本专利技术属于图像处理领域，涉及一种局部交叉熵度量模糊C均值的水平集图像分割算法。
技术介绍
图像分割是计算机视觉、目标跟踪、以及医疗成像的基本课题，也是一项复杂的任务，在整个图像处理过程中占有非常重要的地位。由于噪声、低对比度、灰度不均匀等现象的出现，给图像分割带来了很大的挑战，尤其在医学领域，其分割的难度更大。传统的FCM算法以平方误差和为聚类准则，利用迭代法来优化目标函数，从而使数据集合的最优聚类得以完成。正是由于聚类方法中成功地引入了模糊理论，使得FCM算法保留了更多的原始图像信息，因此成为目前图像处理领域中应用较为广泛的分割方法之一。FCM算法的优势在于其无监督性、高效性及自适应性，该方法虽然简单、快速，但缺乏本质上的平滑约束，而且对于先验知识(形状、纹理等)没有进行考虑，也未能取得光滑的分割边界和封闭的分割区间。最近几年，基于水平集的几何活动轮廓模型在图像分割领域得到了广泛使用，其基本思想是：对于图像域内的一个初始闭合曲线及其能量方程，通过能量函数的极小化过程，使得演化曲线向着图像中的目标边缘逼近，从而获得图像的分割结果。因此，该方法在能量泛函的定义中易于加入目标形状、图像区域等先验知识，从而得到光滑、封闭的分割结果。传统的水平集分割方法只考虑了图像的梯度信息，对于弱边缘或者噪声区域，得到的分割结果往往很不理想。为了更有效地解决上述问题，新的模型被不断地提出。其中，Li等人将惩罚项引入到水平集的能量方程中，对水平集函数和符号距离函数之间的偏差进行约束。同时，Li等人又提出了LBF(LocalBinaryFitting)模型，通过利用图像的局部区域信息作为约束条件，具有更好的分割定位能力。之后，Wang等人提出了LGDF(LocalGaussianDistributionFitting)模型，将图像区域内的灰度归纳为不同均值和方差的高斯分布，进而大大提高了图像的分割精度。近些年，许多学者采用交叉熵准则来计算能量泛函。由于引入了高斯核函数，这类算法可以自适应地增加或减小样本点属于某个聚类中心的权重，因此有效地减小了孤立点、噪声点对图像分割所造成的影响。但是，这类方法并没有考虑图像的局部信息，导致算法不能准确地提取图像中灰度不均匀目标的边缘。
技术实现思路
本专利技术的目的是针对现有的技术存在上述问题，提出了一种局部交叉熵度量模糊C均值的水平集图像分割算法，本水平集图像分割算法成功地处理弱边缘和灰度不均匀目标，且具有一定的抗噪性的特点。本专利技术的目的可通过下列技术方案来实现：一种局部交叉熵度量模糊C均值的水平集图像分割算法，其特征在于，包括以下步骤：S1：输入原图像并计算它滤波后的图像S2：初始化水平集函数φ＝φ0(x)，它的SDF定义如下：S3：初始化权值系数和参数μ、α、ν、ε、σ、Δt；S4：更新权值系数和S5：更新水平集函数φ；S6：判断水平集演化曲线是否满足收敛准则，若没有，转到步S4继续计算，直到满足终止条件。在上述局部交叉熵度量模糊C均值的水平集图像分割算法，所述的S5进一步包括以下子步骤：S5.1：用交叉熵准则来重新构造FCM_S算法的目标函数公式中，k为聚类的数目，N为像素点的个数，xi为第i个像素点的灰度值，xi是以j为中心的邻域像素灰度值，vc为第c个聚类中心，uic表示第i个像素点属于第c类的隶属度，g(s)＝exp(-s2/2ρ2)是大小为ρ的高斯核函数；S5.2：引入高斯核函数来获取图像的局部信息，具体如下：公式中，Kσ(j,i)为标准差为σ的高斯核函数：S5.3：采用水平集方法来求解能量函数，则能量泛函的水平集方程表示如下：公式中，M1(φi)＝Hε(φi)，M2(φi)＝1-Hε(φi)，Heaviside函数H(z)需要用它的一个光滑版本Hε(z)来替代，通常被定义为：公式中，ε是一个大于零的参数，对Hε(z)求导，得：S5.4：在目标函数中引入长度项和惩罚项，能量泛函可以表示为：公式中，ν为长度项长度的权重系数，μ为惩罚项的权重系数；S5.5：采用标准的梯度下降流法来极小化能量泛函,固定水平集函数求的导数，可得：S5.6：保持固定，关于水平集函数极小化能量泛函φ*，同时，引入时间变量t，可得到如下的水平集演化方程：S5.7：设定因此，简化为：与现有技术相比，本具有以下优点：首先，鉴于交叉熵准则在处理噪声方面有较大的优势，将其取代平方误差和准则来重新构造FCM_S(FuzzyC-MeanswithSpatialConstraints)算法的目标函数，这样处理可以自适应地增加或减小样本点属于某个聚类的程度；其次，将改进后的聚类算法融入到变分水平集框架中，使得模型可准确地对像素点进行归类；最后，采用加权迭代法和梯度下降流法来求解模型的泛函对弱边缘和噪声图像都能取得很好的分割效果，且对初始轮廓的灵活性更强。附图说明图1为本专利技术所涉及方法的流程框图。图2.1为各算法对合成噪声图像的分割结果；图2.2为各算法对多目标图像的分割结果；图2.3为各算法对T型图像的分割结果；图2.4为各算法对真实飞机图像的分割结果。图3、图4、图5、图6分别为LBF模型、LGDF模型、LCK模型、LCFCM_S模型和LCFCM_S1模型分别在噪声水平分别为0.1、0.2、0.3、0.4和0.5(从上至下)的分割结果,(a)为原始图像，真实的边界是已知的；(b)为带有初始轮廓的椒盐噪声图像。图7为对合成图像和真实图像分割结果的RMSE值,(a)为图3中各算法分割结果的RMSE值；(b)为图4中各算法分割结果的RMSE值；(c)为图5中各算法分割结果的RMSE值；(d)为图6中各算法分割结果的RMSE值。图8为对医学图像的分割结果，(a)为原始图像，；(b)为LBF模型分割结果；(c)为LGDF模型分割结果；(d)为LCK模型分割结果；(e)为LCFCM_S模型分割结果；(f)为LCFCM_S1模型分割结果。图9为对自然图像的分割结果，(a)为原始图像，；(b)为LBF模型分割结果；(c)为LGDF模型分割结果；(d)为LCK模型分割结果；(e)为LCFCM_S模型分割结果；(f)为LCFCM_S1模型分割结果。具体实施方式以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。如图1所示，一种局部交叉熵度量模糊C均值的水平集图像分割算法，其特征在于，包括以下步骤：S1：输入原图像并计算它滤波后的图像S2：初始化水平集函数φ＝φ0(x)，它的SDF定义如下：S3：初始化权值系数和参数μ、α、ν、ε、σ、Δt；S4：更新权值系数和S5：更新水平集函数φ，包括以下子步骤：S5.1：用交叉熵准则来重新构造FCM_S算法的目标函数公式中，k为聚类的数目，N为像素点的个数，xi为第i个像素点的灰度值，xi是以j为中心的邻域像素灰度值，vc为第c个聚类中心，uic表示第i个像素点属于第c类的隶属度，g(s)＝exp(-s2/2ρ2)是大小为ρ的高斯核函数；S5.2：引入高斯核函数来获取图像的局部信息，具体如下：公式中，Kσ(j,i)为标准差为σ的高斯核函数：S5.3：采用水平集方法来求解能量函数，则能量泛函的水平集方程本文档来自技高网...

【技术保护点】
一种局部交叉熵度量模糊C均值的水平集图像分割算法，其特征在于，包括以下步骤：S1：输入原图像

【技术特征摘要】
1.一种局部交叉熵度量模糊C均值的水平集图像分割算法，其特征在于，包括以下步骤：S1：输入原图像并计算它滤波后的图像S2：初始化水平集函数φ＝φ0(x)，它的SDF定义如下：S3：初始化权值系数和参数μ、α、ν、ε、σ、Δt；S4：更新权值系数和S5：更新水平集函数φ；S6：判断水平集演化曲线是否满足收敛准则，若没有，转到步S4继续计算，直到满足终止条件。2.根据权利要求1所述的局部交叉熵度量模糊C均值的水平集图像分割算法，其特征在于，所述的S5进一步包括以下子步骤：S5.1：用交叉熵准则来重新构造FCM_S算法的目标函数公式中，k为聚类的数目，N为像素点的个数，xi为第i个像素点的灰度值，xi是以j为中心的邻域像素灰度值，vc为第c个聚类中心，uic表示第i个像素点属于第c类的隶属度，g(s)＝exp(-s2/2ρ2)是大小为ρ的高斯核函数；S5.2：引入高斯核函数来获取图像的局部信息，具体如下：公式中，Kσ(j,i)为标准差为σ的高斯核函数：S5.3：采用水平集方法来求解能量函数，则能量泛函的水平集方程表示如下：公式中，M1(φi)＝Hε(φi)，M2(φi)＝1-Hε(φi)，Heaviside函数H(z)用Hε(z)来替代：公式中，ε是一个大于零的参数，对Hε(z)求导：S5.4：在目标函数中引入长度项和惩罚项，能量泛函可以表示为：

【专利技术属性】
技术研发人员：江晓亮，林欢，冯凯萍，丁小康，王桢，
申请(专利权)人：衢州学院，
类型：发明
国别省市：浙江,33