一种用于具有弱边缘的单一目标提取方法技术

本发明专利技术涉及一种用于具有弱边缘的单一目标提取方法。包括如下步骤：步骤1，输入包含单一目标的图像；步骤2，人工标注；步骤3，平滑处理；步骤4，梯度计算；步骤5，弱边缘参数定义；步骤6，提取标注前景和标注背景；步骤7，创建训练数据集和标记集；步骤8，创建测试数据集；步骤9，训练KNN分类器；步骤10，预测测试数据集；步骤11，计算弱边缘强化集合；步骤12，提取初始轮廓；步骤13，迭代运算活动轮廓模型；步骤14，输出目标轮廓。能够准确检测弱边缘，可以应用于医学图像中病变目标的准确提取。

【技术实现步骤摘要】
一种用于具有弱边缘的单一目标提取方法
本专利技术涉及一种数字图像处理领域，具体说是一种用于具有弱边缘的单一目标提取方法。
技术介绍
边缘是图像最基本的特征。Marr的视觉计算理论把边缘图像的获取看作视觉的早期阶段，亦即整个视觉过程的起点。对人类视觉系统的研究表明,图像的边缘特别重要，往往仅凭一条粗略的轮廓线就能识别出一个物体，故图像的边缘具有丰富的信息。因此，图像边缘提取技术一直是图像处理与模式识别的重要环节,并在诸多领域得到了广泛的应用。纵观图像处理技术的发展进程，边缘提取技术的新理论、新方法不断涌现，诸如边缘跟踪法、基于像素领域构造的边缘检测算子，如常用的梯度算子、Laplace算子等。近几年来在此领域又出现了数学形态学、小波分析、BP神经网络等图像处理新技术，极大地促进了数字图像边缘提取技术的发展。但就己发表的成果来看，这些方法还存在以下问题：（1）计算复杂度较大，难以达到实时处理；（2）对数据源的要求较严格，对于边缘不显著的物体，提取效果不好。
技术实现思路
本专利技术提供了一种用于具有弱边缘的单一目标提取方法，运用人工标注和活动轮廓模型相结合的半自动方式，通过对弱边缘进行增强，最大限度地保留边缘信息，方法的计算量小，输出结果可靠。为实现本专利技术的目标所采用的技术方案是：方法包括以下步骤：步骤1：输入高为h，宽为w，包含单一目标Obj的图像I1；步骤2：对图像I1进行人工标注，在目标Obj内部进行标注，得到内部标注区域A1，在目标Obj外部进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2；步骤3：对图像I1进行平滑处理，得到平滑图像I3；步骤4：计算平滑图像I3的梯度grad；步骤5：定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)；步骤6：提取内部标注区域A1，记为标注前景F，提取外部标注区域A2，记为标注背景B；步骤7：利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x-1,y-1),I1(x-1,y),I1(x-1,y+1),I1(x,y-1),I1(x,y),I1(x,y+1),I1((x+1,y-1),I1(x+1,y),I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0；步骤8：创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其8邻域像素点共9个像素点的取值构造像素点(m,n)的特征向量FVtest，FVtest=[I1(m-1,n-1),I1(m-1,n),I1(m-1,n+1),I1(m,n-1),I1(m,n),I1(m,n+1),I1((m+1,n-1),I1(m+1,n),I1(m+1,n+1)]，由2≤m≤h-1和2≤n≤w-1构成双重循环遍历像素点(m,n)；步骤9：利用步骤7中的训练数据集TrainSet和标记集LableSet训练KNN分类器，得到模型M；步骤10：用步骤9中的模型M对步骤8中的测试数据集TestSet进行测试，预测测试数据集TestSet中每个特征向量属于标注前景F的概率，得到前景概率集合FSet；步骤11：考虑弱边缘两侧的像素点的前景概率不具有强边缘的从0到1或从1到0的特点，为了提供弱边缘提取的准确性，基于步骤5中的弱边缘参数wep，变换前景概率集合FSet，得到弱边缘强化集合WFSet，具体变换公式为：WFSet=wep×(2×(FSet-0.5))2；步骤12：提取步骤7中的标注前景F的轮廓作为初始轮廓IniC；步骤13：初始化迭代次数Num，采用活动轮廓模型CM，以弱边缘强化集合WFSet为参数，对步骤12中的初始轮廓IniC进行迭代运算，划分迭代缓冲区Buf，用于存储迭代过程中的每一次提取结果，Buf的空间大小为h×w×Num，第t次迭代后得到的轮廓Ct存入缓冲区Buf(t)，Buf(t)为h×w的二维数组，当满足迭代停止条件Buf(t)=Buf(t-1)=Buf(t-2)时，迭代过程停止，进入步骤14；步骤14：输出目标轮廓。所述的步骤2中的人工标注的颜色需要从红色，绿色和蓝色中选择，且内部标注区域A1和外部标注区域A2的颜色不能相同。所述的步骤6中的标注前景F和标注背景B的提取方法为：分离标注图像I2的3个颜色分量，选取与内部标注区域A1的颜色相同的分量，合并其取值为255的像素点作为标注前景F，选取与外部标注区域A2的颜色相同的分量，合并其取值为255的像素点作为标注背景B。所述的步骤13中的活动轮廓模型CM可以是Snake模型或水平集。本专利技术的有益效果是：能够准确检测弱边缘，可以应用于医学图像中病变目标的准确提取。附图说明图1是本专利技术的总体处理流程图。具体实施方式下面结合附图详细描述本专利技术的具体实施方式。在步骤101，输入高为h，宽为w，包含单一目标Obj的图像I1。在步骤102，对图像I1进行人工标注，在目标Obj内部用红色进行标注，得到内部标注区域A1，在目标Obj外部用绿色进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2。在步骤103，对图像I1进行平滑处理，得到平滑图像I3。在步骤104，计算平滑图像I3的梯度grad。在步骤105，定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)。在步骤106，分离标注图像I2的3个颜色分量，得到红色分量red，绿色分量green和蓝色分量blue，选取与内部标注区域A1的颜色相同的红色分量red，合并其取值为255的像素点作为标注前景F，选取与外部标注区域A2的颜色相同的绿色分量green，合并其取值为255的像素点作为标注背景B。在步骤107，利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x-1,y-1),I1(x-1,y),I1(x-1,y+1),I1(x,y-1),I1(x,y),I1(x,y+1),I1((x+1,y-1),I1(x+1,y),I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0。在步骤108，创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其本文档来自技高网...

【技术保护点】
1.一种用于具有弱边缘的单一目标提取方法，其特征在于包括以下步骤：步骤1：输入高为h，宽为w，包含单一目标Obj的图像I1；步骤2：对图像I1进行人工标注，在目标Obj内部进行标注，得到内部标注区域A1，在目标Obj外部进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2；步骤3：对图像I1进行平滑处理，得到平滑图像I3；步骤4：计算平滑图像I3的梯度grad；步骤5：定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)；步骤6：提取内部标注区域A1，记为标注前景F，提取外部标注区域A2，记为标注背景B；步骤7：利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x‑1,y‑1), I1(x‑1,y), I1(x‑1,y+1), I1(x,y‑1), I1(x,y), I1(x,y+1), I1((x+1,y‑1), I1(x+1,y), I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0；步骤8：创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其8邻域像素点共9个像素点的取值构造像素点(m,n)的特征向量FVtest，FVtest=[I1(m‑1,n‑1), I1(m‑1,n), I1(m‑1,n+1), I1(m,n‑1), I1(m,n), I1(m,n+1), I1((m+1,n‑1), I1(m+1,n), I1(m+1,n+1)]，由2≤m≤h‑1和2≤n≤w‑1构成双重循环遍历像素点(m,n)；步骤9：利用步骤7中的训练数据集TrainSet和标记集LableSet训练KNN分类器，得到模型M；步骤10：用步骤9中的模型M对步骤8中的测试数据集TestSet进行测试，预测测试数据集TestSet中每个特征向量属于标注前景F的概率，得到前景概率集合FSet；步骤11：考虑弱边缘两侧的像素点的前景概率不具有强边缘的从0到1或从1到0的特点，为了提供弱边缘提取的准确性，基于步骤5中的弱边缘参数wep，变换前景概率集合FSet，得到弱边缘强化集合WFSet，具体变换公式为：WFSet=wep×(2×(FSet‑0.5))2；步骤12：提取步骤7中的标注前景F的轮廓作为初始轮廓IniC；步骤13：初始化迭代次数Num，采用活动轮廓模型CM，以弱边缘强化集合WFSet为参数，对步骤12中的初始轮廓IniC进行迭代运算，划分迭代缓冲区Buf，用于存储迭代过程中的每一次提取结果，Buf的空间大小为h×w×Num，第t次迭代后得到的轮廓Ct存入缓冲区Buf(t)，Buf(t)为h×w的二维数组，当满足迭代停止条件Buf(t)=Buf(t‑1)=Buf(t‑2)时，迭代过程停止，进入步骤14；步骤14：输出目标轮廓。...

【技术特征摘要】
1.一种用于具有弱边缘的单一目标提取方法，其特征在于包括以下步骤：步骤1：输入高为h，宽为w，包含单一目标Obj的图像I1；步骤2：对图像I1进行人工标注，在目标Obj内部进行标注，得到内部标注区域A1，在目标Obj外部进行标注，得到外部标注区域A2，图像I1人工标注后记为标注图像I2；步骤3：对图像I1进行平滑处理，得到平滑图像I3；步骤4：计算平滑图像I3的梯度grad；步骤5：定义基于梯度grad的弱边缘参数wep，弱边缘参数wep=1/(1+grad)；步骤6：提取内部标注区域A1，记为标注前景F，提取外部标注区域A2，记为标注背景B；步骤7：利用标注前景F和标注背景B创建训练数据集TrainSet和标记集LableSet，训练数据集TrainSet为(M+N)×9的矩阵，标记集LableSet为(M+N)×1的列向量，M为标注前景F包含的像素点的数量，N为标注背景B包含的像素点的数量，训练数据集TrainSet的第i行为第i个像素点(x,y)的特征向量FV，特征向量FV=[I1(x-1,y-1),I1(x-1,y),I1(x-1,y+1),I1(x,y-1),I1(x,y),I1(x,y+1),I1((x+1,y-1),I1(x+1,y),I1(x+1,y+1)]，I1(x,y)表示第i像素点(x,y)在图像I1中的灰度值，当像素点(x,y)属于标注前景F时，标记集LableSet的第i个元素的取值为1，当像素点(x,y)属于标注背景B时，标记集LableSet的第i个元素的取值为0；步骤8：创建测试数据集TestSet，具体方法为：用图像I1中的像素点(m,n)及其8邻域像素点共9个像素点的取值构造像素点(m,n)的特征向量FVtest，FVtest=[I1(m-1,n-1),I1(m-1,n),I1(m-1,n+1),I1(m,n-1),I1(m,n),I1(m,n+1),I1((m+1,n-1),I1(m+1,n),I1(m+1,n+1)]，由2≤m≤h-1和2≤...

【专利技术属性】
技术研发人员：施文灶，程姗，林志斌，何代毅，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建,35