基于显著感知先验的模糊区域活动轮廓分割模型制造技术

一种基于显著感知先验的模糊区域型活动轮廓分割模型，主要包括水平集函数的定义、能量泛函的构建和基于能量泛函的求解过程。通过将图像局部区域信息和显著性先验信息融合于模糊主动轮廓模型，构建了区域型模糊项和显著感知先验模糊项的凸能量泛函，并非用欧拉‑拉格朗日公式而是直接计算能量的变化值来更新水平集函数，不仅提高了分割灰度不均匀图像和弱边缘图像的分割效果，而且还使得分割结果与初始条件无关。

【技术实现步骤摘要】
基于显著感知先验的模糊区域活动轮廓分割模型
本专利技术涉及的是一种图像处理
图像分割的方法，具体是一种基于显著感知先验的模糊区域型活动轮廓(FuzzyRegion-basedActiveContourwithSaliency-awarePrior)分割模型。技术背景图像分割是图像处理和计算机视觉领域中最重要任务之一，其目的就是提取图像中的具有相同特性区域目标。基于主动轮廓(ActiveContour)的图像分割模型，由于能将模型的初始估计状态和图像数据先验知识统一于特征提取过程中，并能利用分割过程中获得的先验知识来指导分割过程等优势，已成为近年来图像分割领域的研究热点。但是，经典的Chan-Vese分割模型在曲线演化过程需要周期性地再初始化水平集函数，从而增加了计算量和数值计算误差。基于模糊能量的主动轮廓模型(FuzzyEnergy-basedActiveContour)，将模糊能量引入到主动轮廓中，并非采用传统的欧拉-拉格朗日方程，而是采用快速优化算法直接最小化模糊能量函数，能有限次迭代过程中达到收敛，并避免重新初始化过程。因此，基于模糊能量的活动轮廓模型成为近年来图像分本文档来自技高网...

【技术保护点】
1.一种基于显著感知先验的模糊区域型活动轮廓分割模型，其能量泛函由区域型模糊项和显著感知先验项构成；区域性模糊项Eimg定义如下：

【技术特征摘要】
1.一种基于显著感知先验的模糊区域型活动轮廓分割模型，其能量泛函由区域型模糊项和显著感知先验项构成；区域性模糊项Eimg定义如下：其中，λ是大于0的权重系数，Ω为图像域，c1和c2是图像像素均值，u(x)是模糊成员函数，m是权重幂指数(可取值为1或2)，S(x)为局部区域图；为简化计算，S(x)定义为尺度为r1方差σ1的图像高斯卷积特征图图像灰度值c1和c2定义如下：显著感知先验项定义如下：Esal(u)＝α∫Ωg(h(x)-s1)2·[u(x)]mdx+α∫Ωg(h(x)-s2)2·[1-u(x)]mdx其中，α是大于0的权重系数，s1和s2是显著特征图像素均值，h(x)为显著性检测函数，其定义为h(x)＝||Gσ,r*I(x)-Iu||，Iu是图像的区域特征均值，是尺度为r2方差σ2的高斯核函数，g是边缘检测算子，其算子定义如下：其中，g是奇数行为N的方阵，▽di为当前点到邻近点的距离，K是矩阵元素个数；显著特征图像素均值s1和s2定义为：因此，分割模型的能量函数表达式如下：2.根据权利要求1所述的基于显著感知先验的模糊区域型活动轮廓分割模型，为了计算...

【专利技术属性】
技术研发人员：方江雄，刘花香，柳和生，顾华奇，刘军，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：江西,36