基于全局与局部拟合能量的模糊区域型活动轮廓分割模型制造技术

一种基于全局与局部拟合能量的模糊区域型活动轮廓分割模型，主要包括伪水平集函数的定义、全局模糊拟合图像与局部模糊拟合图像的引入、基于L1范式的拟合能量的构建和基于能量泛函变化值更新伪水平集函数的求解过程。在引入全局模糊拟合图像与局部模糊拟合图像基础上，构建基于L1范式的模糊拟合能量，构建了全局数据项和模糊拟合项的凸函数，并通过直接计算能量的变化值来更新伪水平集函数，不仅保证使得分割结果与初始条件无关，还提高了分割模型分割不均匀图像的效果和计算效率。

Fuzzy Regional Active Contour Segmentation Model Based on Global and Local Fitting Energy

A fuzzy regional active contour segmentation model based on global and local fitting energy mainly includes the definition of Pseudo-Level set function, the introduction of global and local fuzzy fitting image, the construction of fitting energy based on L1 norm and the solution process of updating Pseudo-Level set function based on the change value of energy function. On the basis of introducing global and local fuzzy fitting images, the energy of fuzzy fitting based on L1 norm is constructed, the convex function of global data items and fuzzy fitting items is constructed, and the Pseudo-Level set function is updated by directly calculating the change value of energy, which not only ensures that the segmentation result is independent of the initial conditions, but also improves the efficiency of segmentation model for non-uniform images. Results and computational efficiency.

【技术实现步骤摘要】
基于全局与局部拟合能量的模糊区域型活动轮廓分割模型
本专利技术涉及的是一种图像处理领域中的图像分割方法，具体是一种基于全局与局部拟合能量的模糊区域型活动轮廓(FuzzyRegion-basedActiveContourwithLocalandGlobalFittingEnergy)分割模型。技术背景图像分割是图像处理和机器视觉领域中研究热点之一，其目标是提取图像中的具有相同灰度特性的目标。主动轮廓模型(ActiveContourModel)，已成为近年来图像分割领域的研究热点，其优点在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。经典的区域型Chan-Vese模型(ChanC.F.andVeseL.“Activecontourswithoutedges”(无边缘的活动轮廓)，IEEETransitiononImageProcessing(2001)10(1):266-277)已广泛应用于图像分割领域。但是，该模型在曲线演化过程中周期性初始化水平集函数增加了计算量，且其非凸能量泛函使得分割结果依赖于初始条件。基于模糊区域型的主动轮廓模型(FuzzyEnergy-basedActiveContour)，通过将模糊集引入到区域型能量主动轮廓中，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，基于模糊区域型能量的活动轮廓模型已成为基于活动轮廓分割模型的研究热点之一。经对现有技术文献的检索发现，基于区域尺度化拟合模型(LiC.M.,KaoC.Y.,GoreJ.C.,andDingZ.“Minimizationofregion-scalablefittingenergyforimagesegmentation”(最小化区域可变拟合能量的图像分割)，IEEETransitiononImageProcessing(2008)17:1940-1949)分割灰度不均匀图像，能取得较好的分割结果。局部图像拟合分割模型(ZhangK.，SongH.，ZhangL.“Activecontoursdrivenbylocalimagefittingenergy”(基于局部图像拟合的活动轮廓，简称LIF模型)，PatternRecognition(2010)43(4):1199-1206)，通过将局部图像拟合能量引入到活动理论模型中，并采用高斯滤波函数来规则化水平集函数，但该模型分割复杂灰度不均匀图像仍存在噪声干扰问题。而且，这些图像分割模型非凸能量泛函的局部最优解，使得分割结果依赖于的初始化条件。
技术实现思路
本专利技术的目的是，通过提出一种基于全局与局部拟合能量的模糊区域型活动轮廓分割模型，主要解决现有区域型活动轮廓模型难以准确分割灰度不均匀图像、其非凸能量泛函使得分割结果依赖于初始条件，并能提高计算效率。本专利技术的技术方案：通过将具有灰度不均匀特性的全局模糊拟合图像(GlobalFuzzyFittedImage)和局部模糊拟合图像(LocalFuzzyFittedImage)引入到主动轮廓模型中，构建了全局数据项和局部拟合项的严格凸能量泛函，并采用直接计算方法通过计算全局图像的能量变化差值来更新伪水平集(PseudoLevelSet)函数，不仅提高了分割灰度不均匀图像分割效果和计算效率，而且还使得分割结果与初始条件无关。具体步骤如下：步骤1：伪水平集函数u定义：其中I(x)为图像域，x为像素点，C为图像域Ω内闭合曲线(伪零水平集函数)，u(x)∈[0,1]又称为隶属度函数。步骤2：构建局部模糊拟合图像(LFFI)和全局模糊拟合图像(GFFI)。灰度不均匀图像一般表达式如下：I(x)＝b(x)J(x)+n(x)其中，I(x)是观察图像，b(x)为偏差域，J(x)为真实灰度值(无灰度不均匀性)，n(x)为附加噪声。在灰度不均匀两区域分割模型中，由于同一分割区域具有相等的灰度均值fi(i＝1，2)，本专利技术将像素隶属度函数ui(x)代替偏差域，来反映图像灰度不均匀性，即J(x)≈fi,b(x)≈[ui(x)]2x∈Ωii＝1,2在灰度不均匀表达式中，忽略微小附加噪声的影响，输入图像I(x)可简化为：在噪声图像中，采用两个全局区域的灰度均值c1和c2表示各区域的真实灰度值，因此全局模糊拟合图像(GFFI)定义如下：IGFFI(x)＝[u(x)]mc1+[1-u(x)]mc2其中，两常量c1和c2表达式如下：在灰度不均匀图像中，采用局部区域来估计像素平均灰度值f1和f2。图像中任一像素x的局部区域平均灰度值，是指以该像素为中心的矩形区域(2k+1)×(2k+1)，k为正整数，内的两区域(目标和背景)的灰度均值。假设y是独立于x的局部图像域Ωx的像素点，其函数f1和f2定义如下：其中，ωk(x)是标准方差为σ的高斯函数。基于定义的局部相邻区域的平均灰度值，局部模糊拟合图像(LFFI)定义如下：ILFFI(x)＝[u(x)]mf1+[1-u(x)]mf2步骤3：能量泛函的构建。能量泛函由全局数据项和局部拟合项构成，其中全局数据项项EG定义如下：EG(u,g)＝λ1∫Ω[u(x)]mg(I(x)-c1)2dx+λ2∫Ω[1-u(x)]mg(I(x)-c2)2dx其中，λ1和λ2是大于0的权重系数，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，I(x)是输入图像，g是边缘检测算子，其算子定义如下：其中，为输入图像I(x)的输入算子，Gσ是标准方差为σ的高斯核函数。模糊拟合项EFIF(u,g)定义如下：EF(u,g)＝α1∫Ωg|I(x)-ILFFI(x)|dx+α2∫Ωg|I(x)-IGFFI(x)|dx其中，α1和α2是大于0的权重系数。因此，分割模型的能量函数表达式如下：E(u,g)＝λ1∫Ω[u(x)]mg(I(x)-c1)2dx+λ2∫Ω[1-u(x)]mg(I(x)-c2)2dx+α1∫Ωg|I(x)-ILFFI(x)|dx+α2∫Ωg|I(x)-IGFFI(x)|dx步骤4：计算迭代过程中的模糊成员函数u(x)。为计算水平集函数u(x)，固定参数c1和c2，计算能量泛函的最小值，通过欧拉-拉格朗日公式得到：λ1∫Ω[u(x)]mg(I(x)-c1)2dx+λ2∫Ω[1-u(x)]mg(I(x)-c2)2dx+α1∫Ωg|I(x)-ILFFI(x)|dx+α2∫Ωg|I(x)-IGFFI(x)|dx＝0由于ILFFI(x)和IGFFI(x)均是估计输入图像，因此I(x)-IGFFI(x)和I(x)-ILFFI(x)有相同的正负值。通过计算，可以得到变量u(x)表达式如下：步骤4：能量泛函求解过程。依据Krinidis和Chatzis在IEEETransactiononImageProcessing上提出的Fuzzyenergy-basedactivecontour中提出的基本思想，通过直接计算分割模型中的能量泛函的变化值，来更新隶属度u(x)的值。假设P是为图像中某一像素点，对应的灰度值为I0和隶属度为u0。相应地，对同一固定点P的新隶属度为un，图像灰度均值c1和c2变成两个新的值和为了计算能量泛函的本文档来自技高网...

【技术保护点】
1.一种基于全局与局部拟合能量的模糊区域型活动轮廓分割模型，其特征在于：该模型能量泛函由全局数据项和模糊拟合项构成，全局数据项EG定义如下：EG(u,g)＝λ1∫Ω[u(x)]mg(I(x)‑c1)2dx+λ2∫Ω[1‑u(x)]mg(I(x)‑c2)2dx其中，λ1和λ2是大于0的权重系数，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，I(x)是输入图像，g是边缘检测算子，其算子定义如下：

【技术特征摘要】
1.一种基于全局与局部拟合能量的模糊区域型活动轮廓分割模型，其特征在于：该模型能量泛函由全局数据项和模糊拟合项构成，全局数据项EG定义如下：EG(u,g)＝λ1∫Ω[u(x)]mg(I(x)-c1)2dx+λ2∫Ω[1-u(x)]mg(I(x)-c2)2dx其中，λ1和λ2是大于0的权重系数，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，I(x)是输入图像，g是边缘检测算子，其算子定义如下：其中，为输入图像I(x)的输入算子，Gσ是标准方差为σ的高斯核函数；在模糊拟合项中，首先构建局部模糊拟合图像和全局模糊拟合图像，全局模糊拟合图像(GFFI)定义如下：IGFFI(x)＝[u(x)]mc1+[1-u(x)]mc2其中，x为像素点，I(x)为图像域，c1和c2为两个全局区域的灰度均值，其表达式如下：u(x)∈[0,1]为伪水平集函数，又称隶属度函数，其定义：其中C为图像域Ω内闭合曲线。局部模糊拟合图像(LFFI)定义如下：ILFFI(x)＝[u(x)]mf1+[1-u(x)]mf2其中，f1和f2为局部区域像素平均灰度值；图像中任一像素x的局部区域平均灰度值，是指以该像素为中心的矩形区域(2k+1)×(2k+1)，k为正整数，内的两区域(目标和背景)的灰度均值。假设y是独立于x的局部图像域Ωx的像素点，其函数f1和f2定义如下：其中，ωk(x)是标准方差为σ的高斯函数；基于局部模糊拟合图像和全局模糊拟合图像，模糊拟合项EF(u,g)定义如下：EF(u,g)＝α1∫Ωg|I(x)-ILFFI(x)|dx+α2∫Ωg|I(x)-IGFFI(x)|dx其中，α1和α2是大于...

【专利技术属性】
技术研发人员：方江雄，柳和生，刘花香，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