一种基于KL熵的RSF水平集图像自动分割方法技术

本发明专利技术公开了一种基于KL熵的RSF水平集图像自动分割方法，包括：获取待分割图像；对待分割图像进行显著性分析，确定RSF模型的初始水平集；计算图像的KL熵，将图像的KL熵值作为分割曲线内外部能量的权值系数，并将图像的KL熵引入RSF模型的水平集函数中，确定待分割图像的拟合能量泛函；根据待分割图像的拟合能量泛函，求解演化方程，根据演化方程迭代求解，确定图像分割结果。本发明专利技术基于新RSF模型用于提高图像边缘的检测能力，即利用KL熵作为曲线内外部能量的权值系数，模型的内部能量就是曲线附近的局部领域能量，对于灰度不均、对比度低的图片的分割效果比RSF模型好，且同样参数设定情况下，分割同一张图片，迭代次数更少便可以得到相同的分割结果。

An automatic segmentation method of RSF level set image based on KL entropy

The invention discloses an automatic segmentation method of RSF level set image based on KL entropy, which includes: obtaining the image to be segmented; analyzing the significance of the image to be segmented to determine the initial level set of RSF model; calculating the KL entropy of the image, taking the KL entropy of the image as the weight coefficient of the internal and external energy of the segmentation curve, and introducing the KL entropy of the image into the level set function of RSF model to determine According to the fitting energy functional of the image to be segmented, the evolution equation is solved, and the image segmentation result is determined according to the iteration of the evolution equation. Based on the new RSF model, the invention is used to improve the detection ability of image edge, that is, using KL entropy as the weight coefficient of the internal and external energy of the curve, the internal energy of the model is the local area energy near the curve, and the segmentation effect of the image with uneven gray level and low contrast is better than that of RSF model, and under the same parameter setting, the same image can be segmented with fewer iterations To get the same segmentation results.

【技术实现步骤摘要】
一种基于KL熵的RSF水平集图像自动分割方法
本专利技术涉及图像分割
，更具体的涉及一种基于KL熵的RSF水平集图像自动分割方法。
技术介绍
图像研究中，人们通常对某一个特定区域感兴趣，图像分割可以将感兴趣的那部分提取出来，正因为如此，作为一门前沿学科，它充满了挑战。图像分割在很多领域都有着广泛的应用，比如航空领域、医学领域、地理测绘等等。例如在医学领域中，图像成为医生进行诊断的重要依据之一，起着十分重要的作用，图像的分割使得医生获得有效的医学信息。将图像进行分割的有效依据是图像的像素的亮度以及颜色。没有正确的分割就无法获得正确的识别。但是，如果仅仅是根据图像的像素的亮度还有颜色进行分割，分割的时候将会遇到很多的阻碍，灰度不均、光照不均匀、噪声影响、阴影等等，这些因素经常会导致图像的分割出现错误。现如今虽然已经研究出了不少边缘提取，区域分割的方法，但是还没有出现一种方法可以适用于所有的图像，因此，引入新的方法，获得正确的图像分割结果是图像处理研究中的重点和难点。图像分割作为计算机视觉领域的一个难题，上世纪70年代就已经吸引了无数的研究人员对其展开研究，从而提出了很多的分割算法。首先就阈值分割而言，1962年，Doyle提出P-tile算法，这是最古老的阈值分割方法，该算法抗噪性能佳，但是对于先验概率难估计的图像无能为力。1978年，大津展之提出最大类间方差法，其算法简单，当背景与目标的面积相近时，能够对图像进行有效切割。当两者的面积差距比较大的时候，分割效果不佳。1985年，Kaptur等人提出一维最大熵阈值法，此算法对于非理想双峰的直方图也可以很好的切割，但是计算量很大。1989年，Abutaleb在一维最大熵阈值法的基础上将其推广到了二维。近年来，对于图像分割，研究人员又提出了很多新的方法，如赵雪松等人提出了全局二值化和边缘检测算法。图像分割作为图像领域的经典难题，每一种算法都有其独到之处，亦有其不足之处，其分割技术仍在不断的研究和发展中。CV模型(Chan-Vese模型)是基于区域的水平集，没有涉及到边缘，因而将其最小化便能够得到目标物体的边界。由于异质性和复杂构造的影响，水平集分割的性能会因为附近类似强度的结构的存在而变得扑朔迷离，使其无法识别物体的精确界限。此外，即使在控制参数的最佳配置的情况下，CV模型也无法取得十分准确的分割结果，因此需要大量的人工干预。综上所述，传统的CV模型只是将灰度同质作为区域分离的准则，只能用于分割目标和背景高对比的图像中，而对于复杂的、非均匀性的图像，CV模型的分割效果不佳。
技术实现思路
本专利技术实施例提供一种基于KL熵的RSF水平集图像自动分割方法，用以解决上述
技术介绍
中存在的问题。本专利技术实施例提供一种基于KL熵的RSF水平集图像自动分割方法，包括：获取待分割图像；对待分割图像进行显著性分析，确定RSF模型的初始水平集；计算图像的KL熵，将图像的KL熵值作为分割曲线内外部能量的权值系数，并将图像的KL熵引入RSF模型的水平集函数中，确定待分割图像的拟合能量泛函；根据待分割图像的拟合能量泛函，求解演化方程，根据演化方程迭代求解，确定图像分割结果。进一步地，所述对待分割图像进行显著性分析；具体包括：采用剩余谱方法获得显著图。进一步地，所述图像的KL熵；具体包括：pi到p0的KL熵表示如下：p0到pi的KL熵表示如下：其中，x为图像上的点；pi和p0分别为内部区域和外部区域的概率密度分布函数；φ是RSF模型的水平集函数。进一步地，所述待分割图像的拟合能量泛函；具体包括：其中，KL(pi/p0)和KL(p0/pi)为内外部能量权重系数；f1(x)和f2(x)分别是分割曲线内部和外部的图像灰度均值；H(φ)表示Heaviside函数；I(y)为给定图像；Kσ为高斯函数；υ和μ为正的加权常数；Ω1、Ω2和Ω为积分区域。进一步地，所述演化方程，具体包括：本专利技术实施例提供一种基于KL熵的RSF水平集图像自动分割方法，与现有技术相比，其有益效果如下：本专利技术提出了一种于KL熵的RSF水平集图像自动分割方法用于提高对图像边缘的检测能力，利用显著性检测获取初始轮廓，利用Kullback-LeiblerDivergence(KL熵)作为曲线内外部能量的权值系数，模型的内部能量就是曲线附近的局部领域能量，而原来的RSF(region-scalablefittingenergy)模型分割受噪音、灰度不均、对比度低的影响严重，本专利技术中的新改进的KLRSF模型(基于KL熵的RSF模型)对于灰度不均、对比度低的图片的分割效果比CV模型好，且同样参数设定情况下，分割同一张图片，迭代次数更少便可以得到相同的分割结果。特别地，对于某些雷达影像也可以进行分割，同时对于噪声影响的图片分割效果比CV模型效果好。附图说明图1为本专利技术实施例提供的一种基于KL熵的RSF水平集图像自动分割方法流程图；图2为本专利技术实施例提供的灰度分布不均图片的原始图、显著性检测获得的初始轮廓、KLRSF模型分割结果图、CV模型分割结果图；图3为本专利技术实施例提供的灰度不均匀的枫叶原始图、显著性检测获得的初始轮廓、KLRSF模型分割结果图、CV模型分割结果图；图4为本专利技术实施例提供的大脑原始图、显著性检测获得的初始轮廓、KLRSF模型分割结果图、CV模型分割结果图；图5为本专利技术实施例提供的噪声原始图、显著性检测获得的初始轮廓、KLRSF模型分割结果图、CV模型分割结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，本专利技术实施例提供基于KL熵的RSF水平集图像自动分割方法，该方法包括：步骤1，获取待分割图像。步骤2，对待分割图像进行显著性分析，确定RSF模型的初始水平集。步骤3，计算图像的KL熵，将图像的KL熵值作为分割曲线内外部能量的权值系数，并将图像的KL熵引入RSF模型的水平集函数中，确定待分割图像的拟合能量泛函。步骤4，根据待分割图像的拟合能量泛函，求解演化方程，根据演化方程迭代求解，确定图像分割结果。对于步骤1，大多数的图像分割的算法是基于灰度值的不连续性和相似的性质。在前者中，分割算法以灰度发生突变为基础，对一幅图像进行分割。假设一幅图像它不同区域的边界相互之间完全不同，与背景也不同，那就允许基于灰度的局部不连续性来对边缘进行检测。而后者是根据一组预定义的专责把图像分割成相似的区域。图像分割算法主要有以下几种：基于边缘、基于阈值、基于区域、基于聚类分析、基于小波变换、基于数学形态学、基于人工神经网络。其中最常见的是前三种本文档来自技高网...

【技术保护点】
1.一种基于KL熵的RSF水平集图像自动分割方法，其特征在于，包括：/n获取待分割图像；/n对待分割图像进行显著性分析，确定RSF模型的初始水平集；/n计算图像的KL熵，将图像的KL熵值作为分割曲线内外部能量的权值系数，并将图像的KL熵引入RSF模型的水平集函数中，确定待分割图像的拟合能量泛函；/n根据待分割图像的拟合能量泛函，求解演化方程，根据演化方程迭代求解，确定图像分割结果。/n

【技术特征摘要】
1.一种基于KL熵的RSF水平集图像自动分割方法，其特征在于，包括：
获取待分割图像；
对待分割图像进行显著性分析，确定RSF模型的初始水平集；
计算图像的KL熵，将图像的KL熵值作为分割曲线内外部能量的权值系数，并将图像的KL熵引入RSF模型的水平集函数中，确定待分割图像的拟合能量泛函；
根据待分割图像的拟合能量泛函，求解演化方程，根据演化方程迭代求解，确定图像分割结果。


2.如权利要求1所述的基于KL熵的RSF水平集图像自动分割方法，其特征在于，所述对待分割图像进行显著性分析；具体包括：采用剩余谱方法获得显著图。


3.如权利要求1所述的基于KL熵的RSF水平集图像自动分割方法，其特征在于，所述图像的KL熵；具体包括：
pi到p0的KL熵...

【专利技术属性】
技术研发人员：邹乐，章义刚，王晓峰，周琼，龙夏，张惯虹，邓锐，
申请(专利权)人：合肥学院，
类型：发明
国别省市：安徽;34