基于交叉熵的主动轮廓模型工业烟尘图像分割方法技术

基于交叉熵的主动轮廓模型工业烟尘图像分割方法，属于工业烟尘排放监控技术领域。构建交叉熵阈值方法，获取原始图像与分割图像的交叉熵最小化，继而获取最优的分割依据；构建交叉熵的主动轮廓模型，最小化给定图像和分割图像之间的交叉熵；加入迭代阈值卷积分割方法，每两个分割区域之间的界面由其特征函数隐式地确定，正则化项被写入基于特征函数函数的非局部逼近中；将坐标下降法与序列线性规划相结合，构造了一种基于交叉熵的主动轮廓模型工业烟尘图像分割方法，可实现对工业烟尘图像的准确分割。通过CV模型和交叉熵模型结合，得到基于交叉熵的主动轮廓模型，并用迭代阈值卷积算法来进行最小化能量泛函，加快了收敛速度。

【技术实现步骤摘要】
基于交叉熵的主动轮廓模型工业烟尘图像分割方法
本专利技术属于工业烟尘排放监控
，具体是涉及一种基于交叉熵的主动轮廓模型工业烟尘图像分割方法。
技术介绍
伴随工业城市的发展，工业烟尘的排放不断增加，造成生态失衡、环境恶化等一系列环境污染问题。据调查显示，工业源依旧是大气污染的最主要来源。因此，需要对工业烟尘的排放进行监控。而图像分割作为监控过程中十分关键的部分，需要对其方法进行深入研究。水平集方法是一种用来捕捉物体形状和界面的数值方法，由R.Osher和J.A.Sethian在1988年提出。在水平集方法中，一般采用高一维函数的零水平集来表示目标轮廓，称之为水平集函数(LevelSetFunction)。基于水平集方法的图像分割主要分为两种：一种是基于边缘模型的水平集图像分割，一种是基于区域模型的水平集图像分割。Mumford和Shah等人于1989年提出了基于区域的几何活动轮廓模型，模型最大的缺点是计算复杂度高。由此Chan和Vese在Mumford-Shah(MS)模型的基础上结合水平集函数提出了Chan-Vese(CV)模型，本文档来自技高网...

【技术保护点】
1.一种基于交叉熵的主动轮廓模型工业烟尘图像分割方法，其特征在于：工业烟尘图像中定义域为Ω的图像I(x)被闭合曲线C划分为内部目标Ω

【技术特征摘要】
1.一种基于交叉熵的主动轮廓模型工业烟尘图像分割方法，其特征在于：工业烟尘图像中定义域为Ω的图像I(x)被闭合曲线C划分为内部目标Ω1和外部背景Ω2两个同质区域，通过基于交叉熵的主动轮廓模型构建最优轮廓曲线C，从而实现工业烟尘图像的分割。


2.如权利要求1所述的基于交叉熵的主动轮廓模型工业烟尘图像分割方法，其特征在于：步骤如下：
①、构建交叉熵阈值方法，获取原始图像与分割图像的交叉熵最小化，继而获取最优的分割依据；
②、构建交叉熵的主动轮廓模型，最小化给定图像和分割图像之间的交叉熵；
③、加入迭代阈值卷积分割方法，每两个分割区域之间的界面由其特征函数隐式地确定，正则化项被写入基于特征函数函数的非局部逼近中；最后将坐标下降法与序列线性规划相结合，构造了一种求解交叉熵模型的无条件能量分解算法。


3.如权利要求2所述的基于交叉熵的主动轮廓模型工业烟尘图像分割方法，其特征在于：步骤①具体步骤为：
设两个概率分布为P＝{p1,p2,…,pn}和Q＝{q1,q2,…,qn}，则交叉熵为：



把两个概率分布当作原始的图像和分割的图像，最优的分割依据是使得两幅图像之间的交叉熵最小；
假设一个阈值tc把图像分为两类C0；c，C1；c；C0；c代表的像素灰度级为[0，…，tc]，C1；c代表的像素灰度级为[tc+1，…，L-1]，则这原始图像和分割图像的两个概率分布为：



公式(6)中，I(x)为原始图像，Is(x)为分割图像，其中：



公式(7)中，μ0和μ1是两类的像素平均值，通过这两种概率分布，得出原始图像和分割图像之间的交叉熵为：



令则原始图像与分割图像的交叉熵最小化为：





4.如权利要求3所述的基于交叉熵的主动轮廓模型工业烟尘图像分割方法，其特征在于：步骤②具体步骤为：
基于交叉熵的主动轮廓模型，模型目标函数定义如下：



目标函数用水平集...

【专利技术属性】
技术研发人员：王晓峰，黄前静，丁泽盛，韦云声，邹乐，
申请(专利权)人：合肥学院，
类型：发明
国别省市：安徽;34