【技术实现步骤摘要】
一种结合一般能量函数与先验信息项的活动轮廓分割方法及系统
本专利技术涉及图像分割和处理领域,尤其涉及一种结合一般能量函数与先验信息项的活动轮廓分割方法及系统。
技术介绍
图像分割在工业生产和医疗民生领域具有广泛的应用基础,能够有效提升工业自动化的水平,在交通领域实现目标的定位与导航。在医疗影像领域中,辅助医生进行手术以及病灶区域的定位。在医疗影像处理领域,图像分割算法对超声图像,核磁共振图像进行有效分割,可以区分不同器官与组织,并进行名称的标记,辅助医生对相关疾病的诊断,提高医疗部门诊断效率,并将经验与实践向更广泛的基层医疗系统普及。在交通领域,图像分割技术将运用在自动驾驶领域,识别道路障碍,提升行车安全与效率。目前,已有的图像分割方法可以分为基于边界检测方法、基于区域生长的方法,活动轮廓模型等传统方法和最新的机器学习方法两类。边界检测方法通过一个边界检测算子,寻找边缘处像素值不连续的位置,称为“突变”处。这种不连续性可通过求导数来检测,对于阶跃状边缘,其位置对应一阶导数的极值点,对应二阶导数的零点。具有代表性的算子有LoG算子和Canny算子等。区域生长方法根据像素值,将生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。活动轮廓模型中常用的RSF模型也是一个基于区域分割的模型。此方法设Ω为图像定义域,为灰度图像,f1,f2是两个函数,代表分割边界内部和外部的图像强度。此模型的任务是将能量函数进行极小化求解,从而找到一个逼近图像u ...
【技术保护点】
1.一种结合一般能量函数与先验信息项的活动轮廓分割方法,其特征在于,包括执行以下步骤:/n步骤1:选择先验信息的获取方式,获得模糊聚类的分割结果,作为输入的Ψ
【技术特征摘要】
1.一种结合一般能量函数与先验信息项的活动轮廓分割方法,其特征在于,包括执行以下步骤:
步骤1:选择先验信息的获取方式,获得模糊聚类的分割结果,作为输入的Ψspi;选择一个能量函数作为Hgen(Ψ);
步骤2:输入待分割图像I,初始水平集函数Ψ0,停止条件γ,初始Bregman变量b0=0和初始辅助变量h0=0;
步骤3:计算初始轮廓线内外的图像近似强度
步骤4:计算图像数据拟合项Sk;
步骤5:计算水平集函数Ψk+1;
步骤6:计算辅助向量hk+1和Bregman变量bk+1;
步骤7:迭代
步骤8:判断||Ψk+1-Ψk||≤γ;如果||Ψk+1-Ψk||≤γ,则执行步骤9,否则返回步骤4,继续计算图像数据拟合项Sk;
步骤9:输出最终的结果即分割轮廓线Zk+1。
2.根据权利要求1所述的活动轮廓分割方法,其特征在于,在所述步骤1中,还包括执行以下步骤:
步骤S1:建立一个一般性的基于先验信息的图像分割能量函数;
步骤S2:定义先验信息项和选择能量函数项;
步骤S3:选择具体的先验信息,极小化能量泛函。
3.根据权利要求2所述的活动轮廓分割方法,其特征在于,在所述步骤S1中,具体包括:
考虑一个图像I:Ψ:是定义域D上的水平集函数,我们定义一个能量函数H(ψ):
其中Hgen(Ψ)指的是一个一般的能量函数,根据不同图像的特点和需要,我们选择基于边界的能量函数,基于区域的能量函数或其他类型的能量函数,Hspi(ψ)指的是一个一般的先验信息项。
4.根据权利要求2所述的活动轮廓分割方法,其特征在于,在所述步骤S2中,具体包括:
定义先验信息项和选择能量函数项,先验信息项Hspi(Ψ)我们定义为:
Hspi(Ψ)=∫D|Ψ(x)-Ψspi(x)|2dx,(2)
其中Ψspi代表先验信息分割结果的水平集函数,Ψ代表正在演化的水平集函数,对于能量函数项,我们选择以一个基于区域的能量函数为例,能量函数以内积的形式表示为:
S是图像数据拟合项,ω是一个边界检测算子,它们定义为:
公式中,x,y代表图像中像素点的位置,λ1,λ2,β均是大于零的参数,Gσ是高斯核函数,σ是标准差,v1,v2分别是活动轮廓线内外的近似图像强度。
5.根据权利要求2所述的活动轮廓分割方法,其特征在于,在所述步骤S3中,具体包括:
根据公式(2)和(3),模型的极小化问题为:
求解这个极小化问题,首先,利用引入的Bregman变量b=(bx,by)和一个辅助变量h=(hx,hy)使得则极小化问题公式(5)通过以下式子求解:
其中,ψk+1是水平集函数,hk+1是辅助变量,bk+1和bk是Bregman变量;
最后,我们用z来表示正在演化的活动轮廓,定义为:
zk+1={x:Ψk+1(x)=0}.(7)
6.一种结合一般能...
【专利技术属性】
技术研发人员:杨云云,王若凡,冯翀,谢睿诚,
申请(专利权)人:哈尔滨工业大学深圳,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。