一种基于统计活动轮廓和纹理字典的图像分割方法技术

本发明专利技术提出了一种基于统计活动轮廓和纹理字典的图像分割方法，用于解决基于稀疏纹理的活动轮廓模型不能清晰的表征图像的结构和纹理、且模型计算量大的技术问题。本发明专利技术是在统计框架下基于高斯混合分布建立水平集能量函数和水平集更新方程。其步骤为：首先，利用字典学习算法获得二值稀疏矩阵；其次，初始化水平集并通过二值稀疏矩阵的线性变换得到概率标签；再利用概率标签得到当前分割的统计参数；然后结合当前水平集函数、概率标签和统计参数来预测新的分割曲线。水平集函数在概率标签的驱动下演化，而概率标签通过线变换从基于水平集的二元标签进行更新。相比于传统方法，本发明专利技术在大大降低计算代价的同时有效的分割复杂纹理。

【技术实现步骤摘要】
一种基于统计活动轮廓和纹理字典的图像分割方法
本专利技术涉及图像处理
，特别是指一种基于统计活动轮廓和纹理字典的图像分割方法，能够高效的完成复杂纹理图像分割，可广泛应用于图像分析领域。
技术介绍
活动轮廓模型是计算机视觉领域中用于对象分割的一类方法，并在医学图像分析等应用中有着不可替代的地位。该模型通常通过最小化能量函数来实现，并将水平集函数演化为与时间有关的偏微分方程，并以零水平集的平滑度约束耦合图像数据的对象的边界。现有研究大都集中在设计一类有效的能量泛函上，将关于图像的各种约束和建设带入到其中，提出了一些有效的方法。通常，这些方法可以分为两类：基于边缘的方法和基于区域的活动轮廓方法，其中，基于区域的活动轮廓方法由于其具有许多优点(例如闭合且平滑的轮廓、像素级的精确度、较低的初始灵敏度)一直受到更为广泛的关注。基于区域的活动轮廓方法的基本思想是通过使用某个区域描述符来驱动水平集函数的演变来识别每个感兴趣的区域，该类方法中最为常见的分段平滑模型是Chan-Vese模型，它是Mumford-Shah模型的简化变体，并依赖于全局信息来指导轮廓演变。Chan-Vese模型假定图像在统计上是均匀的，但这种条件为理想情况很难达到。因此，李纯明博士提出了一种由局部二元拟合能驱动的方法，其由具有变分公式的局部化性质的核函数定义。但这种模型仅使用局部强度手段来表征轮廓模型，而无法提供足够的信息。大多数现有的基于区域的方法都使用全局或局部强度信息作为区域描述符来指导轮廓演变，但无法处理具有丰富纹理特征的自然图像。>为了提高复杂自然图像基于区域的活动轮廓的有效性，学者提出了许多纹理描述符模型，这些纹理描述符将其他类型的信息引入能量功能的目的是形式化并测量不同对象之间的差异。有些方法将纹理图像表示为二维黎曼流形的Beltrami框架，并引入到混合型的活动轮廓模型用于纹理图像的分割。还有些利用纹理检测算子生成一幅包含纹理信息的增强图像，然后使用图像分割方法对图像进行初始分割，并利用自适应的主动轮廓方法来改善分割结果。国内刘利雄教授将基于局部自相似性纹理描述算子引入到基于局部高斯分布拟合活动轮廓模型方法中，使得演化轮廓有效地捕捉到纹理边界。除了这些纹理检测算子外，稀疏表示也被引入到活动轮廓模型中。有将主动轮廓的演化被用于优化由目标词典提供的纹理信息稀疏表示的保真度，也有通过使用纹理和结构变化图的加权组合定义的稀疏纹理能量，以增强对目标边界检测的鲁棒性。目前的基于稀疏纹理的活动轮廓模型仅构造复杂的能量函数并使用基于边缘的主动轮廓，这可能导致较高的计算量，并且通常不能有效地表征图像中的结构和纹理。
技术实现思路
针对上述
技术介绍
中存在的不足，本专利技术提出了一种基于统计活动轮廓和纹理字典的图像分割方法，解决了基于稀疏纹理的活动轮廓模型不能清晰的表征图像的结构和纹理、且模型计算量大的技术问题。本专利技术的技术方案是这样实现的：一种基于统计活动轮廓和纹理字典的图像分割方法，其步骤如下：步骤一：利用高斯混合模型建模原始图像中每个像素的观测值；步骤二：根据原始图像构建字典元素，并根据字典元素构建二值稀疏矩阵；步骤三：根据原始图像初始化分割曲线，并利用分割曲线初始化水平集函数；步骤四：由水平集函数经二值稀疏矩阵线性变换得到原始图像中每个像素属于目标和背景区域的概率标签；步骤五：根据步骤四中的概率标签和原始图像中每个像素的观测值更新目标和背景区域的统计参数；步骤六：根据步骤四的概率标签、步骤三的水平集函数和步骤五的统计参数，通过概率化的水平集演化方程得到新的水平集函数；步骤七：返回步骤四迭代求解水平集函数和概率标签，直到新的水平集函数的变化值小于阈值T，完成图像分割。所述利用高斯混合模型建模原始图像中每个像素的观测值的方法为：其中，表示图像观测值的高斯分布函数，xj表示图像观测值，Π＝{π1,π2}，Θ＝{θ1,θ2}，πi表示权重，p(xj|θi)表示概率密度函数，θi表示区域i的统计参数，j＝{1,2,...,U×V}，U×V为图像大小，i∈{1,2}，i＝1表示目标区域，i＝2表示背景区域；其中，θi＝{μi,∑i}表示概率空间的统计参数，∑i为概率空间中区域i的方差矩阵，μi为概率空间中区域i的均值。所述根据原始图像构建字典元素，并根据字典元素构建二值稀疏矩阵的方法为：S21、在原始图像中提取N1个大小为的图像块，利用K-means算法对N1个图像块进行聚类，得到的N个聚类中心，并将N个聚类中心作为字典元素D＝[D1,D2,...,Dl,...,DN]，Dl∈RM，l＝{1,...,N}；S22、将以像素点xj为中心的图像块与字典元素进行关联：其中，是以像素点xj为中心大小为的图像块，是图像块的字典索引值，j＝{1,2,...,U×V}，U×V为图像大小；S23、定义二值稀疏矩阵表示像素点xj与字典元素Dl中像素点的关系，其中表示字典元素Dl中的第m个像素点；所述水平集函数为：H(Φ)∈RUV×1其中，Φ＝(φ1,φ2,...,φU×V)，H(·)是Heaviside阶跃函数；其中，φj表示像素点xj对应的水平集函数值。所述每个像素属于目标的概率标签的计算方法为：P1Y＝diag(SI')-1SH(Φ)P1X＝diag(STI”)-1STP1Y其中，I'表示长度为UV的单位列向量，I”表示长度为MN的单位列向量，P1Y表示字典元素中像素属于目标的概率标签，P1X表示待分割图像像素属于目标的概率标签；其中，表示字典元素中像素点属于目标的概率，表示原始图像中像素点xj属于目标的概率，Ω1表示原始图像中的目标区域。所述统计参数包括均值和方差矩阵：均值的计算公式为：方差矩阵的计算公式为：其中，表示由字典学习得到的像素xj属于区域i的概率标签，xj为图像像素的观测值。所述通过概率化的水平集演化方程得到新的水平集函数的方法为：其中，表示k次迭代的像素点xj对应的水平集函数值，表示k+1次迭代的像素点xj对应的水平集函数值，△t表示步长，ε为尺度系数，表示k次迭代由字典学习得到的像素xj属于目标的概率标签，表示k次迭代由字典学习得到的像素xj属于背景的概率标签，表示k次的像素点xj关于统计参数的高斯分布概率密度函数，β表示调节面积项的权重，div表示曲率算子，为梯度，γ表示调节周长项的权重。本技术方案能产生的有益效果：本专利技术首先利用字典学习算法获得稀疏字典；之后初始化水平集并通过基于学习词典的线性变换得到概率标签；利用概率标签得到当前分割的统计参数；之后结合当前水平集函数、概率标签和统计参数来预测新的分割曲线。水平集函数在概率标签的驱动下演化，而概率标签通过线变换从基于水平集的二元标签进行更新。相比于传统方法，本专利技术在大大降低计本文档来自技高网...

【技术保护点】
1.一种基于统计活动轮廓和纹理字典的图像分割方法，其特征在于，其步骤如下：/n步骤一：利用高斯混合模型建模原始图像中每个像素的观测值；/n步骤二：根据原始图像构建字典元素，并根据字典元素构建二值稀疏矩阵；/n步骤三：根据原始图像初始化分割曲线，并利用分割曲线初始化水平集函数；/n步骤四：由水平集函数经二值稀疏矩阵线性变换得到原始图像中每个像素属于目标和背景区域的概率标签；/n步骤五：根据步骤四中的概率标签和原始图像中每个像素的观测值更新目标和背景区域的统计参数；/n步骤六：根据步骤四的概率标签、步骤三的水平集函数和步骤五的统计参数，通过概率化的水平集演化方程得到新的水平集函数；/n步骤七：返回步骤四迭代求解水平集函数和概率标签，直到新的水平集函数的变化值小于阈值T，完成图像分割。/n

【技术特征摘要】
1.一种基于统计活动轮廓和纹理字典的图像分割方法，其特征在于，其步骤如下：
步骤一：利用高斯混合模型建模原始图像中每个像素的观测值；
步骤二：根据原始图像构建字典元素，并根据字典元素构建二值稀疏矩阵；
步骤三：根据原始图像初始化分割曲线，并利用分割曲线初始化水平集函数；
步骤四：由水平集函数经二值稀疏矩阵线性变换得到原始图像中每个像素属于目标和背景区域的概率标签；
步骤五：根据步骤四中的概率标签和原始图像中每个像素的观测值更新目标和背景区域的统计参数；
步骤六：根据步骤四的概率标签、步骤三的水平集函数和步骤五的统计参数，通过概率化的水平集演化方程得到新的水平集函数；
步骤七：返回步骤四迭代求解水平集函数和概率标签，直到新的水平集函数的变化值小于阈值T，完成图像分割。


2.根据权利要求1所述的基于统计活动轮廓和纹理字典的图像分割方法，其特征在于，所述利用高斯混合模型建模原始图像中每个像素的观测值的方法为：



其中，表示图像观测值的高斯分布函数，xj表示图像观测值，Π＝{π1,π2}，Θ＝{θ1,θ2}，πi表示权重，p(xj|θi)表示概率密度函数，θi表示区域i的统计参数，j＝{1,2,...,U×V}，U×V为图像大小，i∈{1,2}，i＝1表示目标区域，i＝2表示背景区域；



其中，θi＝{μi,∑i}表示概率空间的统计参数，∑i为概率空间中区域i的方差矩阵，μi为概率空间中区域i的均值。


3.根据权利要求1所述的基于统计活动轮廓和纹理字典的图像分割方法，其特征在于，所述根据原始图像构建字典元素，并根据字典元素构建二值稀疏矩阵的方法为：
S21、在原始图像中提取N1个大小为的图像块，利用K-means算法对N1个图像块进行聚类，得到的N个聚类中心，并将N个聚类中心作为字典元素D＝[D1,D2,...,Dl,...,DN]，Dl∈RM，l＝{1,...,N}；
S22、将以像素点xj为中心的图像块与字典元素进行关联：



其中，是以像素点xj为中心大小为的图像块，是图像块的字典索引值，j＝{1,2,...,U×V}，U×V为...

【专利技术属性】
技术研发人员：高国伟，张志彦，吕菲亚，彭云峰，刘家磊，
申请(专利权)人：安阳师范学院，
类型：发明
国别省市：河南;41