【技术实现步骤摘要】
基于盒级先验与权重自约束的混合水平集图像分割方法
[0001]本专利技术涉及使用盒级先验与权重自约束的混合水平集图像分割。
技术介绍
[0002]图像分割是计算机视觉中的关键技术，它对图像分析，模式识别，计算机辅助诊断等有着重要的作用。目前已有的分割方法基本分为两大类，传统的分割方法和基于学习的分割方法。其中传统分割方法主要包括阈值分割，区域生长分割，边缘检测分割，聚类分割和活动轮廓分割。
[0003]阈值分割是通过设置一个或多个最优的灰度级阈值，将待分割图像划分为目标和背景区域。常用的阈值分割方法有Ostu法，直方图双峰法，最大熵法等。但是该类方法仅利用了灰度信息，对噪声敏感。分割效果依赖阈值的选择，对于复杂图像难以快速有效选择最佳阈值。
[0004]区域生长分割是依据相似性准则，逐步合并形成所需的区域。首先选取种子点，将种子点邻域中与种子点有相似性质的像素归并到种子点所在区域，形成新的种子，继续合并，直到区域不再生长。该方法适合分割有相同特征的联通区域，但是对于灰度不均和噪声图像，容易出现空洞和过分割的情...
【技术保护点】
【技术特征摘要】
1.一种基于盒级先验与权重自约束的混合水平集图像分割方法，其特征在于，至少包括以下步骤：步骤一、定义盒级先验信息并初始化水平集函数，首先获取图像构建数据集，建立网络结构模型，输入数据集到网络模型中进行训练，得到训练好的目标检测网络；然后将待分割的测试图像输入到训练完成的目标检测网络，根据输出的检测结果定义盒级先验信息；最后取任一常数初始化水平集函数；步骤二、构造权重边缘检测能量项，利用步骤一中得到的盒级先验信息定义权重矩阵，对传统边缘检测算子进行改进，将边缘检测范围约束到目标区域附近，避免背景区域的干扰得到更精确的边缘检测结果，用改进的边缘检测算子构造关于水平集函数的权重边缘检测能量项，使零水平集为目标轮廓时，该能量项得到极小化；步骤三、构造权重自约束能量项，引入可变系数约束水平集函数与盒级先验信息之间的关系，使水平集函数的演化随两者之间的相似程度动态变化；先根据水平集函数与盒级先验信息之间的相似程度计算可变系数，然后在水平集函数与盒级先验信息之间定义相似性度量，与可变系数结合得到能量项；满足当零水平集远离目标轮廓时，系数取较大值，以先验信息为主导加快水平集函数向目标演化，当零水平集靠近目标轮廓时，系数取较小值，以图像本身的信息为主导，实现目标区域局部细节的精细分割；步骤四、构造局部区域拟合能量项与距离正则项，局部区域拟合能量项能够提取图像局部信息处理灰度不均，距离正则项用于消除重新初...
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。