基于盒级先验与权重自约束的混合水平集图像分割方法技术

本发明专利技术提出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，该方法包括以下步骤：步骤一、训练目标检测网络获取盒级先验信息并初始化水平集函数；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，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；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；步骤四、构造局部区域拟合能量项与距离正则项，用于处理灰度不均和消除重新初始化；步骤五、结合步骤二、步骤三、步骤四中构造的能量项得到总的能量泛函，极小化该能量泛函得到分割结果。极小化该能量泛函得到分割结果。极小化该能量泛函得到分割结果。

【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况。
[0005]边缘检测分割是基于不同的区域在边界处的灰度值、纹理等会有比较明显的变化，通过检测这些突变实现分割，常用的边缘检测有Roberts梯度算子，Prewitt算子，Canny算子。但是边缘检测易受噪声影响，不能保证边缘的连续性和封闭性，对于内容复杂，梯度不明显的图像难以分割。
[0006]聚类分割是将具有相似特征的像素点聚集到同一类别中，将图像分割转化为聚类分析，常见的聚类方法有K均值和模糊C均值，但是该方法需要手动设置聚类数，分割结果对初始参数敏感度高，易受噪声和异常数据的干扰。
[0007]活动轮廓方法是将分割转化为能量泛函极小化问题，利用图像信息构造一个关于封闭曲线的能量泛函，当能量函数取最小时，封闭曲线恰好是待分割的目标轮廓。根据封闭曲线的表示方式不同，将活动轮廓模型分为参数活动轮廓和几何活动轮廓。参数活动轮廓模型是将曲线表示为参数形式，例如Kass等人提出的Snack模型，但是参数表示方式不能处理轮廓的分裂与合并，针对该问题，研究者引入水平集理论，提出了几何活动轮廓模型，通常称为水平集方法，将封闭曲线用水平集函数的零水平集隐式表示，通过不断演化更新水平集函数实现分割。
[0008]现有的水平集分割模型主要分为基于边缘的模型和基于区域的模型。基于边缘的模型利用梯度信息构造能量函数，典型的有GAC模型和DRLSE模型。基于区域的模型利用图像的统计信息构造能量函数，如CV模型和LBF模型。水平集方法数值计算稳定，在处理复杂的拓扑结构变换上有着独特的优势。但是目前存在对初始轮廓敏感，易陷入局部极小值，对于弱边界和灰度不均匀图像分割效果差等问题。
[0009]基于学习的方法是将人工标注后的数据进行端到端学习，训练网络模型实现分
割，能够提高算法的适用范围，但是基于学习的分割依靠数据驱动，对计算能力要求高，缺乏可解释性，需要具有像素级标签的海量训练数据，这些标签需要人工标记，耗时费力。
[0010]传统的分割方法是知识驱动的，稳定性好，但是泛化性低，难以应对复杂的分割场景。基于学习的方法是依靠数据驱动的，自动化程度高，但是需要海量数据，可解释性差。传统方法和基于学习的方法各有优缺点，目前已提出的一系列图像分割算法都存在一定的局限性，不能适用于所有图像的分割。
[0011]综上所述，我们将传统分割与基于学习的方法相结合，提出了基于盒级先验与权重自约束的混合水平集图像分割方法。首先，使用目标检测网络提取盒级先验信息；然后定义权重边缘检测能量项和权重自约束能量项，结合局部区域拟合能量项和距离正则项得到总的分割能量泛函；最后采用变分法和梯度下降流极小化能量泛函得到分割结果。

技术实现思路

[0012]为解决现有图像分割技术存在的局限性，如适用范围有限，对于灰度不均和弱边界图像分割效果差，像素级标签手工标注量大，自动化程度低等问题。本专利技术提出了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，
技术实现思路
主要包括：利用目标检测网络自动提取盒级先验信息，改进边缘检测算子定义权重边缘检测能量项，构造权重自约束能量项动态调整水平集函数演化，将区域与边缘信息结合构造能量泛函进行分割。
[0013]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：
[0014]步骤一、训练目标检测网络提取盒级先验信息Ψ,初始化水平集函数Φ。首先获取图像构建数据集，建立目标检测网络模型，将数据集输入网络模型进行训练，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Ψ；最后用任一常数初始化水平集函数Φ。
[0015]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，对传统的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。
[0016]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。使得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。
[0017]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始化，使水平集函数维持稳定演化。
[0018]步骤五、结合权重边缘检测能量项，权重自约束能量项，局部区域拟合能量项和距离正则项，得到总的能量泛函。对能量泛函求变分，用梯度下降流迭代极小化能量泛函，取对应水平集函数的零水平集获得最终的分割轮廓完成图像分割。
[0019]有益效果：
[0020]与现有技术相比，采用本专利技术所述的设计方案，可以达到以下技术效果:
[0021]1、提出采用盒级先验，与已有的利用语义分割得到像素级先验方法相比，能够显著减少人工标注量，提高效率。
[0022]2、利用盒级先验信息构造权重边缘检测能量项，能够有效限制边缘检测范围，获得更精确的检测结果。
[0023]3、定义权重自约束能量项，能够动态调整曲线演化，降低对初始轮廓的敏感性，比使用常系数更加有效鲁棒。
[0024]4、将边缘与区域信息结合，更好的利用图像信息，获得更精确的分割结果，增大算法适用范围。
附图说明
[0025]图1.方法框架流程图
[0026]图2.方法计算流程图
具体实施方式
[002本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王生生，田庄周，
申请(专利权)人：吉林大学，
类型：发明
国别省市：