一种基于视网膜模型的图像分割方法技术

本申请公开了一种基于视网膜模型的图像分割方法，属于图像处理这一技术领域，对被观察到的图像I，设置参数；然后循环计算；在循环计算中，引入了：圆盘截断函数，其能够有效地滤去演化曲线上的噪声同时能平滑轮廓线C，其参数的设定比较稳定，完成传统长度项的功效。本申请的图像分割方法，解决了传统方法鲁棒性弱、迭代过程慢的缺点。迭代过程慢的缺点。迭代过程慢的缺点。

【技术实现步骤摘要】
一种基于视网膜模型的图像分割方法


[0001]本申请涉及计算机视觉这一领域，更具体地说，尤其涉及一种基于视网膜模型的图像分割方法。

技术介绍

[0002]关于图像处理，最早的方式是：Land提出一种光照补偿的数字图像合成模型[参见文献：Land,E.H.and McCann,J.J.,Lightness and Retinex Theory,Journal of the Optical Society of America 61,1
‑
11(Jan.1971)]，模型分析了并证明在不同照明条件下，人类视网膜在感受到不同色块信号时是相同的。视网膜理论处理图像中照明效果的补偿,主要目标是将给定图像S分解为两个不同的图像，反射图像R和照明图像L,定义如下：
[0003]S＝L
·
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0004]翁桂荣等人[参见文献：Guirong Weng,Bin Dong,Yu Lei.A level set method based on additive bias correction for image segmentation.Expert Systems With Applications.185(2021)115633.]2021年首次提出利用人类视网膜原理构建一个加性偏场矫正的水平集模型，从而计算图像的不均匀性偏场，矫正后的ABC模型就可以计算出反射图像并实现图像的分割。
[0005]图像建模为：
[0006]i(x)＝b(x)+r(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0007]其中，i(x)＝logI(x)，b是强度不均匀的分量即偏场图像，r是观察到的强度的空间导数反射比中边的结构即反射图像。
[0008]模型的假定条件：
[0009](A)在局部区域强度不均匀性b应该是平滑变化的,因此，可以假定强度不均匀的分量在图像不相交区域Ω1,...,Ω
N
中分别取N个不同的拟合函数b1(x),...,b
N
(x)。其中，分别根据(9)中的模型形成图像域的分区，即和Ω
i
∩Ω
j
＝0,(i≠j)。
[0010](B)观察到强度的空间导数主要是由反射比r中边的结构组成。因此，可以将这个新的视网膜模型集成到水平集模型中，考虑分段不变的图像部分，并估计出平滑变化的局部区域强度不均匀性。
[0011]ABC模型(基于加性偏场矫正的水平集模型(ABC模型))能量公式为：
[0012][0013]公式(3)中，G
σ
为高斯核函数，M1(φ)＝H(φ)和M2(φ)＝1
‑
H(φ)，φ为水平集函数。
[0014]对公式(3)展开能量最小化，对于固定的φ,r，使能量E
ABC
(φ,r,b)最小化的最优，b表示为：
[0015][0016]对于固定的φ,b，能量最小化，使能量E
ABC
(φ,r,b)最小化的最优，r表示为：
[0017][0018]获得梯度下降流的变分水平集函数的公式为：
[0019][0020]公式(6)中,τ为图像的标准偏，e1,e2的数据如下：
[0021]e
j
(x)＝∫G
σ
(y
‑
x)|i(x)
‑
r(y)
‑
b
j
(y)|2dy
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0022]正则化函数为：
[0023]φ
R
＝tanh(7φ
n+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0024]长度约束项为：
[0025]φ
L
(x)＝mean (φ
R
(x)|x∈Ω
y
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0026]其中，φ(x)是水平集上点x的强度值，Ω
y
表示一个在图像域Ω内以y为中心的小区域,其窗口大小为(2k+1)
×
(2k+1)，mean(
·
)表示计算窗口内的平均强度值。
[0027]上述为翁桂荣等人提出的偏置矫正模型，为图像分割提供一个有效及优秀的算法，同时也为图像分割方面提供新的方向，代码参见https://github.com/sdjswgr。
[0028]该模型存在如下问题：
[0029]1.偏场估计设置在迭代计算过程中且有四个高斯卷积的开销，大幅提高运行时间，一般需要秒级时间的开销；
[0030]2.模型采用大量高斯函数使得反射图像的边界模糊不清，导致分割精度下降。。

技术实现思路

[0031]本申请的目的在于针对上述现有技术的不足，提出一种基于视网膜模型的图像分割方法。
[0032]本申请的技术方案为：
[0033]一种基于视网膜模型的图像分割方法，包括以下步骤：
[0034]S100，对被观察到的图像I，设置参数：
[0035]最大迭代数N，c,α,k及σ、Δt、c0；
[0036]S200,设置初始水平集φ0：
[0037][0038]其中,x表示图像域的点，t表示迭代次数；
[0039]Ω0是图像域Ω的子集，是Ω0的边界；
[0040]S300,计算
[0041]S400,计算
[0042][0043]i＝log(I),std2(
·
)为图像的标准偏差；
[0044][0045]S500,循环计算：
[0046]S501,n初始设定为1；
[0047]S502,计算φ
n
[0048][0049]S503,对水平集函数φ
n
进行正则化处理：
[0050][0051]S504,计算φ
L
；
[0052]S505,若|φ
n
‑
φ
n
‑1|≤0.001，进入步骤S600；若|φ
n
‑
φ
n
‑1|＞0.001，进入步骤S506；
[0053]S506，n的赋值自加1；
[0054]S507，若n小于等于N，重复步骤S502～步骤S507；若n大于N，进入步骤S600；
[0055]S600，输出水平集函数φ＝φ
L
及分割结果。
[0056]进一步，α＝1.5,k＝3,σ＝3.5。
[0057]进一步，固定参数为:Δt＝1,c0＝1。
[0058]进一步，S300计算
[0059][0060]K
σ
表示高斯核函数
[0061]i(x)＝logI(x)；...

【技术保护点】

【技术特征摘要】
1.一种基于视网膜模型的图像分割方法，其特征在于，包括以下步骤：S100，对被观察到的图像I，设置参数：最大迭代数N，c,α,k及σ、Δt、c0；S200,设置初始水平集φ0：其中,x表示图像域的点，t表示迭代次数；Ω0是图像域Ω的子集，是Ω0的边界；S300,计算S400,计算S400,计算i＝log(I)，为图像的标准偏差；S500,循环计算：S501,n初始设定为1；S502,计算φ
n
S503,对水平集函数φ
n
进行正则化处理：S504,计算φ
L
；S505,若|φ
n
‑
φ
n
‑1|≤0.001，进入步骤S600；若|φ
n
‑
φ
n
‑1|＞0.001，进入步骤S506；S506，n的赋值自加1；S507，若n小于等于N，重复步骤S502～步骤S...

【专利技术属性】
技术研发人员：翁桂荣，董斌，陈逸阳，王桂娜，
申请(专利权)人：苏州大学，
类型：发明
国别省市：