一种基于K-medoids聚类的主动轮廓模型图像分割方法技术

本发明专利技术涉及一种基于K

【技术实现步骤摘要】
一种基于K
‑
medoids聚类的主动轮廓模型图像分割方法


[0001]本专利技术涉及图像处理
，尤其是指一种基于K
‑
medoids聚类的主动轮廓模型图像分割方法、装置及计算机可读存储介质。

技术介绍

[0002]图像分割领域中最常用的方法是主动轮廓模型，其本质是使用连续且闭合的曲线来表示目标边界，并定义一个能量泛函，使得其自变量包括边缘曲线，因此图像分割过程就转化成求解能量泛函最小值的过程，能量取得最小值的位置即目标的轮廓所在。
[0003]根据曲线的表达形式的不同，主动轮廓模型被分为两大类：参数主动轮廓模型和几何主动轮廓模型。其中，参数主动轮廓模型是基于Lagrange框架，直接以曲线的参数化形式来表达曲线；该类模型在早期的生物图像分割领域得到了成功的应用，但其存在分割结果易受初始轮廓设置的影响以及难以处理曲线拓扑结构变化等缺点；此外，其能量泛函只依赖于曲线参数的选择，与物体的几何形状无关，这也限制了其进一步的应用与发展。此外，几何轮廓模型的曲线演化过程是基于曲线的度量参数而非曲线的表达参数，因此可以较好地处理拓扑结构的变化，并且具有优势，例如对初始位置不敏感，具有稳定的数值解等；几何主动轮廓模型根据曲线的演化方式的不同，主动轮廓模型被划分为基于边缘、基于区域和混合型活动轮廓模型；但几何主动轮廓模型存在共同的缺陷，例如对计算速度慢、效率低、分割精度差、对初始轮廓敏感、系统鲁棒性差、抗噪声干扰性差等。

技术实现思路

[0004]为此，本专利技术所要解决的技术问题在于克服现有技术中在基于轮廓模型进行图像分割时，效率低、分割精度差的问题。
[0005]为解决上述技术问题，本专利技术提供了一种基于K
‑
medoids聚类的主动轮廓模型图像分割方法，包括：
[0006]利用K
‑
medoids聚类算法对待分割图像进行二值化处理得到拟合结果，获取前景图像与背景图像；
[0007]基于二值化拟合结果构建预分段拟合函数；
[0008]利用满足Lipschitz条件的零水平集替代所述预分段拟合函数的轮廓曲线，得到KM预分段拟合函数；
[0009]利用梯度下降法，最小化所述KM预分段拟合函数的能量泛函，得到梯度流方程；
[0010]利用自适应正则化函数正则化所述梯度流方程的数据驱动项；
[0011]利用rulesig函数正则化所述零水平集函数，利用核函数对正则化后的零水平集函数进行平滑和缩短曲线，输出水平集函数，作为待分割图像的分割结果。
[0012]在本专利技术的一个实施例中，所述利用k
‑
medoids聚类算法对待分割图像进行二值化处理得到拟合结果，获取前景图像与背景图像，包括：
[0013]随机选择待分割图像中的k个像素点作为初始的代表像素点g
i
；
[0014]将剩余像素点分配值离其本身最近的代表像素点所在的簇中；
[0015]随机选择一个非代表像素点g
random
，计算用非代表像素点g
random
代替代表像素点g
i
所产生的代价函数CF；
[0016]若代价函数CF＜0，则用g
random
代替g
i
，形成新的k个代表像素点的集合；反之，保留原来的k个代表对象的集合；
[0017]重复分配剩余像素点，直至聚类结果不再提高，得到两个簇，分别代表前景图像所有像素点的集合C
l
与背景图像所有像素点的集合C
s
；
[0018]其中，所述代价函数CF表示为：
[0019][0020]其中，k＝2，g1是新的k个代表像素点的集合里面的非代表对象，g2是原来的k个代表对象的集合里面的非代表对象，z
i
是代表对象，
new
C
i
是替换前的聚类结果，
old
C
i
是替换后的聚类结果。
[0021]在本专利技术的一个实施例中，所述基于二值化拟合结果构建预分段拟合函数，表示为：
[0022]E
KM
(C,C
s
,C
l
)＝∫
outside(C)
|I(x)
‑
C
s
(x)|dx+∫
inside(C)
|I(x)
‑
C
l
(x)|dx；
[0023]其中，I(x)表示待分割图像在x点处的强度；C表示预分段拟合函数的轮廓曲线；C
s
(x)表示背景点集，C
l
(x)表示前景点集。
[0024]在本专利技术的一个实施例中，所述利用满足Lipschitz条件的零水平集替代所述预分段拟合函数的轮廓曲线，得到KM预分段拟合函数，表示为：
[0025]E
KM
(φ,c
s
,c
l
)＝∫
Ω
|I(x)
‑
C
s
(x)|H
ε
(φ)dx+∫
Ω
|I(x)
‑
C
l
|(x)(1
‑
H
ε
(φ))dx，
[0026]其中，φ表示满足Lipschitz条件的零水平集；ε为常数，取值为1；Ω表示待分割图像的图像域。
[0027]在本专利技术的一个实施例中，所述利用梯度下降法，最小化所述KM预分段拟合函数的能量泛函，得到梯度流方程，表示为：
[0028][0029]其中，R1‑
R2为传统的数据驱动项，R1＝|I(x)
‑
C
s
|,R2＝|I(x)
‑
C
l
|；
[0030]简化所述梯度流方程得：
[0031][0032]其中，优化数据驱动项DATA＝2I
‑
(C
s
+C
l
)，近似狄拉克函数f为带符号的常数，用于调节演化曲线的演化速度和方向，若待分割图像中的分割目标为白色部分，f的符号为负；反之，f的符号为正。
[0033]在本专利技术的一个实施例中，所述利用自适应正则化函数正则化所述梯度流方程的
数据驱动项，包括：
[0034]基于K
‑
medoids聚类算法，改写所述梯度流方程，得：
[0035][0036]其中，α为带符号的模型运行速度调节系数，若待分割图像中的分割目标为白色,则α＜0，反之,则α＞0；图像的标准偏差值τ＝std2(I(x))；其中，所述自适应正则化函数erf(x)为：
[0037]η表示积分变量。
[0038]在本专利技术的一个实施例中，所述用rulesing函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
medoids聚类的主动轮廓模型图像分割方法，其特征在于，包括：利用K
‑
medoids聚类算法对待分割图像进行二值化处理得到拟合结果，获取前景图像与背景图像；基于二值化拟合结果构建预分段拟合函数；利用满足Lipschitz条件的零水平集替代所述预分段拟合函数的轮廓曲线，得到KM预分段拟合函数；利用梯度下降法，最小化所述KM预分段拟合函数的能量泛函，得到梯度流方程；利用自适应正则化函数正则化所述梯度流方程的数据驱动项；利用rulesig函数正则化所述零水平集函数，利用核函数对正则化后的零水平集函数进行平滑和缩短曲线，输出水平集函数，作为待分割图像的分割结果。2.根据权利要求1所述的基于K
‑
medoids聚类的主动轮廓模型图像分割方法，其特征在于，所述利用k
‑
medoids聚类算法对待分割图像进行二值化处理得到拟合结果，获取前景图像与背景图像，包括：随机选择待分割图像中的k个像素点作为初始的代表像素点g
i
；将剩余像素点分配值离其本身最近的代表像素点所在的簇中；随机选择一个非代表像素点g
random
，计算用非代表像素点g
random
代替代表像素点g
i
所产生的代价函数CF；若代价函数CF＜0，则用g
random
代替g
i
，形成新的k个代表像素点的集合；反之，保留原来的k个代表对象的集合；重复分配剩余像素点，直至聚类结果不再提高，得到两个簇，分别代表前景图像所有像素点的集合C
l
与背景图像所有像素点的集合C
s
；其中，所述代价函数CF表示为：其中，k＝2，g1是新的k个代表像素点的集合里面的非代表对象，g2是原来的k个代表对象的集合里面的非代表对象，z
i
是代表对象，
new
C
i
是替换前的聚类结果，
old
C
i
是替换后的聚类结果。3.根据权利要求2所述的基于K
‑
medoids聚类的主动轮廓模型图像分割方法，其特征在于，所述基于二值化拟合结果构建预分段拟合函数，表示为：其中，I(x)表示待分割图像在x点处的强度；C表示预分段拟合函数的轮廓曲线；C
s
(x)表示背景点集，C
l
(x)表示前景点集；下标outside(C)表示轮廓曲线外部区域，下标inside(C)表示轮廓曲线内部区域。4.根据权利要求3所述的基于K
‑
medoids聚类的主动轮廓模型图像分割方法，其特征在于，所述利用满足Lipschitz条件的零水平集替代所述预分段拟合函数的轮廓曲线，得到KM预分段拟合函数，表示为：E
KM
(φ,c
s
,c
l
)＝∫
Ω
|I(x)
‑
C
s
(x)|H
ε
(φ)dx+∫
Ω
|I(x)
‑
C
l
|(x)(1
‑
H
ε
(φ))dx，

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