The invention discloses an image segmentation method based on a lattice Pohl Seidman model. This method is based on the lattice model of micro Pohl Seidman, for image segmentation, and finally realize the solution of macro partial differential equation of image segmentation, automatic image segmentation, image partial differential equation method compared to classical segmentation, can achieve a large step iterative calculation, so as to effectively improve the efficiency of image segmentation. The segmentation speed and good segmentation effect.
【技术实现步骤摘要】
本专利技术涉及一种基于格子波尔兹曼模型(Lattice Boltzmann Model,LBM)的图像分割方法,属于图像处理领域。
技术介绍
图像分割指把图像分成各具特性的区域并提出感兴趣目标的技术和过程,它是一种重要的图像分析技术。在过去的四十多年里,图像分割的研究一直受到人们高度的重视。 图像分割是图像处理和分析中的重要问题,也是计算机视觉研究中的一个经典难题。图像处理的偏微分方程方法是从20世纪90年代迅速发展起来的,显示出了优于传统图像处理方法的性能。在基于偏微分方程方法的图像处理领域,由于活动轮廓模型具有计算的高效性、简单性及特别适用于建模和提取任意形状的变形轮廓等优点,近20年来,活动轮廓模型在边缘检测、医学图像分割以及运动跟踪中已经有了广泛的应用和很大的发展。图像分割中的活动轮廓或“蛇”(snake)模型是由M. Kass等首先提出的,其基本思想是将图像分割问题归结为最小化一个封闭曲线C (ρ)的“能量”泛函,实现“能量”泛函的最小化即得到尽可能短并且尽可能光顺的闭合曲线。但此方法存在的严重缺陷在于它不仅依赖于曲线C的几何形状和位置,还依赖于曲线的参数ρ。为了克服这一缺陷,V. Caselles, R. Sapiro于1997年提出了不含自由参数测地线活动轮廓(GAC)模型,消除了经典蛇模型依赖自由参数的缺陷。但GAC存在的缺陷是曲线不能接近于图像中有较深凹陷的边界。并且对于既没有明显边缘也缺乏明显纹理特征的图像,GAC模型难以实现成功的分割。基于此,T. Chan和L. Vese提出了无边缘活动轮廓(C-V)模型,实现了较好的自动分割效果 ...
【技术保护点】
1.一种基于格子波尔兹曼模型的图像分割方法,其特征在于操作步骤如下:输入初始图像 ,节点的值设为对应像素的灰度值;使用二维格子波尔兹曼模型,设置格子波尔兹曼演化方程中各作用方向的初始平衡态函数;确定格子波尔兹曼演化方程的迭代次数N;采用变分水平集方法,引入Heaviside函数,初始化距离函数作为初始曲线C;计算Heavside函数,其中参数控制函数从0上升到1的快慢;计算分割曲线内部和外部的平均灰度值c1和c2:,计算参数的导数,遍历图像计算格子波尔兹曼演化方程中的松弛因子;设n为迭代次数,根据二维格子波尔兹曼模型更新平衡分布函数为;计算二维格子波尔兹曼模型的迁移过程:;计算二维格子波尔兹曼模型的作用过程:其中为常数;更新粒子分布函数得到嵌入距离化函数,取其零水平集即为新的分割曲线;判断是否达到迭代次数N,若达到N次时,则输出u零水平集结果即为分割轮廓;若没有达到N次,则转步骤(4),重复步骤(4)-(10),直到达到迭代N次数后输出处理后的零水平集结果,即为最后的分割结果。
【技术特征摘要】
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。