專利名稱：基于歸一化耦合曲線演化模型的圖割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像分割技術(shù)領(lǐng)域的方法，具體是一種基于歸一化耦合曲線演化模型的圖割方法，可用于圖像處理、計(jì)算機(jī)視覺(jué)、工業(yè)自動(dòng)化檢測(cè)。
背景技術(shù)：
眾所周知，圖像分割和邊界提取對(duì)于圖像理解、圖像分析、模式識(shí)別、計(jì)算機(jī)視覺(jué)等具有非常重要的意義。傳統(tǒng)上，基于水平集函數(shù)的活動(dòng)輪廓模型是一種常用的表示圖像的工具，這種基于水平集的活動(dòng)輪廓模型能夠通過(guò)梯度下降流的方法得到最優(yōu)化。同時(shí)，另外一種最優(yōu)化準(zhǔn)則是由Yezzi等人提出的，這種準(zhǔn)則是基于最大化分割曲線內(nèi)外區(qū)域的均值強(qiáng)度。但是，這種方法由于在曲線演化過(guò)程中需要重新初始化，導(dǎo)致活動(dòng)輪廓曲線演化地非常緩慢，計(jì)算效率低，而且分割效果受初始輪廓位置影響嚴(yán)重。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了解決上述問(wèn)題，提供一種基于歸一化耦合曲線演化模型的圖割方法，該方法有效地解決了初始輪廓位置敏感，計(jì)算效率低等問(wèn)題，表現(xiàn)出良好的分割效果。為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案一種基于歸一化耦合曲線演化模型的圖割方法，該方法的實(shí)現(xiàn)步驟如下步驟1 對(duì)需要分割的圖像，初始化圖像的輪廓曲線，并定義曲線內(nèi)外部均值強(qiáng)度；步驟2 利用內(nèi)外均值強(qiáng)度，改寫(xiě)傳統(tǒng)的SM能量函數(shù)；步驟3 對(duì)改寫(xiě)后的傳統(tǒng)的SM能量函數(shù)引入兩個(gè)參數(shù)進(jìn)行加權(quán)，得到加權(quán)的SM能量函數(shù)，然后對(duì)加權(quán)的SM能量函數(shù)加入曲線平滑項(xiàng)，得到歸一化SM能量函數(shù)；步驟4 利用符號(hào)函數(shù)的定義重新表示步驟1中的內(nèi)外部均值強(qiáng)度；步驟5 對(duì)需要分割的圖像的每個(gè)像素點(diǎn)，添加權(quán)重邊緣項(xiàng)；步驟6 采用最小化圖割方法對(duì)步驟3中的歸一化SM能量函數(shù)進(jìn)行最小化加權(quán)， 得到最小化時(shí)的符號(hào)函數(shù)，利用所求的符號(hào)函數(shù)重新計(jì)算均值強(qiáng)度；步驟7 重復(fù)步驟2-6至符號(hào)函數(shù)穩(wěn)定為止，此時(shí)達(dá)到了求解收斂，完成圖像分割。
權(quán)利要求
1.一種基于歸一化耦合曲線演化模型的圖割方法，其特征是，該方法的實(shí)現(xiàn)步驟如下步驟1 對(duì)需要分割的圖像，初始化圖像的輪廓曲線，并定義曲線內(nèi)外部均值強(qiáng)度； 步驟2 利用內(nèi)外均值強(qiáng)度，改寫(xiě)傳統(tǒng)的SM能量函數(shù)；步驟3 對(duì)改寫(xiě)后的傳統(tǒng)的SM能量函數(shù)引入兩個(gè)參數(shù)進(jìn)行加權(quán)，得到加權(quán)的SM能量函數(shù)，然后對(duì)加權(quán)的SM能量函數(shù)加入曲線平滑項(xiàng)，得到歸一化SM能量函數(shù)； 步驟4 利用符號(hào)函數(shù)的定義重新表示步驟1中的內(nèi)外部均值強(qiáng)度； 步驟5 對(duì)需要分割的圖像的每個(gè)像素點(diǎn)，添加權(quán)重邊緣項(xiàng)；步驟6 采用最小化圖割方法對(duì)步驟3中的歸一化SM能量函數(shù)進(jìn)行最小化加權(quán)，得到最小化時(shí)的符號(hào)函數(shù)，利用所求的符號(hào)函數(shù)重新計(jì)算均值強(qiáng)度；步驟7 重復(fù)步驟2-6至符號(hào)函數(shù)穩(wěn)定為止，此時(shí)達(dá)到了求解收斂，完成圖像分割。
2.如權(quán)利要求書(shū)1所述的基于歸一化耦合曲線演化模型的圖割方法，其特征是，所述的曲線內(nèi)外部均值強(qiáng)度的定義如下:
3.如權(quán)利要求書(shū)1所述的基于歸一化耦合曲線演化模型的圖割方法，其特征是，所述改寫(xiě)后的傳統(tǒng)的SM能量函數(shù)為
4.如權(quán)利要求書(shū)1所述的基于歸一化耦合曲線演化模型的圖割方法，其特征是，步驟3 中引入如下兩個(gè)參數(shù)
5.如權(quán)利要求1所述的基于基于歸一化耦合曲線演化模型的圖割方法，其特征在于， 所述步驟4中，定義符號(hào)函數(shù)fp 則均值強(qiáng)度U和V重新表示為
6.如權(quán)利要求1所述的基于基于歸一化耦合曲線演化模型的圖割萬(wàn)法，其特征在于，所述步驟5中，對(duì)圖像中的每個(gè)像素點(diǎn)χ計(jì)算-(u-v) (I (χ)-ν)和-(u-v) (u-I (χ)),如果-(u-v) (I (χ)-ν) > (-(u-v) (u-I (χ)))，添加權(quán)重為
7.如權(quán)利要求1所述的基于基于歸一化耦合曲線演化模型的圖割方法，其特征在于， 所述步驟5)中，采用最小化圖割的方法來(lái)最小化加權(quán)SM模型函數(shù)，得到最小化時(shí)的符號(hào)函數(shù)產(chǎn)1 ；利用所求的fP+1符號(hào)函數(shù)重新計(jì)算均值強(qiáng)度u和ν ；
8.如權(quán)利要求1所述的基于基于歸一化耦合曲線演化模型的圖割方法，其特征在于， 所述步驟6)中，通過(guò)下述式子更新
全文摘要
本發(fā)明公開(kāi)了一種基于歸一化耦合曲線演化模型的圖割方法，此曲線演化模型是建立在最大化活動(dòng)曲線的內(nèi)外區(qū)域均值強(qiáng)度分割的思想上，通過(guò)運(yùn)用歸一化圖割方法來(lái)實(shí)現(xiàn)最小化這種耦合曲線模型的能量，從而達(dá)到最終理想的分割效果。實(shí)驗(yàn)結(jié)果顯示這種方法在處理自然圖像、噪聲圖像和無(wú)邊緣輪廓圖像上有效地解決了初始輪廓位置敏感，計(jì)算效率低等問(wèn)題，表現(xiàn)出良好的分割效果。
文檔編號(hào)G06T5/00GK102521812SQ20111044531
公開(kāi)日2012年6月27日 申請(qǐng)日期2011年12月27日 優(yōu)先權(quán)日2011年12月27日
發(fā)明者楊明強(qiáng), 陳達(dá), 陳雷 申請(qǐng)人:山東大學(xué)