專利名稱：基于亮度自適應(yīng)水平集的極光卵分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及紫外波段捕獲圖像的目標(biāo)分割，可用于從復(fù)雜的紫外極光圖像中將極光卵區(qū)域分割出來。
背景技術(shù)：
極光是極地區(qū)域空間光學(xué)輻射中一種重要的自然發(fā)光現(xiàn)象。它是由太陽(yáng)風(fēng)和磁尾帶電粒子體與大氣中的分子、原子在近地空間相互作用激發(fā)而成的。它的發(fā)生和發(fā)展與太陽(yáng)活動(dòng)周期、地磁活動(dòng)強(qiáng)度密切相關(guān)。紫外波段成像探測(cè)由于可以捕捉到任何其它波段都難以觀測(cè)到的極其微弱的能量散射，進(jìn)而對(duì)太陽(yáng)進(jìn)入地球極區(qū)的能量波動(dòng)進(jìn)行全天候、全區(qū)域的探測(cè)，從而成為極光探測(cè)的主要手段。紫外極光圖像中的極光卵區(qū)域是極光粒子以磁極為中心沉降在地球南北極地區(qū)形成的橢圓帶狀區(qū)域，它的赤道向邊界和極向邊界是重要的地球物理參數(shù)，因此，有效提取紫外極光圖像中的極光卵邊界對(duì)于研究極光粒子沉降規(guī)律，進(jìn)而理解太陽(yáng)風(fēng)-磁層能量耦合過程起著十分重要的作用。由于紫外極光圖像的強(qiáng)噪聲、低對(duì)比度以及眾多的混淆現(xiàn)象，如日暉、彗星、宇宙射線等，所以將極光卵區(qū)域從圖像中分割出來具有很大的挑戰(zhàn)性。目前，對(duì)紫外極光圖像極光卵區(qū)域進(jìn)行分割的方法主要可以分為兩類無形狀知識(shí)的方法和有形狀知識(shí)的方法。前者不需要任何形狀先驗(yàn)知識(shí)，僅考慮圖像自身的灰度和像素間的空間關(guān)系信息。例如，Hung 等人在文獻(xiàn) “C. Hung, G. Germany, K—means and iterative selection algorithmsin image segmentation, in Proc. IEEE Southeastcon，2003，(Session I: SoftwareDevelopment). ”中提出的基于直方圖的k_均值法(Histogram-based K-means，HKM)，該方法對(duì)極光圖像的灰度直方圖進(jìn)行k-均值聚類后，將高于灰度閾值的幾個(gè)聚類作為極光卵區(qū)域；Li 等人在文獻(xiàn) “X. Li，R. Ramachandran, M. He，S. Movvaj J. A. Rushing, S. J. Graves, W.Lyatskyj A. Tan，G. A. Germany, Comparing different thresholding algorithms forsegmenting auroras, in Proc. IEEE Conf. Information Technology: Coding andComputing，2004，pp. 594-601. ” 中提出的自適應(yīng)最小誤差閾值法(Adaptive MinimumError Thresholding，AMET)，該方法根據(jù)磁地方時(shí)(Magnetic Local Time, MLT)將紫外極光圖像劃分成若干個(gè)子區(qū)域，然后對(duì)每個(gè)子區(qū)域應(yīng)用最小誤差閾值法進(jìn)行分割處理；Germany 等人在文獻(xiàn)“G. A. Germany, G. K. Parks, H. Ranganathj R. Elsenj P. G. Richards, W.Swift,J.P.Spann, M. Brittnacherj Analysis of auroral morphology: substormprecursor and onset on January 10， 1997，Geophysical Research Letters25 (15) (1998) 3043-3046. ”中提出的脈沖耦合神經(jīng)網(wǎng)絡(luò)法(Pulse-coupled NeuralNetwork, PCNN)，該方法將圖像的每個(gè)像素點(diǎn)看作一個(gè)分割神經(jīng)元，利用相鄰像素之間的灰度關(guān)系，釆用神經(jīng)網(wǎng)絡(luò)法對(duì)極光卵區(qū)域進(jìn)行分割。此類無形狀知識(shí)的極光卵分割方法對(duì)于目標(biāo)和背景灰度相差較大的極光圖像分割效果較好，但是，在眾多低對(duì)比度圖像中會(huì)出現(xiàn)噪點(diǎn)大、誤分率和漏分率較高等問題。而有形狀知識(shí)的極光卵分割方法則結(jié)合了極光卵的形狀特征先驗(yàn)知識(shí)，例如Cao等人在文獻(xiàn)“C. Caoj T. S. Newman, G. Germany, A newshape-based auroral oval segmentation drivenby LLS-RHTj Pattern Recognition42(2009)607-618. ”中提出的基于橢圓形狀先驗(yàn)知識(shí)的線性最小二乘-隨機(jī)霍夫變換法(Linear least-squares (LLS) -randomized Hough transform(RHT)，LLS-RHT),該方法結(jié)合極光圖像灰度信息和形狀特征，用一個(gè)類似橢圓的圖形來擬合極光卵區(qū)域，雖然能夠?qū)π螒B(tài)為完整型橢圓的極光卵進(jìn)行較好的分割，但是，對(duì)于形態(tài)是缺口狀橢圓的極光卵，分割結(jié)果會(huì)出現(xiàn)很大的偏差。水平集方法是近年來圖像分割領(lǐng)域研究的熱點(diǎn)之一。其中，Li等人在文獻(xiàn)uC. Li, C.Xu, C.Gui,M.D.Fox,Level set evolution without re-initialization:Anew variational formulation, in Proc.IEEE Conf.Comput.Vis.PatternRecog.，2005, pp. 430-436. ”中提出的不需要初始化的水平集方法，由于在保證了高分割準(zhǔn)確率的同時(shí)，較高地提升了分割速度而廣泛應(yīng)用在醫(yī)學(xué)圖像分割等領(lǐng)域。然而，Li等人的方法對(duì)曲線的初始化是隨機(jī)的，而極光圖像的背景和目標(biāo)灰度相差較小，若初始曲線離目標(biāo)邊緣較遠(yuǎn)，分割結(jié)果就會(huì)出現(xiàn)很大的偏離。同時(shí)，該方法中的曲線演化速度和停止函數(shù)與曲線周圍的灰度值沒有相關(guān)性，因而在處理極光卵分割這類弱邊緣問題時(shí)，即使選用了離目標(biāo)邊緣很近的初始化曲線，也會(huì)出現(xiàn)較大的邊緣泄漏現(xiàn)象。綜上所述，現(xiàn)有的極光卵分割方法和目前常用的水平集圖像分割方法對(duì)紫外極光圖像都不能達(dá)到滿意的分割效果。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述極光卵分割方法的不足，提出一種基于亮度自適應(yīng)水平集的極光卵分割方法，以提高極光卵區(qū)域分割的精度和準(zhǔn)確率，為空間物理研究提供盡可能精確的極光卵參數(shù)信息。實(shí)現(xiàn)本發(fā)明的技術(shù)思路是通過采用形態(tài)學(xué)成分分析法對(duì)紫外極光圖像進(jìn)行預(yù)處理，達(dá)到降噪的目的；通過構(gòu)建一個(gè)形態(tài)學(xué)顯著性圖，作為極光卵的形狀特征，并以形態(tài)學(xué)顯著性圖的邊緣曲線作為水平集演化的初始曲線，采用亮度自適應(yīng)的水平集演化方程對(duì)曲線進(jìn)行演化，使曲線最終逼近目標(biāo)的邊緣，從而實(shí)現(xiàn)極光卵的分割，具體實(shí)現(xiàn)步驟包括如下(I)輸入一幅紫外極光圖像I，運(yùn)用形態(tài)學(xué)成分分析的方法將紫外極光圖像I分解為極光形態(tài)學(xué)子層Ia和噪聲形態(tài)學(xué)子層In，去掉噪聲形態(tài)學(xué)子層In，將極光形態(tài)學(xué)子層Ia輸出，得到預(yù)處理后的圖像Ip;(2)根據(jù)磁地方時(shí)將預(yù)處理后的圖像Ia分為24個(gè)子區(qū)域，對(duì)每個(gè)子區(qū)域進(jìn)行基于最小平方誤差準(zhǔn)則的閾值選取，根據(jù)每個(gè)子區(qū)域不同的閾值對(duì)預(yù)處理后的圖像Ia進(jìn)行二值化操作，得到二值化后的圖像Ib ;(3)將二值化后的圖像Ib通過一組結(jié)構(gòu)元素逐漸變大的復(fù)合形態(tài)學(xué)濾波器F，進(jìn)行噪聲點(diǎn)去除，得到濾波后的圖像If ；(4)尋找濾波后的圖像If中的最大連通域，找出最大連通域外邊界曲線圍成的圖像區(qū)域，計(jì)算該圖像區(qū)域內(nèi)值為O的像素點(diǎn)個(gè)數(shù)N，設(shè)定經(jīng)驗(yàn)閾值Ta = 1200，判斷紫外極光圖像的類型，若N大于等于Ta，則該圖像屬于完整型橢圓極光卵圖像，若N小于Ta，則屬于缺口狀橢圓極光卵圖像；
(5)根據(jù)紫外極光圖像類型計(jì)算其形態(tài)學(xué)顯著性圖SMM，若圖像屬于完整型橢圓極光卵圖像，則對(duì)濾波后的圖像If進(jìn)行橢圓擬合，得到橢圓擬合后的圖像Ie，若圖像屬于缺口狀橢圓極光卵圖像，則對(duì)濾波后的圖像If不做處理，即
權(quán)利要求
1.一種基于亮度自適應(yīng)水平集的極光卵分割方法，包括如下步驟 (1)輸入一幅紫外極光圖像I，運(yùn)用形態(tài)學(xué)成分分析的方法將紫外極光圖像I分解為極光形態(tài)學(xué)子層Ia和噪聲形態(tài)學(xué)子層In，去掉噪聲形態(tài)學(xué)子層In，將極光形態(tài)學(xué)子層Ia輸出，得到預(yù)處理后的圖像Ip; (2)根據(jù)磁地方時(shí)將預(yù)處理后的圖像Ip分為24個(gè)子區(qū)域，對(duì)每個(gè)子區(qū)域進(jìn)行基于最小平方誤差準(zhǔn)則的閾值選取，根據(jù)每個(gè)子區(qū)域不同的閾值對(duì)預(yù)處理后的圖像Ip進(jìn)行二值化操作，得到二值化后的圖像Ib; (3)將二值化后的圖像Ib通過一組結(jié)構(gòu)元素逐漸變大的復(fù)合形態(tài)學(xué)濾波器F，進(jìn)行噪聲點(diǎn)去除，得到濾波后的圖像If ; (4)尋找濾波后的圖像If中的最大連通域，找出最大連通域外邊界曲線圍成的圖像區(qū)域，計(jì)算該圖像區(qū)域內(nèi)值為O的像素點(diǎn)個(gè)數(shù)N，設(shè)定經(jīng)驗(yàn)閾值Ta = 1200，判斷紫外極光圖像的類型，若N大于等于Ta，則該圖像屬于完整型橢圓極光卵圖像，若N小于Ta，則屬于缺口狀橢圓極光卵圖像； (5)根據(jù)紫外極光圖像類型計(jì)算其形態(tài)學(xué)顯著性圖SMM，若圖像屬于完整型橢圓極光卵圖像，則對(duì)濾波后的圖像If進(jìn)行橢圓擬合，得到橢圓擬合后的圖像Ie，若圖像屬于缺口狀橢圓極光卵圖像，則對(duì)濾波后的圖像If不做處理，即
2.根據(jù)權(quán)利要求I所述的基于亮度自適應(yīng)水平集的極光卵分割方法，其中步驟(I)所述的運(yùn)用形態(tài)學(xué)成分分析的方法將紫外極光圖像I分解為極光形態(tài)學(xué)子層Ia和噪聲形態(tài)學(xué)子層In，按如下公式進(jìn)行 mm Il Φ^/； H1+11Si. I 二 14 +1Ν 其中，φα為極光形態(tài)學(xué)子層的稀疏表不字典，φν為噪聲形態(tài)學(xué)子層的稀疏表不字典，^為目標(biāo)形態(tài)學(xué)子層，4為背景形態(tài)學(xué)子層，Il 111表示I范數(shù)運(yùn)算，形態(tài)學(xué)成分分析法就是在目標(biāo)形態(tài)學(xué)子層/I和背景形態(tài)學(xué)子層4之和為輸入圖像I的條件下，尋找稀疏表示字典04和φν下，目標(biāo)形態(tài)學(xué)子層和背景形態(tài)學(xué)子層4的最優(yōu)表達(dá)，并將目標(biāo)形態(tài)學(xué)子層/I的最優(yōu)表達(dá)作為極光形態(tài)學(xué)子層Ia，將背景形態(tài)學(xué)子層/〖的最優(yōu)表達(dá)作為噪聲形態(tài)學(xué)子層
3.根據(jù)權(quán)利要求I所述的基于亮度自適應(yīng)水平集的極光卵分割方法，其中步驟(2)所述的對(duì)每個(gè)子區(qū)域進(jìn)行基于最小平方誤差準(zhǔn)則的閾值選取，按如下步驟進(jìn)行 (3a)選取24個(gè)子區(qū)域中的一塊，假設(shè)它的目標(biāo)和背景服從均值為yk，標(biāo)準(zhǔn)差為0,的正態(tài)分布，其中k = 1，2,當(dāng)k = I時(shí)表示目標(biāo)，當(dāng)k = 2時(shí)表示背景； (3b)估計(jì)所選子區(qū)域的直方圖分布He (i，t) H (KT) = T 3- exp「—(/ —的)j, 1 Tl ^ σ, Κ 207」 其中，i表示該子區(qū)域中某一點(diǎn)像素的灰度值，T表示分割目標(biāo)和背景的灰度閾值門限，Pk為目標(biāo)和背景所占該子區(qū)域面積的比例； (3c)計(jì)算所選子區(qū)域?qū)嶋H的直方圖分布H(i)； (3d)根據(jù)最小平方誤差準(zhǔn)則選取最優(yōu)閾值門限Tm
4.根據(jù)權(quán)利I所述的基于亮度自適應(yīng)水平集的極光卵分割方法，其中步驟(3)所述的對(duì)二值化后的圖像Ib進(jìn)行多結(jié)構(gòu)元素復(fù)合形態(tài)學(xué)濾波，按如下步驟進(jìn)行 (4a)選擇一組形狀為圓形,大小逐步增大的結(jié)構(gòu)元素{B} = (B1, B2,, Bj ,Br為這組結(jié)構(gòu)元素中的一個(gè)，r = I, 2,…η，η為這組結(jié)構(gòu)元素的個(gè)數(shù)； (4b)構(gòu)建多結(jié)構(gòu)元素復(fù)合形態(tài)學(xué)濾波器F :F= (((Ao Bj) · Bj) ο BJ+1) · Bj+1... j = 1，· ·，η, 其中，A為將要通過濾波器F的圖像，j為結(jié)構(gòu)元素的序號(hào)，取值從I到η，ο表示形態(tài)學(xué)開操作，·表示形態(tài)學(xué)閉操作； (4c)通過濾波器F對(duì)二值化后的圖像Ib進(jìn)行處理，得到輸出的圖像If If = Ib*F+Ik*F, 其中，Ir = (IB_IB*F)，為二值化后的圖像Ib與濾波器F卷積后的剩余部分。
全文摘要
本發(fā)明公開了一種基于亮度自適應(yīng)水平集的極光卵分割方法，主要解決現(xiàn)有極光卵分割方法分割精度較低、魯棒性較差和適用面較窄的缺陷。其實(shí)現(xiàn)步驟為①采用形態(tài)學(xué)成分分析法對(duì)紫外極光圖像進(jìn)行預(yù)處理；②構(gòu)建一個(gè)形態(tài)學(xué)顯著性圖作為極光卵的形狀特征；③應(yīng)用形態(tài)學(xué)顯著性圖的邊緣曲線對(duì)水平集函數(shù)初始化；④計(jì)算亮度自適應(yīng)的水平集演化速度和停止函數(shù)；⑤根據(jù)亮度自適應(yīng)的水平集演化方程更新水平集函數(shù)；⑥提取更新完成后的零水平集曲線，并將其作為極光卵邊界輸出。本發(fā)明避免了現(xiàn)有分割方法出現(xiàn)的結(jié)果偏移和邊緣泄漏現(xiàn)象，具有分割精度高和魯棒性強(qiáng)的優(yōu)點(diǎn)，可適用于各類紫外極光圖像的分割。
文檔編號(hào)G06K9/38GK102930273SQ20121038869
公開日2013年2月13日 申請(qǐng)日期2012年10月15日 優(yōu)先權(quán)日2012年10月15日
發(fā)明者高新波, 楊曦, 韓冰, 李潔, 趙曉靜, 仇文亮, 楊辰 申請(qǐng)人:西安電子科技大學(xué)