可以認(rèn)為P屬于背景， 即P和代表背景的第二終端頂點(diǎn)T有很高的相似度，則p和T連成的邊的權(quán)值是一個(gè)很大 的數(shù)，這里設(shè)成9*109。
[0058] 步驟6:用最大流\最小割算法找到步驟（5)中幾何圖的最小割。
[0059]最大流 \最小割算法是由Boykov和Kolmogorov在《Graphbasedalgorithmsfor scenereconstructionfromtwoormoreviews》中提出的的用來(lái)獲得幾何圖最小割的算 法，其步驟如下：
[0060] 6a)把幾何圖看成是一個(gè)從第一終端頂點(diǎn)S經(jīng)過(guò)中間一系列普通頂點(diǎn)到第二終端 頂點(diǎn)T的網(wǎng)絡(luò)流，找網(wǎng)絡(luò)流的最大流；
[0061] 6al)從任意一個(gè)可行流出發(fā)，使用廣度優(yōu)先搜索法找到一條S到T的增廣路徑；
[0062] 所述可行流是指：給網(wǎng)絡(luò)流中的每條邊一個(gè)流量，若這些流量都不超過(guò)對(duì)應(yīng)邊的 權(quán)值，則稱這些流量構(gòu)成的集合f?為一個(gè)可行流；
[0063] 所述增廣路徑是指：給定一個(gè)可行流f，設(shè)P是從第一終端頂點(diǎn)S到第二終端頂點(diǎn) T的一條路，若P上的每一條邊的流量都小于其權(quán)值，則稱P為關(guān)于可行流f的一條可增廣 路徑；
[0064] 6a2)找出增廣路徑中權(quán)值最小的邊，將此增廣路徑中每條邊的權(quán)值與這個(gè)最小權(quán) 值相減，把得到的差作為對(duì)應(yīng)邊的新的權(quán)值，并去掉新權(quán)值為〇的邊，構(gòu)成新的網(wǎng)絡(luò)流；
[0065]6a3)重復(fù)步驟6al) _6b2)，直至搜索不到新的從第一終端頂點(diǎn)S到第二終端頂點(diǎn) T的增廣路徑，則上一次求得的網(wǎng)絡(luò)流就是最大流；
[0066] 6b)將步驟6a3)中得到的最大流中所有的邊構(gòu)成一個(gè)集合，這個(gè)集合就是一個(gè)最 小割。
[0067] 通過(guò)該最小割把幾何圖分成兩部分，一部分由第一終端頂點(diǎn)S以及S連接的部分 普通頂點(diǎn)組成，這部分普通頂點(diǎn)被標(biāo)號(hào)為1，另一部分由第二終端頂點(diǎn)T以及T連接的部分 普通頂點(diǎn)組成，這部分普通頂點(diǎn)被標(biāo)號(hào)為〇,以對(duì)子圖I1的能量函數(shù)E(C，ci，C2)進(jìn)行更新， 從而驅(qū)動(dòng)子圖I1內(nèi)的輪廓曲線向前景的邊界演化。
[0068] 步驟7:取窄帶區(qū)域內(nèi)的其它像素，重復(fù)步驟（3)到（6)中的操作，直至取完窄帶 區(qū)域內(nèi)所有像素，使圖像I內(nèi)的輪廓曲線C向前景的邊界靠攏。
[0069] 步驟8:重復(fù)步驟⑵到（7)中的操作，直至輪廓曲線C到達(dá)前景邊界，這時(shí)圖像 在輪廓曲線內(nèi)的部分就是前景，在輪廓曲線外的部分就是背景，完成圖像分割。
[0070] 本發(fā)明的效果通過(guò)以下仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明：
[0071] 1.仿真條件與實(shí)驗(yàn)數(shù)據(jù)：
[0072]硬件平臺(tái)為：IntelCorei3、2. 93GHz、3. 45GBRAM;
[0073] 軟件平臺(tái)為：Windows7操作系統(tǒng)下的MATLABR20lib;
[0074] 本發(fā)明所使用的紫外極光數(shù)據(jù)來(lái)自Polar衛(wèi)星攜帶的紫外極光成像儀所拍攝的 1996年12月的紫外極光圖像30幅，大小均為228*200。為了證明本發(fā)明的有效性，本發(fā)明 所使用的灰度不均勻圖像均來(lái)自對(duì)比方法原文。
[0075] 2?仿真內(nèi)容及結(jié)果
[0076] 仿真1:用本發(fā)明和現(xiàn)有紫外極光圖像分割方法對(duì)上述30幅紫外極光圖像同 時(shí)進(jìn)行分割處理，且對(duì)分割結(jié)果進(jìn)行客觀評(píng)價(jià)，評(píng)價(jià)結(jié)果如表1。其中recall是查全率， precision是查準(zhǔn)率，F(xiàn)是查全率與查準(zhǔn)率的綜合，且
[0081] 從表1可見(jiàn)，本發(fā)明在紫外極光圖像的分割上有最高的查全率recall，查準(zhǔn)率 precision僅次于基于直方圖的K均值方法HKM，這是因?yàn)镠KM分割出的極光卵區(qū)域過(guò)小所 致，但當(dāng)把查全率與查準(zhǔn)率綜合起來(lái)看，本發(fā)明有最高的F，因此，本發(fā)明在紫外極光圖像上 的分割準(zhǔn)確率有所提高。
[0082] 為了更直觀的看本發(fā)明的分割效果，我們選取30幅中差別較大的五幅圖像做主 觀評(píng)價(jià)，并與專家標(biāo)定的結(jié)果進(jìn)行比較，結(jié)果如圖2,其中，圖2 (a)為原圖像，圖2 (b)為是自 適應(yīng)最小誤差閾值轉(zhuǎn)換法AMET的分割結(jié)果，圖2 (c)第三列為基于直方圖的K均值方法HKM 的分割結(jié)果，圖2(d)為基于隨機(jī)霍夫變換的線性最小二乘法LLSRHT的分割結(jié)果，圖2(e) 為本發(fā)明分割結(jié)果，圖2(f)為專家手工標(biāo)定的結(jié)果。
[0083] 從圖2可以看出，只有本發(fā)明對(duì)對(duì)比度極低的紫外極光圖像進(jìn)行分割可以得到完 整的極光卵，并且所得分割結(jié)果與專家標(biāo)定結(jié)果大致符合，而其他三種方法得到的結(jié)果與 專家標(biāo)定結(jié)果相比都不理想。
[0084] 仿真2 :為用本發(fā)明與現(xiàn)有方法對(duì)灰度不均勻圖像進(jìn)行分割，結(jié)果如圖3,其中圖 3 (a)本發(fā)明的分割結(jié)果，且第一列為原圖像，第二列為輪廓曲線的演化結(jié)果，第三列為分割 結(jié)果；圖3 (b)為用CV模型分割結(jié)果，且第一列為原圖像，第二列為輪廓曲線的演化結(jié)果，第 三列為分割結(jié)果；圖3 (c)為基于圖割優(yōu)化的主動(dòng)輪廓方法ACBGC的分割結(jié)果，且第一列為 原圖像，第二列為輪廓曲線的演化結(jié)果，第三列為分割結(jié)果。
[0085] 從圖3結(jié)果可以看出，CV模型與基于圖割優(yōu)化的主動(dòng)輪廓方法ACBGC都沒(méi)有正確 的分割出原圖像的真正前景，而本發(fā)明可以正確的分割出原圖像的前景。
[0086] 仿真3 :對(duì)本發(fā)明步驟（3)中的參數(shù)r取不同的值在同一圖像上進(jìn)行仿真，結(jié)果如 圖4,其中圖4(a)為r= 10時(shí)的結(jié)果，圖4(b)為r= 13~17時(shí)的結(jié)果，圖4(c)為r= 20時(shí)的結(jié)果，圖4(d)為r= 25時(shí)的結(jié)果，且圖4第一列為原圖像，第二列為輪廓曲線演化 結(jié)果，第三列為本發(fā)明分割結(jié)果。
[0087] 從圖4可以看出，當(dāng)r= 13~17時(shí)本發(fā)明有最好的分割結(jié)果，當(dāng)r小于13或r大于17時(shí)的分割效果都有所下降，因此，在用本發(fā)明進(jìn)行圖像分割時(shí)，需要根據(jù)步驟3中的 原則選取合適的r值，以使分割效果更好。
【主權(quán)項(xiàng)】
1. 一種基于圖割優(yōu)化的局部主動(dòng)輪廓圖像分割方法，包括如下步驟： (1) 在輸入圖像I上定義初始輪廓曲線C，并對(duì)圖像上的所有像素進(jìn)行標(biāo)號(hào)，即把輪廓 曲線內(nèi)的像素當(dāng)作前景目標(biāo)，標(biāo)號(hào)為1，把輪廓曲線外的像素當(dāng)作背景，標(biāo)號(hào)為O ;(2) 根據(jù)輪廓曲線C構(gòu)造符號(hào)距離函數(shù) d (X，y) < a，得到一個(gè)窄帶區(qū)域N，a為一個(gè)常數(shù)，取值在1到2之間； (3) 以窄帶區(qū)域內(nèi)的第i個(gè)像素點(diǎn)為中心，r為半徑做一個(gè)圓域，用這個(gè)圓域的外接正 方形為邊界的區(qū)域作為圖像I的一個(gè)子圖I1，其中r的值在8到40之間； (4) 在子圖上分別計(jì)算輪廓曲線內(nèi)像素的灰度均值C1、輪廓曲線外像素的灰度均值C2 和能量函數(shù)E (C, C1, c2):其中，μ為控制輪廓曲線光滑程度的參數(shù)，取μ >〇, Xp，Xq為子圖中相鄰兩像素 P，q 的標(biāo)號(hào)，取值只能為0或1 ; (5) 將步驟（3)得到的子圖^映射為一個(gè)包含兩種頂點(diǎn)和兩種邊的幾何圖，這兩種頂 點(diǎn)分別是普通頂點(diǎn)和終端頂點(diǎn)，其中普通頂點(diǎn)對(duì)應(yīng)于子圖I 1中的每個(gè)像素，終端頂點(diǎn)對(duì)應(yīng) 于子圖I1中前景部分和背景部分，即把前景作為第一終端頂點(diǎn)S，把背景作為第二終端頂點(diǎn) T，兩種邊分別是n-links和t-links，其中n-links邊對(duì)應(yīng)于每?jī)蓚€(gè)相鄰的普通頂點(diǎn)的連 線，且以步驟（4)得到的能量函數(shù)E(C， Cl，C2)為權(quán)值，t-links邊對(duì)應(yīng)于每個(gè)普通頂點(diǎn)和2 個(gè)終端頂點(diǎn)的連線，其權(quán)值按以下規(guī)則設(shè)置： 如果第一終端頂點(diǎn)S與第二終端頂點(diǎn)T連接的普通頂點(diǎn)p滿足（I (p) -C J2 < (I (p)-c2)2,則將p與S連成的t-links邊的權(quán)值設(shè)為9*109,這里"9*10 9"表示9和IO9 相乘； 如果第一終端頂點(diǎn)S與第二終端頂點(diǎn)T連接的普通頂點(diǎn)p滿足（I(p)-Cl)2> (I (p)-c2)2，則將p與T連成的t-links邊的權(quán)值設(shè)為9*109; (6) 用最大流\最小割算法找到步驟（5)中幾何圖的最小割，以將幾何圖分成兩部分， 一部分由第一終端頂點(diǎn)S以及S連接的部分普通頂點(diǎn)組成，這部分普通頂點(diǎn)被標(biāo)號(hào)為1，另 一部分由第二終端頂點(diǎn)T以及T連接的部分普通頂點(diǎn)組成，這部分普通頂點(diǎn)被標(biāo)號(hào)為0,以 對(duì)子圖I 1的能量函數(shù)E(C，Cl，C2)進(jìn)行更新，從而驅(qū)動(dòng)子圖I1R的輪廓曲線向前景的邊界演 化； (7) 取窄帶區(qū)域內(nèi)的其它像素，重復(fù)步驟（3)到（6)中的操作，直至取完窄帶區(qū)域內(nèi)所 有像素，使圖像I內(nèi)的輪廓曲線C向前景的邊界靠攏； (8) 重復(fù)步驟（2)到（7)中的操作，直至輪廓曲線C到達(dá)目標(biāo)邊界，這時(shí)圖像在輪廓曲 線內(nèi)的部分就是前景，在輪廓曲線外的部分就是背景，完成圖像分割。2. 根據(jù)權(quán)利要求1所述的基于圖割優(yōu)化的局部主動(dòng)輪廓圖像分割方法，其中步驟（1) 所述的在輸入圖像上定義初始輪廓曲線C，是根據(jù)輸入圖像類型進(jìn)行： 若輸入圖像為紫外極光圖像，則首先用基于隨機(jī)霍夫變換的線性最小二乘方法得到初 步分割結(jié)果，然后提取初步分割結(jié)果的邊界作為初始輪廓曲線； 若輸入圖像為其他類型的圖像，則用戶自定義初始輪廓曲線，該初始輪廓曲線必須要 與前景接觸。3. 根據(jù)權(quán)利要求1所述的基于圖割優(yōu)化的局部主動(dòng)輪廓圖像分割方法，其中所述步驟 (6)中用最大流\最小割算法找到幾何圖的最小割，按如下步驟進(jìn)行： 6a)把幾何圖看成是一個(gè)從第一終端頂點(diǎn)S經(jīng)過(guò)中間一系列普通頂點(diǎn)到第二終端頂點(diǎn) T的網(wǎng)絡(luò)流，找網(wǎng)絡(luò)流的最大流； 6al)從任意一個(gè)可行流出發(fā)，使用廣度優(yōu)先搜索法找到一條S到T的增廣路徑； 所述可行流是指：給網(wǎng)絡(luò)流中的每條邊一個(gè)流量，若這些流量都不超過(guò)對(duì)應(yīng)邊的權(quán)值， 則稱這些流量構(gòu)成的集合f為一個(gè)可行流； 所述增廣路徑是指：給定一個(gè)可行流f·，設(shè)P是從第一終端頂點(diǎn)S到第二終端頂點(diǎn)T的 一條路，若P上的每一條邊的流量都小于其權(quán)值，則稱P為關(guān)于可行流f的一條可增廣路 徑； 6a2)找出增廣路徑中權(quán)值最小的邊，將此增廣路徑中每條邊的權(quán)值與這個(gè)最小權(quán)值相 減，把得到的差作為對(duì)應(yīng)邊的新的權(quán)值，并去掉新權(quán)值為〇的邊，構(gòu)成新的網(wǎng)絡(luò)流； 6a3)重復(fù)步驟6al)-6b2)，直至搜索不到新的從第一終端頂點(diǎn)S到第二終端頂點(diǎn)T的 增廣路徑，則上一次求得的網(wǎng)絡(luò)流就是最大流； 6b)將步驟6a3)中得到的最大流中所有的邊構(gòu)成一個(gè)集合，這個(gè)集合就是一個(gè)最小 割。
【專利摘要】本發(fā)明公開(kāi)了一種基于圖割優(yōu)化的局部主動(dòng)輪廓圖像分割方法，主要解決現(xiàn)有紫外極光分割方法分割出的極光卵邊界不準(zhǔn)確的問(wèn)題。其技術(shù)方案是：1.在輸入圖像上定義初始輪廓C；2.根據(jù)初始輪廓構(gòu)造一個(gè)窄帶區(qū)域；3.以窄帶區(qū)域內(nèi)的像素i為中心，在輸入圖像上取子圖Ii；4.在子圖上Ii分別計(jì)算能量函數(shù)E(C,c1,c2)；5.將子圖Ii映射為一個(gè)幾何圖；6.用最大流\最小割算法找到幾何圖的最小割；7.重復(fù)步驟3-6，直至取完窄帶區(qū)域內(nèi)所有像素；8.重復(fù)步驟2-7，直至輪廓曲線C到達(dá)前景邊界，完成圖像分割。本發(fā)明提高了紫外極光圖像的分割精度，并能對(duì)灰度不均勻的圖像進(jìn)行準(zhǔn)確分割，可用于極光卵位置預(yù)測(cè)及目標(biāo)檢測(cè)。
【IPC分類】G06T7/00
【公開(kāi)號(hào)】CN105069798
【申請(qǐng)?zhí)枴緾N201510496149
【發(fā)明人】韓冰, 張麗霞, 高新波, 李潔, 王平, 楊曦, 魏國(guó)威
【申請(qǐng)人】西安電子科技大學(xué)
【公開(kāi)日】2015年11月18日
【申請(qǐng)日】2015年8月12日