混合高斯分布模型的活动轮廓图像分割方法技术

本发明专利技术公开一种基于混合高斯分布模型的活动轮廓图像分割方法，其包括：根据现有活动轮廓模型LGDF提出一种新的同时考虑图像全局范围内灰度的高斯分布与局部范围内灰度的高斯分布特性，然后将两种不同范围内的高斯分布模型整合到一个能量泛函中，以有效利用图像的全局信息与局部信息在图像分割中的作用；此外，为了保证分割结果曲线的光滑性和不合理弯曲造成的曲线长度问题，距离偏移和曲线长度两种不同的惩罚约束项被引入到能量泛函中；最后，以变分水平集的方法执行能量泛函的求解，实现目标轮廓的全自动提取。本发明专利技术公开基于混合高斯分布模型的活动轮廓图像分割方法能够在不同图像背景和灰度均匀性情况下较为准确地提取图像中的目标物体。

【技术实现步骤摘要】

本专利技术属于图像分割与目标探测领域，具体涉及一种混合高斯分布模型的活动轮廓图像分割方法。
技术介绍
图像分割是一个根据图像灰度特性使图像中的目标物体与背景区域彼此分离的影像处理技术，该技术能够加深人们对图像理解与分析、计算机视觉、以及目标探测等领域的认识，而得到深入的研究和广泛的应用。在图像分割领域，人们提出了各种各样的算法提出目标物体，包括区域生长法、基于分类的分割法、分水岭算法、以及活动轮廓模型等算法；其中，基于活动轮廓模型的分割算法是较为热门的一个研究分支，该类算法能够得到具有较高分割精度且轮廓曲线平滑的分割结果。然而，基于活动轮廓模型的分割算法不仅与图像的背景复杂性和灰度分布均匀性有关，而且与轮廓模型具有的特性密切相关。如何有效构建一个好的轮廓模型是一个需要考虑多方面因素(如图像噪声、背景复杂性、图像对比度、灰度不均等)的复杂问题。此为，充分利用图像本身的特性构建一个具有较强前景背景辨别力的轮廓模型是图像分割必须考虑的重要问题。为使活动轮廓模型能够具有较强的图像前景与背景辨别能力，同时能够有效降低和避免图像对比度低、噪比大、及灰度不均匀严重等不利条件的影响，就需要从图像全局与局部范围内考虑目标物体与背景区域间的图像纹理关系。常见的做法是在一定大小的图像局部区域内考虑每个像素与局部灰度均值之间的关系，通过合理使用局部灰度均值这一重要信息量构建一个活动轮轮廓模型，执行图像的分割任务。因此，如何构建一个轮廓模型同时兼顾图像全局与局部灰度信息，并以一个高效的方式将两种信息整合到一起，成为基于活动轮廓模型进行图像分割面临的一个具有挑战性的任务。基于活动轮廓模型的图像分割算法经过几十年的发展，已有大量的活动轮廓模型被提出来用于各种不同的图像分割应用中。这些活动轮廓分割算法根据模型中能量泛函中使用图像信息的不同，通常被粗略地分为基于边界(edge-based)和基于区域(region-based)的活动轮廓模型。基于边界的活动轮廓模型一般使用图像梯度近似目标物体的边界，吸引初始轮廓曲线向目标物体靠近。由于图像梯度的计算依赖于局部范围内的像素灰度信息，从而导致基于边界的算法对图像噪声和初始轮廓曲线的位置较为敏感。当图像噪声较为严重或者初始轮廓曲线偏离目标物体边界较为严重，将直接影响活动轮廓模型分割算法的性能，使分割结果较为粗糙而无法满足实际的目标分割需求。这些不足导致该类算法只能分割具有较强灰度对比度噪声较小的图像，且提供好的初始轮廓曲线。这直接导致基于区域的活动轮廓模型的流行，但基于区域的模型需要克服像素灰度分布不均的问题，以避免在分割目标物体的时候将不相关的背景信息一同提取出来。
技术实现思路
为了解决上述技术问题，本专利技术主要针对基于区域的活动轮廓模型分割算法存在的上述不足，提出一种混合高斯分布模型的活动轮廓图像分割方法，以解决图像中复杂背景信息和严重灰度不均匀特性导致的分割结果粗略，准确性低以及较为耗时等问题，从而准确完整地提取图像中具有不同形状和大小的目标物体。实现本专利技术目的的思路为：借鉴现有的LGDF活动轮廓模型，通过该模型中像素灰度的高斯分布模型，可以分析出在图像全局范围内的像素灰度高斯分布模型。在全局范围内，根据像素灰度的高斯分布模型可以构建一个全局高斯分布的拟合能量泛函(globalGaussiandistributionfittingenergy，GGDF)，同时为了充分利用图像的局部纹理信息，还需要对GGDF模型分割算法进行改进，以引入局部灰度信息，达到准确完整地分割出目标物体的目的。具体改进步骤如下：为了达到上述目的，本专利技术的技术方案如下：混合高斯分布模型的活动轮廓图像分割方法，具体包括以下内容：在全局图像区域内计算像素灰度的高斯分布模型，并借鉴LGDF模型提出一个全局高斯分布的能量泛函，即GGDF模型；然后在局部区域内，求解像素灰度的高斯分布模型，并用局部灰度平均值替换GGDF模型中的像素灰度全局平均值，进而得到一个同时考虑图像全局与局部灰度的混合高斯分布的能量泛函，对改进后的GGDF模型的能量泛函中引入轮廓曲线约束项；通过变分求解框架模块构建能量泛函后，使用变分水平集的求解框架进行数学计算，即目标物体的轮廓以高维度隐式水平集的方法表示，然后通过梯度下降流和欧拉-拉格朗日方程将能量泛函转化为一个与时间相关的偏微分方程，通过逐次迭代的方式推动初始轮廓曲线的演化直到轮廓曲线得到所需目标物体的边界而得到能量泛函的最优值。进一步，在上述方法中，根据现存的LGDF活动轮廓模型，建立图像全局与局部范围内像素灰度的高斯分布模型，其中，局部高斯分布模型可参考LGDF模型得到计算公式为：公式中，x为第i个局部区域的中心像素坐标，y为该邻域内的任意像素点的坐标位置，ui(x)和σi(x)分别为局部范围内的灰度权重平均值和标准差，ω(x，y)用于限定图像的局部区域，a和τ分别为尺度参数；根据灰度局部高斯分布模型，可得到图像全局范围内的灰度高斯分布公式：式中，i用以标识图像中的前景或背景区域，ci和σi分别为全局范围内前景或背景像素灰度的平均值和标准差。进一步，在上述方法中，为了同时使用图像全局与局部范围内像素灰度的高斯分布模型，构建一个混合高斯分布的能量泛函具体步骤如下：借鉴现有的LGDF活动轮廓模型，构建一个仅基于图像全局的GGDF活动轮廓模型，用以区分全局范围内所需的目标物体与图像背景，GGDF模型的具体计算公式如下：其中，λi为图像范围内前景或背景像素高斯分布模型对应的权重参数；对GGDF模型进行适当的修改，并将图像局部信息引入到该模型中改善模型的图像分割性能，具体的做法是：将GGDF模型中的灰度平均值ci和标准差σi替换为：改进后的GGDF模型同时使用了图像全局与局部灰度信息，因而能够更好地分割所需目标物体，并到达图像分割的全局最优解；对在GGDF模型的能量泛函中增加两个轮廓曲线的惩罚约束项，它们的计算公式为：其中，υ，μ分别为轮廓曲线平滑性和曲线长度的权重系数；φ(x)为零水平集函数，H(·)为单位阶跃函数。进一步，在上述方法中，变分求解框架中所述的求解能量泛函的步骤如下：变分水平集方法中梯度下降流的计算公式为：根据该公式将能量泛函转化为偏微分方程的形式为：本专利技术一种混合高斯分布模型的活动轮廓图像分割方法能够较为准确完整地提取图像中各种不同形状与大型的目标物体，为图像分析与理解提供有效的辅助。附图说明图1是本专利技术实施例提供的混合高斯分布模型的活动轮廓图像分割方法流程图；图2A-D是本专利技术仿真实验中的原始图像、初始轮廓曲线、迭代50和100次的中级结果图之一；图3A-D是本专利技术仿真实验中的原始图像、初始轮廓曲线、迭代50和100次的中级结果图之二；图4A-D是本专利技术仿真实验中的原始图像、初始轮廓曲线、迭代50和100次的中级结果图之三；图5A-C是本专利技术仿真实验中的原始图像、初始轮廓曲线、以及最终分割结果图之一；图6A-C是本专利技术仿真实验中的原始图像、初始轮廓曲线、以及最终分割结果图之二；图7是本专利技术的方法与现有活动轮廓模型算法在图像分割中的结果对比图之一；图8是本专利技术的方法与现有活动轮廓模型算法在图像分割中的结果对比图之二。具体实施方式下面结合附图详细说明本专利技术的优选实施方式。为了达到本本文档来自技高网...

【技术保护点】
混合高斯分布模型的活动轮廓图像分割方法，其特征在于，具体包括以下内容：在全局图像区域内计算像素灰度的高斯分布模型，并借鉴LGDF模型提出一个全局高斯分布的能量泛函，即GGDF模型；然后在局部区域内，求解像素灰度的高斯分布模型，并用局部灰度平均值替换GGDF模型中的像素灰度全局平均值，进而得到一个同时考虑图像全局与局部灰度的混合高斯分布的能量泛函，对改进后的GGDF模型的能量泛函中引入轮廓曲线约束项；通过变分求解框架模块构建能量泛函后，使用变分水平集的求解框架进行数学计算，即目标物体的轮廓以高维度隐式水平集的方法表示，然后通过梯度下降流和欧拉‑拉格朗日方程将能量泛函转化为一个与时间相关的偏微分方程，通过逐次迭代的方式推动初始轮廓曲线的演化直到轮廓曲线得到所需目标物体的边界而得到能量泛函的最优值。

【技术特征摘要】
1.混合高斯分布模型的活动轮廓图像分割方法，其特征在于，具体包括以下内容：在全局图像区域内计算像素灰度的高斯分布模型，并借鉴LGDF模型提出一个全局高斯分布的能量泛函，即GGDF模型；然后在局部区域内，求解像素灰度的高斯分布模型，并用局部灰度平均值替换GGDF模型中的像素灰度全局平均值，进而得到一个同时考虑图像全局与局部灰度的混合高斯分布的能量泛函，对改进后的GGDF模型的能量泛函中引入轮廓曲线约束项；通过变分求解框架模块构建能量泛函后，使用变分水平集的求解框架进行数学计算，即目标物体的轮廓以高维度隐式水平集的方法表示，然后通过梯度下降流和欧拉-拉格朗日方程将能量泛函转化为一个与时间相关的偏微分方程，通过逐次迭代的方式推动初始轮廓曲线的演化直到轮廓曲线得到所需目标物体的边界而得到能量泛函的最优值。2.根据权利要求1所述的混合高斯分布模型的活动轮廓图像分割方法，其特征在于，根据现存的LGDF活动轮廓模型，建立图像全局与局部范围内像素灰度的高斯分布模型，其中，局部高斯分布模型可参考LGDF模型得到计算公式为：pi,x(I(y))=12πσi(x)exp(-(ui(x)-I(y))22σi(x)2),i=1,2,...N]]>ω(x,y)=1aexp(-|x-y|22τ2)]]>公式中，x为第i个局部区域的中心像素坐标，y为该邻域内的任意像素点的坐标位置，ui(x)和σi(x)分别为局部范围内的灰度权重平均值和标准差，ω(x，y)用于限定图像的局部区域，a和τ分别为尺度参数；根据灰度局部高斯分布模型，可得到图像全局范围内的灰度高斯分布公式：pi(I(x))=12πσiexp(-(ci-I(x))22σi2),i=1,2]]>式中，i用以标识图像中的前景或背景区域，ci和σi分别为全局范围内前景或背景像素灰度的平均值和标准差。3.根据权利要求1所述的混合高斯分布模型的活动轮廓图像分割方法，其特征在于，为了同时使用图像全局与局部范围内像素灰度的高斯分布模型，构建一个混合高斯分布的能量泛函具体步骤如下：借鉴现有的LGDF活动轮廓模型，构建一个仅基于图像全局的GGDF活动轮廓模型，用以区分全局范围内所需的目标物体与图像背景，GGDF模型的具体计算公式如下：EHGD=-Σi=12λi∫Ωilogpi(I(x))Hi(φ)dx+R(φ)]]>p...

【专利技术属性】
技术研发人员：王雷，常严，陈光强，杨毅，杨晓冬，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：江苏;32