基于邻域概率密度函数特征的水平集图像分割方法技术

本发明专利技术公开了一种基于邻域概率密度函数特征的水平集图像分割方法，主要解决了现有方法不能有效处理自然图像的纹理基元在纹理尺度和纹理方向上的多变性的问题。其实现步骤为：初始化水平集函数；设置水平集函数迭代次数初始值和最大值；计算邻域概率密度函数特征集合；计算子集概率密度函数特征；计算相似性向量；根据水平集演化方程更新水平集函数；判断是否进入循环，如果是，则重新计算子集概率密度函数特征、相似性向量和水平集函数，否则终止循环，将水平集函数的零水平集作为输入图像的分割边界。本发明专利技术由于使用多尺度滑动窗拟合自然图像的纹理基元，较好地处理了纹理基元在纹理尺度和纹理方向上的多变性，可用于自然纹理图像的分割。

【技术实现步骤摘要】

【技术保护点】
一种基于邻域概率密度函数特征的水平集图像分割方法，包括如下步骤：　（１）初始化水平集函数φ↓［０］；　（２）设置初始水平集函数迭代次数ｉ的初始值ｉ↓［０］＝１和最大值Ｎ；　（３）根据设定的多尺度滑动窗的范围，计算待分割图像 中每个像素的不同大小的滑动窗对应的邻域概率密度函数特征ｐｄｆ↓［（ｘ，ｙ）］↑［δ］，将所有邻域概率密度特征组成邻域概率密度特征集合：　ｐｄｆ↓［（ｘ，ｙ）］↑［δ］＝Ｐ（Ｉ（ｘ，ｙ）＝ｉ｜（ｘ，ｙ）Ｉ（ｘ，ｙ，δ））　ｉ∈０，１， …，２↑［ｋ］　其中，Ｉ是输入图像，（ｘ，ｙ）是像素点的坐标，Ｐ（Ｉ（ｘ，ｙ）＝ｉ））表示Ｉ（ｘ，ｙ）像素灰度值等于ｉ的概率，δ是滑动窗的大小，ｉ∈０，１，…，２↑［ｋ］表示像素灰度值ｉ的大小范围，ｋ为幂次，Ｉ（ｘ，ｙ，δ）表示像素（ ｘ，ｙ）的滑动窗尺度大小为δ的像素集合；　（４）计算待分割图像中每类纹理的子集概率密度函数特征：　ｐｄｆ↓［Ω］＝Ｐ（Ｉ（ｘ，ｙ）＝ｉ｜（ｘ，ｙ）∈Ω）　ｉ∈０，１，…，２↑［ｋ］　其中，Ω为某类纹理的全部像素组成的子集 合；　（５）计算邻域概率密度函数特征集合与子集概率密度函数特征的相似性向量　（６）利用相似性向量＊构造新的水平集演化方程，并根据该演化方程对水平集函数进行更新：　＊φ／＊ｔ＝δ（φ）［μ＊ｄｉｖ（▽φ／｜▽φ｜）＋λ↓［ｉ ｎ］＊ｍａｘ（＊↓［ｉｎ］）－λ↓［ｏｕｔ］＊ｍａｘ（＊↓［ｏｕｔ］）］　其中，φ是水平集函数，δ（φ）是Ｄｉｒａｃ函数，ｔ是步长，▽代表梯度算子，ｄｉｖ代表散度算子，＊↓［ｉｎ］代表邻域概率密度特征集合与ｉｎ类纹理特征的相似性向量， ＊↓［ｏｕｔ］代表邻域概率密度特征集合与ｏｕｔ类纹理特征的相似性向量，ｍａｘ代表求取向量的最大值，μ为散度项权系数，λ↓［ｉｎ］为局部纹理与ｉｎ类纹理的相似性权系数，λ↓［ｏｕｔ］为局部纹理与ｏｕｔ类纹理的相似性权系数，μ＞０，λ↓［ｉｎ］，λ↓［ｏｕｔ］＞０；　（７）根据水平集函数的当前迭代次数ｉ和设定的最大迭代次数Ｎ，判断是否终止水平集函数更新，如果ｉ小于Ｎ，则将迭代次数ｉ加１，重复步骤（４）～步骤（６），否则，终止水平集函数更新，并将水平集函数φ的零水平集作为待分 割图像的分割区域边界。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王爽，焦李成，符升高，钟桦，侯彪，田小林，缑水平，朱虎明，苏开亮，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]