发明专利技术提供了一种基于全局高斯分布和统计范数的全局图像分割方法，涉及图像处理和应用技术领域，包括：基于全局高斯分布和统计范数构建能量泛函；能量泛函中包含用于表征图像分割结果的水平集函数；获取待分割图像的像素坐标；将待分割图像的像素坐标输入能量泛函，并对能量泛函中的水平集函数进行迭代运算，直至当前轮次迭代计算得到的能量泛函值与上一轮次迭代计算得到的能量泛函值之间的差值小于预设精度阈值，结束循环迭代计算；输出待分割图像的最终水平集函数；在每次迭代计算后，若未达到结束循环迭代计算的条件则对当前的水平集函数进行更新，并利用更新后的水平集函数进行下一轮次的迭代更新。本方案能够提高图像分割的精度。
【技术实现步骤摘要】
本专利技术涉及图像处理和应用，特别涉及一种基于全局高斯分布和统计范数的全局图像分割方法。
技术介绍
1、图像是人们日常生活中传递信息的载体之一，目前人们对于图像技术的探索已经延伸到各个方面，已广泛应用于目标检测、医学图像处理、工业、人脸识别和智能交通等领域。而图像处理随着科技的不断进步也变得非常重要，其中图像分割就是图像处理中一个很重要的领域。图像分割主要是将一幅图像划分为若干个不重叠的区域，并将图像中目标区域分割出来，为后续的图像分析与图像理解提供了依据。因此，如何获得较好的图像分割结果、提高分割的精度和效率已成为图像分割的关键问题之一。
2、目前常用的图像分割方式为基于局部水平集的分割方式，其在分割强度不均匀的图像具有良好的效果，使用局部统计特征，能够在强度不均匀的情况下提高分割精度。然而，由于该方法失去了全局特征，对轮廓的初始位置高度敏感。同时，当算法在处理高噪声的图像时，现有方案也可能表现不佳的情况，因为噪声会引起局部强度的变化，这可能被轮廓错误地捕获，导致错误分割。因此，现有的图像分割方案对图像进行分割的精度较差。
技术实现思路
1、有鉴于此，针对以上不足，有必要提出一种基于全局高斯分布和统计范数的全局图像分割方法，以提高图像分割的精度。
2、第一方面，本专利技术提供了一种基于全局高斯分布和统计范数的全局图像分割方法，包括：
3、基于全局高斯分布和统计范数构建能量泛函；其中，所述能量泛函中包含用于表征图像分割结果的水平集函数；
<
p>4、获取待分割图像的像素坐标；5、将所述待分割图像的像素坐标输入所述能量泛函，并基于梯度下降法对所述能量泛函中的水平集函数进行迭代运算，直至当前轮次迭代计算得到的能量泛函值与上一轮次迭代计算得到的能量泛函值之间的差值小于预设精度阈值，结束循环迭代计算；
6、输出所述待分割图像的最终水平集函数；
7、其中，在每次迭代计算后，若未达到结束循环迭代计算的条件，则对当前的水平集函数进行更新，并利用更新后的水平集函数进行下一轮次的迭代更新。
8、优选的，所述基于全局高斯分布和统计范数构建能量泛函，包括：从图像的全局信息出发，对于待分割图像中的每个像素，将全局均值和方差作为变量定义一个全局高斯分布拟合能量，并对所有像素点的拟合能量进行积分，构建得到能量泛函。
9、优选的，构建所述能量泛函具体包括：
10、从统计学角度分别利用不同均值和方差的全局高斯分布描述所述拟合能量，并构建如下初级能量泛函：
11、
12、其中，是定义为高斯分布的全局区域强度的概率密度函数，i＝1,2，ω1和ω2分别为待分割图像轮廓c的内部区域和外部区域，则可以得到如下能量泛函：
13、
14、其中，表征能量泛函，φ为水平集函数，x为待分割图像i(x)中的像素坐标，μi(x)为全局均值，为全局方差，为x处的灰度值与平均强度值μi(x)的偏差程度，λ(x)为调整与μi(x)的偏差的乘数，α1和α2均为固定的平衡参数，h(φ(x))是heaviside函数。
15、优选的，所述基于梯度下降法对所述能量泛函中的水平集函数进行迭代运算，包括：
16、步骤s31：配置初始迭代参数；其中，所述迭代参数包括初始能量泛函值；
17、步骤s32：分别计算当前能量泛函关于μi(x)、λ(x)的偏导数；
18、步骤s33：令计算得到的各偏导数为0，并利用待分割图像的像素坐标分别计算得到μi(x)、λ(x)的计算值；
19、步骤s34：将计算得到的μi(x)、λ(x)的计算值带入当前能量泛函，得到能量泛函值；
20、步骤s35：判断当前计算得到的能量泛函值与上一次迭代计算得到的能量泛函值之间的差值是否小于预设精度阈值；若是，则结束迭代运算；否则，对当前能量泛函中的水平集函数进行更新后，返回步骤s32执行。
21、优选的，步骤s35中，所述对当前能量泛函中的水平集函数进行更新，包括：
22、计算所述当前能量泛函关于水平集函数的偏导数；
23、利用当前能量泛函关于水平集函数的偏导数对当前能量泛函中的水平集函数进行更新，并将水平集函数更新后所形成的新的能量泛函作为下一次迭代运算的能量泛函。
24、优选的，所述利用当前能量泛函关于水平集函数的偏导数对当前能量泛函中的水平集函数进行更新，包括：
25、利用如下计算式对所述水平集函数进行更新：
26、
27、其中，δt为时间步长。
28、优选的，在构建所述能量泛函之后，进一步包括：
29、利用如下正则化项对所构建的能量泛函进行修正，以保证曲线演化过程中水平集函数的光滑；
30、
31、其中，p(φ(x))为所述正则化项，为水平集函数的梯度。
32、优选的，所述预设精度阈值为10-3。
33、第二方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机中执行时，令计算机执行如第一方面中任一所述的方法。
34、第三方面，本专利技术提供了一种计算设备，包括存储器和处理器，存储器中存储有可执行代码，处理器执行可执行代码时，实现如第一方面中任一所述的方法。
35、由上述技术方案可知，在基于本方案对全局图像进行分割时，首先基于全局高斯分布和统计范数构建能量泛函，然后获取待分割图像的像素坐标后输入到能量泛函中，进一步基于梯度下降法对能量泛函中的水平集函数进行迭代运算，直到当前迭代计算得到的能量泛函值与上一轮次得到的能量泛函值之间的差值小于预设精度阈值，则结束循环迭代计算，输出待分割图像的最终水平集函数。由此可见，为解决由于缺少全局特征导致对轮廓的初始位置和噪声高度敏感的问题，本方案从图像的全局信息出发，基于具有统计规律特性的高斯分布的全局区域强度的概率密度函数构建能量泛函，不仅能够以全局均值和方差作为变量对待分割图像的每个像素点特征进行考量，而且通过高斯分布统计特性能够衡量像素之间的相似性，从而更加精确地在复杂背景下识别出目标区域的边界。因此，本方案能够提高图像分割的精度。
本文档来自技高网...
【技术保护点】
1.一种基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，所述基于全局高斯分布和统计范数构建能量泛函，包括：从图像的全局信息出发，对于待分割图像中的每个像素，将全局均值和方差作为变量定义一个全局高斯分布拟合能量，并对所有像素点的拟合能量进行积分，构建得到能量泛函。
3.根据权利要求2所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，构建所述能量泛函具体包括：
4.根据权利要求3所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，所述基于梯度下降法对所述能量泛函中的水平集函数进行迭代运算，包括：
5.根据权利要求4所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，步骤S35中，所述对当前能量泛函中的水平集函数进行更新，包括：
6.根据权利要求5所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，所述利用当前能量泛函关于水平集函数的偏导数对当前能量泛函中的水平集函数进行更新，包括：
7.根据权利要求3所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，在构建所述能量泛函之后，进一步包括：
8.根据权利要求1所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，所述预设精度阈值为10-3。
9.一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机中执行时，令计算机执行如权利要求1-8中任一所述的方法。
10.一种计算设备，包括存储器和处理器，存储器中存储有可执行代码，处理器执行可执行代码时，实现权利要求1-8中任一所述的方法。
...
【技术特征摘要】
1.一种基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，包括：
2.根据权利要求1所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，所述基于全局高斯分布和统计范数构建能量泛函，包括：从图像的全局信息出发，对于待分割图像中的每个像素，将全局均值和方差作为变量定义一个全局高斯分布拟合能量，并对所有像素点的拟合能量进行积分，构建得到能量泛函。
3.根据权利要求2所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，构建所述能量泛函具体包括：
4.根据权利要求3所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，所述基于梯度下降法对所述能量泛函中的水平集函数进行迭代运算，包括：
5.根据权利要求4所述的基于全局高斯分布和统计范数的全局图像分割方法，其特征在于，步骤s35中，...
【专利技术属性】
技术研发人员：刘国军，刘相国，马月梅，岳靖，
申请(专利权)人：宁夏大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。