CN106056611B - 基于区域信息和边缘信息的水平集图像分割方法及其*** - Google Patents
基于区域信息和边缘信息的水平集图像分割方法及其*** Download PDFInfo
- Publication number
- CN106056611B CN106056611B CN201610390119.3A CN201610390119A CN106056611B CN 106056611 B CN106056611 B CN 106056611B CN 201610390119 A CN201610390119 A CN 201610390119A CN 106056611 B CN106056611 B CN 106056611B
- Authority
- CN
- China
- Prior art keywords
- level set
- image
- function
- energy
- zero level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于区域信息和边缘信息的水平集图像分割方法及其***,根据图像的区域信息和边缘信息,构建能量泛函并初始化水平集函数,得到初始水平集函数;采用梯度下降流方法得到水平集函数演化方程,并基于能量泛函依次进行粗分割阶段和平滑阶段的水平集函数演化处理,进行图像的大致分割和精确定位,得到分割后的图像;所述的***包括:初始化模块、水平集函数演化模块、颜色方差计算模块和分割结果输出模块;本发明减少了水平集函数的迭代次数,提高了水平集对彩色图的分割定位能力。
Description
技术领域
本发明涉及的是一种图像处理领域的技术,具体是一种基于区域信息和边缘信息的水平集图像分割方法及其***。
背景技术
水平集方法由Osher和Sethian提出,其基础思想就是利用高维函数的零水平集来表示轮廓。由于其自由拓扑性,近些年来被广泛应用于图像分割。水平集的能量模型主要分为两种,基于区域的模型和基于边缘的模型。基于区域的模型依靠区域检测算子来驱动水平集函数演化过程,如Chan和Vese提出的C‐V模型,该模型利用颜色方差作为区域检测算子,同时加入轮廓长度和面积约束,但是没有边缘检测项,在演化过程中对边缘的定位不够精确。
基于边缘检测的模型主要依靠边缘检测算子来定位目标边缘,如Li Chunming提出的一种基于边缘检测的模型,加入了内部能量项,可以在演化过程中自我规范,不需要重新初始化为距离函数,但这种方法演化较慢,而且受到水平集初始化影响较大。近些年来,许多学者也在改进水平集函数,充分考虑图像的区域信息和边缘信息。
经过对现有技术的检索发现,中国专利文献号CN104715484A,公布日2015.6.17,公开了一种基于改进的水平集的自动肿瘤区域分割方法,包括:获取包含病变区域的待分割的原始PET图像并进行预处理和定位从而确定预处理后的待分割病变区域PET图像;根据病变区域的CT图像和所述预处理后的待分割病变区域PET图像构造超图,从而初步确定PET图像中的粗略肿瘤区域为初始零水平集;对所述初始零水平集执行改进的水平集方法从而确定肿瘤区域;根据形态学运算对所述肿瘤区域执行边缘平滑处理。但该技术缺少水平集函数的自我规范项,演化过程中易出现奇点,且没有充分利用边缘信息,水平集函数的初始化不够灵活,导致应用范围受限,不易于扩展应用到其他种类图像的分割。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于区域信息和边缘信息的水平集图像分割方法及其***,通过初始水平集函数,结合区域信息和边缘信息,对输入的彩色图像进行大致分割和边缘平滑,减少迭代运算次数,提高定位能力。
本发明是通过以下技术方案实现的:
本发明涉及一种基于区域信息和边缘信息的水平集图像分割方法,根据图像的区域信息和边缘信息,构建能量泛函并初始化水平集函数,得到初始水平集函数;采用梯度下降流方法得到水平集函数演化方程,并基于能量泛函依次进行粗分割阶段和平滑阶段的水平集函数演化处理,进行图像的大致分割和精确定位,得到分割后的图像。
所述的区域信息是指图像的颜色信息。
所述的边缘信息是指图像的梯度信息。
所述的能量泛函为内部能量和外部能量的和。
所述的内部能量包括自规范能量和零水平集表示的轮廓线长度。
所述的内部能量其中:为水平集函数表示在零水平集内部,表示在零水平集外部,表示零水平集),μ和α分别为自规范能量和零水平集表示的轮廓线长度的权值,为自规范能量,为零水平集表示的轮廓线的长度。
所述的自规范能量其中:为水平集函数的梯度,(x,y)为图像的像素坐标。
所述的零水平集表示的轮廓线长度其中:g为边缘检测算子,δ()为Dirac函数。
所述的Dirac函数
所述的边缘检测算子其中:G为高斯核函数,σ为预设的尺度参数,I为向量形式的图像三通道原始灰度值。
所述的外部能量为零水平集内和零水平集外的颜色信息方差之和。
所述的零水平集内的颜色信息方差其中:λ1为外部能量在零水平集内的权值,m1为向量形式的零水平集内部灰度均值,H()为Heaviside函数。
所述的Heaviside函数
所述的Heaviside函数H()与Dirac函数δ()的关系为: ε为Heaviside函数正则化参数。
所述的零水平集内部灰度均值
所述的零水平集外颜色信息方差其中:λ2为外部能量在零水平集内的权值,m2为向量形式的零水平集外部灰度均值。
所述的零水平集外部灰度均值
所述的能量泛函为:
所述的初始水平集函数其中:c0为权值系数,R为输入的图像的高度,C为输入的图像的宽度。
所述的水平集函数的演化方程在图像为黑白图像时: 其中:为水平集函数的演化方向,t为时间;其中:为水平集函数的拉普拉斯离散,div()为散度;在图像为彩色图像时,
所述的粗分割阶段的演化是指:将外部能量中的权值设定为比内部能量中的权值大的数值进行演化,直到满足该阶段演化停止条件。
所述的平滑阶段的演化是指:将外部能量中的权值设定为比内部能量中的权值小的数值进行演化,直到满足该阶段演化停止条件。
本发明涉及一种实现上述方法的***,包括:初始化模块、水平集函数演化模块、颜色方差计算模块和分割结果输出模块,其中:水平集函数演化模块根据初始化模块提供的原始图像、初始参数和初始水平集函数,以及颜色方差计算模块根据初始化模块提供的原始图像得到的颜色方差矩阵进行水平集函数演化处理,向颜色方差计算模块反馈水平集函数信息,并将演化结果通过水平集函数输出至分割结果输出模块,得到分割后的图像。
技术效果
与现有技术相比,本发明通过初始水平集函数,结合区域信息和边缘信息,经过粗分割和平滑两个阶段的演化,实现了图像的分割,并且边缘定位精确,迭代次数少,演化过程中引入的内部能量避免了水平集函数出现奇点,减少运算量,加快演化速度。
附图说明
图1为图像分割方法流程示意图;
图2为实施例输入图像及其groundtruth图;
图中:(a)为输入图像,(b)为groundtruth图;
图3为第一阶段演化的结果;
图中:(a)为零水平集表示的轮廓,(b)为分割结果;
图4为第二阶段演化的结果;
图中:(a)为零水平集表示的轮廓,(b)为分割结果;
图5为图像分割***示意图;
图6为图像分割***输入输出效果图;
图中:(a)、(d)和(g)为输入图像,(b)、(e)和(h)为相应的groundtruth图,(c)、(f)和(i)为相应的分割结果。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本实施例涉及一种基于区域信息和边缘信息的水平集图像分割方法,包括以下步骤:
步骤1、输入图像,根据图像的区域信息和边缘信息,构建对应的能量泛函。
如图2(a)所示,输入的图像为400×380像素彩色图,采用HSV三颜色通道。
所述的区域信息是指图像的颜色信息。
所述的边缘信息是指图像的梯度信息。
所述的能量泛函其中:为内部能量,为外部能量。
所述的内部能量其中:为水平集函数表示在零水平集内部,表示在零水平集外部,表示零水平集),μ和α分别为预设的自规范能量和零水平集表示的轮廓线长度的权值,为自规范能量,为零水平集表示的轮廓线的长度。
所述的自规范能量和零水平集表示的轮廓线长度的权值u和α的初始值为u0和α0。
所述的自规范能量其中:为水平集函数的梯度,(x,y)为图像的像素坐标。
所述的零水平集表示的轮廓线长度其中:g为边缘检测算子,δ()为Dirac函数。
所述的Dirac函数
所述的边缘检测算子其中:G为高斯核函数,σ为预设的尺度参数,I为向量形式的图像的三通道原始灰度值。
所述的边缘检测算子g通过以下方法计算:对输入的图像进行高斯平滑,得到平滑之后的图像,对平滑后的图像求梯度,得到x和y方向的梯度Ix,Iy;对梯度求模:f=Ix.^2+Iy.^2,可得边缘检测算子g=1/(1+f)。
所述的外部能量其中:为零水平集内颜色信息方差,为零水平集外颜色信息方差。
所述的零水平集内的颜色信息方差其中:λ1为外部能量在零水平集内的权值,m1为向量形式的零水平集内部灰度均值,H()为Heaviside函数。
所述的Heaviside函数
所述的Heaviside函数H()与Dirac函数δ()的关系为:
所述的零水平集内部灰度均值
所述的零水平集外颜色信息方差其中:λ2为外部能量在零水平集内的权值,m2为向量形式的零水平集外部灰度均值。
所述的零水平集外部灰度均值
则所述的能量泛函为:
步骤2、采用西洋棋盘方法初始化水平集函数,得到初始水平集函数和水平集演化方程,并依次进行粗分割阶段演化和平滑阶段演化,平滑阶段演化结束后输出最终分割图像。
所述的初始水平集函数其中:c0为权值系数,R为输入的图像的高度,C为输入的图像的宽度。
所述的权值系数c0取为1。
由Euler‐Lagrange方程得知,能量极小点满足:
对能量泛函关于初始水平集函数求偏导,得
对水平集函数依次求拉普拉斯离散和梯度由于输入的图像为彩色图像,则水平集函数的演化方程为:其中:为水平集函数的演化方向,t为时间; 其中:为水平集函数的拉普拉斯离散,div()为散度。
所述的粗分割阶段的演化是指:将外部能量中的权值λ1和λ2设定为比内部能量中的权值u0和α0大的数值进行演化,直到满足该阶段演化停止条件,实现大致分割。
所述的粗分割阶段的演化停止条件为其中:T1为预设的阈值。
如图2和图3所示,粗分割阶段的演化结束时,零水平集所表示的轮廓如图3(a)所示,分割结果如图3(b)所示,可以看出,本阶段已大致分割出目标,但水平集函数不够平滑,有若干处背景区域也包含在轮廓内,并且边缘的定位不够准确。
所述的平滑阶段的演化是指:设外部能量中的权值λ1=0,λ2=0,μ=2μ0和α=2α0,代入进行演化,直到满足该阶段演化停止条件。
所述的平滑阶段的演化停止条件为其中:T1为预设的阈值。
所述的平滑阶段的演化依靠自规范能量和零水平集长度构成的内部能量精确定位目标,实现自我平滑和精确定位。
如图4所示,本阶段的演化结束后,对于边缘的定位较精确,且水平集函数较平滑。
本实施例的最终迭代次数为34,时间花费11.5s;将图2(b)与图4(b)相比,Dice相似系数达到95.8%。
所述的自规范能量的目的是保证演化过程中水平集函数的梯度的模为1,可以防止演化过程中出现奇点,达到平滑的效果。
所述的零水平集表示的轮廓线长度可约束轮廓线尽可能地短。
所述的边缘检测算子结合图像的区域信息和边缘信息,保证了分割的精确性。
如图5所示,本实施例涉及一种实现上述方法的图像分割***,包括:初始化模块、水平集函数演化模块、颜色方差计算模块和分割结果输出模块,其中:水平集函数演化模块根据初始化模块提供的原始图像、初始参数和初始水平集函数,以及颜色方差计算模块根据初始化模块提供的原始图像得到的颜色方差矩阵进行水平集函数演化处理,向颜色方差计算模块反馈水平集函数信息,并将演化结果通过水平集函数输出至分割结果输出模块,得到分割后的图像。
如图6所示,本实施例对图像的分割处理结果如表1所示。
表1各图分割参数及与groundtruth图相似系数比较
输入图像 | Dice相似系数 | 迭代次数 | 花费时间(s) |
图6(a) | 92.4 | 46 | 12.6 |
图6(d) | 94.5 | 42 | 12.1 |
图6(g) | 96.8 | 34 | 10.8 |
所述的图6(a)分辨率为450*600像素,图6(d)分辨率为450*600像素,图6(g)分辨率为640*480像素。
Claims (8)
1.一种基于区域信息和边缘信息的水平集图像分割方法,其特征在于,根据图像的区域信息和边缘信息,构建能量泛函并初始化水平集函数,得到初始水平集函数;采用梯度下降流方法得到水平集函数演化方程,并基于能量泛函依次进行粗分割阶段和平滑阶段的水平集函数演化处理,进行图像的大致分割和精确定位,得到分割后的图像;
所述的区域信息是指图像的颜色信息;
所述的边缘信息是指图像的梯度信息;
所述的能量泛函为内部能量和外部能量的和;
所述的外部能量为零水平集内和零水平集外的颜色信息方差之和,具体为:
零水平集内的颜色信息方差其中:g为边缘检测算子,λ1为外部能量在零水平集内的权值,向量形式的零水平集内部灰度均值 Heaviside函数 为水平集函数,表示在零水平集内部,表示在零水平集外部,表示零水平集;
正则化的Heaviside函数H()与Dirac函数δ()分别为: ε为Heaviside函数正则化参数;
零水平集外颜色信息方差其中:λ2为外部能量在零水平集内的权值,向量形式的零水平集外部灰度均值能量泛函为: 其中:μ和α分别为自规范能量和零水平集表示的轮廓线长度的权值。
2.根据权利要求1所述的水平集图像分割方法,其特征是,所述的粗分割阶段的演化是指:将外部能量中的权值设定为比内部能量中的权值大的数值进行演化,直到满足该阶段演化停止条件;
所述的平滑阶段的演化是指:将外部能量中的权值设定为比内部能量中的权值小的数值进行演化,直到满足该阶段演化停止条件。
3.根据权利要求1所述的水平集图像分割方法,其特征是,所述的内部能量 其中:为自规范能量,为零水平集表示的轮廓线的长度。
4.根据权利要求3所述的水平集图像分割方法,其特征是,所述的自规范能量其中:为水平集函数的梯度,(x,y)为图像的像素坐标。
5.根据权利要求3所述的水平集图像分割方法,其特征是,所述的零水平集表示的轮廓线长度其中:δ()为Dirac函数。
6.根据权利要求5所述的水平集图像分割方法,其特征是,所述的Dirac函数
7.根据权利要求5所述的水平集图像分割方法,其特征是,所述的边缘检测算子其中:G为高斯核函数,σ为尺度参数,I为向量形式的图像三通道原始灰度值。
8.根据权利要求1所述的水平集图像分割方法,其特征是,所述的初始水平集函数其中:c0为权值系数,R为输入的图像的高度,C为输入的图像的宽度;
当图像为黑白图像时,为:
其中:为水平集函数的演化方向,t为时间;
其中:为水平集函数的拉普拉斯离散,div()为散度,E为能量泛函;
当图像为彩色图像时,为: 其中:为水平集函数的演化方向,t为时间; ( )。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610390119.3A CN106056611B (zh) | 2016-06-03 | 2016-06-03 | 基于区域信息和边缘信息的水平集图像分割方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610390119.3A CN106056611B (zh) | 2016-06-03 | 2016-06-03 | 基于区域信息和边缘信息的水平集图像分割方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056611A CN106056611A (zh) | 2016-10-26 |
CN106056611B true CN106056611B (zh) | 2019-01-11 |
Family
ID=57170033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610390119.3A Active CN106056611B (zh) | 2016-06-03 | 2016-06-03 | 基于区域信息和边缘信息的水平集图像分割方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056611B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803250B (zh) * | 2016-12-28 | 2019-08-09 | 辽宁师范大学 | 结合全局和局部区域信息的医学超声图像分割方法 |
CN106846349B (zh) * | 2017-02-26 | 2019-05-24 | 哈尔滨理工大学 | 一种基于水平集的***磁共振图像分割方法 |
CN111192249B (zh) * | 2019-12-30 | 2023-06-20 | 辽宁师范大学 | 基于机器学习的能量泛函模型的医学图像病变区域分割方法 |
CN111612087B (zh) * | 2020-05-28 | 2023-07-14 | 北京益嘉阳光科技发展有限公司 | 动车组teds***图像特征字典生成方法 |
CN112348834B (zh) * | 2020-11-16 | 2022-08-30 | 河海大学 | 一种双模态成像信息联合建模及适应性分割方法 |
CN113450256B (zh) * | 2021-06-30 | 2023-03-03 | 重庆理工大学 | 基于水平集的ct图像主动脉自动分割方法与*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063723A (zh) * | 2011-01-28 | 2011-05-18 | 南京理工大学 | 高通量成像***下的斑马鱼间脑和中脑自动分割方法 |
CN102779346A (zh) * | 2012-07-05 | 2012-11-14 | 西安电子科技大学 | 基于改进c-v模型的sar图像变化检测方法 |
CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712139B2 (en) * | 2008-03-21 | 2014-04-29 | General Electric Company | Methods and systems for automated segmentation of dense cell populations |
-
2016
- 2016-06-03 CN CN201610390119.3A patent/CN106056611B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063723A (zh) * | 2011-01-28 | 2011-05-18 | 南京理工大学 | 高通量成像***下的斑马鱼间脑和中脑自动分割方法 |
CN102779346A (zh) * | 2012-07-05 | 2012-11-14 | 西安电子科技大学 | 基于改进c-v模型的sar图像变化检测方法 |
CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
Non-Patent Citations (4)
Title |
---|
Distance Regularized Level Set Evolution and Its Application to Image Segmentation;第12期;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20101231;第19卷(第12期);第3248页右栏A部分 |
加移动因子的C-V模型;王晓涛,吴纪桃;《中国图象图形学报》;20101130;第15卷(第11期);1603-1607 |
基于Mumford-Shah模型的水上桥梁目标分割与识别;闵莉 等;《红外与激光工程》;20060831;第35卷(第4期);499-504 |
边缘修正CV模型的卫星遥感云图分割方法;宋昱 等;《光学学报》;20140930;第34卷(第9期);0901004-1至0901004-8 |
Also Published As
Publication number | Publication date |
---|---|
CN106056611A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056611B (zh) | 基于区域信息和边缘信息的水平集图像分割方法及其*** | |
US8908948B2 (en) | Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale structure information | |
Xu et al. | Object segmentation using graph cuts based active contours | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
Afifi et al. | Liver segmentation approach using graph cuts and iteratively estimated shape and intensity constrains | |
CN103955945B (zh) | 基于双目视差和活动轮廓的自适应彩色图像分割方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
Baudin et al. | Automatic skeletal muscle segmentation through random walks and graph-based seed placement | |
CN109242876A (zh) | 一种基于马尔科夫随机场的图像分割算法 | |
CN106127735A (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
Chen et al. | Fast asymmetric fronts propagation for image segmentation | |
CN110969635B (zh) | 基于先验约束水平集框架的鲁棒快速图像分割方法 | |
CN104867151B (zh) | 一种基于延展性主动轮廓模型的眼底图像血管分割方法 | |
Ciofolo et al. | Brain segmentation with competitive level sets and fuzzy control | |
CN109285176B (zh) | 一种基于正则化图割的大脑组织分割方法 | |
CN113763404A (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN110232684B (zh) | 一种基于谱分析的三维医学图像自动分割方法 | |
Pustelnik et al. | Local regularity for texture segmentation: Combining wavelet leaders and proximal minimization | |
Li et al. | 3D Brain Segmentation Using Dual‐Front Active Contours with Optional User Interaction | |
Sallem et al. | Extended grabcut for 3d and rgb-d point clouds | |
Salah et al. | Active curve recovery of region boundary patterns | |
CN109191477A (zh) | 基于全局与局部拟合能量的模糊区域型活动轮廓分割模型 | |
Zhang et al. | A hybrid image segmentation approach using watershed transform and FCM | |
Arora et al. | Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |