基于超像素和图割优化的水平集图像分割方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及一种图像水平集分割方法，可用于 自然图像、医学图像目标的快速分割与识别。
【背景技术】
[0002] 在人类活动中，图像是最常用的信息载体，其原因一方面是因为图像的直观性，它 将事物客观地展现，无需受到描述者主观因素的影响，另一方面是人类可以快速地对图像 进行分析和理解，瞬间获取图像信息。
[0003] 图像工程可以划分为图像处理、图像分析和图像解释三部分，图像处理主要是对 图像进行采集，获取图像信息，并对其进行预处理的过程，主要应用图像采集、图像增强、滤 波等技术；图像分析主要是获取图像特征描述和感兴趣的目标，这一过程主要包含图像分 割和特征提取；图像理解是根据图像特征，对图像的深层特征进行研宄，这一过程涉及目标 识别、场景描述等内容。图像处理在图像工程中占有重要地位，一方面，图像分割是目标表 述和特征测量的基础，对图像分析起重要作用；另一方面，图像分割技术和基于分割技术的 目标表达、特征测量技术将图像转化为更为抽象的形式，并大大减少了图像理解所需处理 的数据量，这使得进一步的高层分析、图像理解以及人工智能成为可能。图像分割技术已广 泛应用于实际生活的各个方面，如医学图像分析、遥感图像分析、智能交通管理等。
[0004] 基于水平集的图像分割技术已成为近年来分割领域研宄的一个热点方向，目前已 形成较为统一的模型和框架，它允许演化过程中曲线的拓扑结构发生变化，对多目标和多 连通目标的分割也能取得较好的分割结果。现有的水平集分割模型有如下几种方法：
[0005] 1.基于图像边界的水平集分割方法。这种方法是利用图像的梯度信息构造水 平集的速度函数，使得演化曲线逼近目标轮廓。例如Li等人[Li C.，Xu C.，Gui C. and Fox M. , "Level set evolution without re-initialization:a new variational formulation"，IEEE Conference on Computer Vision and Pattern Recognition, San Di ego, CA, USA, pp. 430-436, Jun. 2005]提出一种无须初始化的变分方法，该方法通过定义惩 罚项，使得水平集函数接近符号距离函数。这种基于图像边界的水平集分割方法的曲线演 化依赖于图像梯度，而实际图像的梯度值有界，边界处停止函数不可能为零，曲线可能穿过 边界，而且图像噪声过大时分割结果也不理想。
[0006] 2.基于图像区域的水平集分割方法。这种方法是利用图像的区域信息构建水 平集的能量泛函。例如 Chan 等人[T. Chan and L. Vese, "Active contours without edges", IEEE Transactions on Image Processing, vol. 10, no. 2, pp. 266-277, 2001]通过 将Mumford-Shah模型的解简化为分段常值，提出Chan-Vese模型，可用于分割梯度无意义 或边缘模糊的图像，但是对于灰度不均匀的图像分割效果不理想。
[0007] 3.基于图像形状先验的水平集分割方法。这种方法是利用图像的形状先验构建水 平集的能量泛函。例如 Cremers 等人[Cremers D·，Osher S.J. and Soatto S·，"Kernel density estimation and intrinsic alignment for shape priors in level set segmentation"，International Journal of Computer Vision, vol. 69, no. 3, pp. 335-351 ，Sep. 2006]利用核密度估计，使用形状先验构造出水平集函数和给定的嵌入形状之间的差 分，将形状差分项加入到Chan-Vese分割模型中，这种方法不依赖高斯分布的限制性假设， 允许对多重相当明显的训练形状进行精确的编码。但是这种分割方法使得计算量大大增 加，降低了图像的分割效率。
[0008] 上述的基于图像边界、图像区域和形状先验的水平集分割方法虽然可以较好地完 成图像分割，但是这些方法对水平集的初始化位置敏感，无法取得全局最优的分割结果，而 且模型的求解速度慢，分割效率低。
【发明内容】
[0009] 本发明的目的在于针对上述已有技术的不足，提出一种基于超像素和图割优化的 水平集图像分割方法，以提高图像的分割效率和分割精度。
[0010] 本发明的技术思路是：通过采用简单线性迭代聚类的超像素生成技术，加快图像 的分割速度，通过采用图割优化的方法，减小对水平集进行初始化位置的敏感性，取得全局 最优的分割结果。其实现步骤包括如下：
[0011] ⑴将待分割的图像I分成Mi夬，每一块为一个超像素，得到图像I的超像素 SP = (SP1,. . .，spk,. . .，spM}，其中 SPk表示第 k 个超像素 ，k = 1，2,. . .，M ;
[0012] (2)在每个超像素中各选择一个像素点，利用这M个像素点构成新图像Is;
[0013] (3)依照Chan-Vese模型，构建新图像Is的能量泛函E cv，其表示为
[0014]
【主权项】
1. 一种基于超像素和图割优化的水平集图像分割方法，包括如下步骤： (1) 将待分割的图像I分成M块，每一块为一个超像素，得到图像I的超像素 SP = (SP1，…，SPk,…，spM}，其中SPk表示第k个超像素 ，k = 1，2,…，M ; (2) 在每个超像素中各选择一个像素点，利用这M个像素点构成新图像Is; (3) 依照Chan-Vese模型，构建新图像Is的能量泛函E cv，其表示为
其中，Ω表示图像域，μ为非负参数，λ JP λ 2分别为Eev第一项和第二项的系数，Φ 表不演化曲线，
5为常数且ε - 〇，cin和 Cwt分别表示闭合曲线的内灰度均值和外灰度均值； (4) 对构建的能量泛函Ect进行离散表述，其离散形式如下：
其中，λ '种λ ' 2分别为离散形Sect第一项和第二项的系数，Χρ定义为图像1 3中 各像素的二值变量
P = (X，y) e Ω，Φ (p)表示像素点p处的水平集 函数的值，\和X ,分别为新图像I s中两个不同像素点P和q的二值变量，若P和q为轴连 接，权重Wm= 1，若p和q为对角连接，则权重=力； (5) 使用图割技术优化能量泛函，实现对新图像Is的分割： (5. 1)初始化水平集的演化曲线； (5.2)根据水平集能量泛函的离散形式计算图的数据项硭(\)和光滑项 Ep''Xp，X(1)，其表示为： Ερ(χρ) = λ 3| Is-CinI2xp+λ4| Is-cout|2(l-xp), Ep,q(xp) Xq) = μ Wpq (xp (I-Xq)+xq (I-Xp)), 其中，λ 3和λ 4分别为图的数据项Ep(Xp)的第一项和第二项的系数； (5. 3)利用图的数据项Ep(Xp)、光滑项Ep'q(x p, xq)和权重矩阵构建图，通过min-cut算 法获得图的最小割，更新Xp的值； (5. 4)比较min-cut算法使用前后的能量大小，如果使用min-cut算法后的能量小于算 法使用前的能量，则返回步骤（5. 2)，继续迭代计算；如果两者相等，则停止迭代； (5. 5)根据\的值确定新图像I s中像素点的属性：如果Xp= 0,则X 5对应的像素点为 背景，如果Xp= 1，则X p对应的像素点为目标，完成对新图像13的分割； (6)根据新图像Is的分割结果，完成对待分割图像I的分割。 新图像Is中的每个像素点对应待分割图像I中的一个超像素，如果新图像13中的像素 点为背景，则待分割图像I中对应的超像素也为背景，如果新图像Is中的像素点为目标，则 待分割图像I中对应的超像素也为目标，从而完成对待分割图像I的分割。
2. 根据权利要求1所述的基于超像素和图割优化的水平集图像分割方法，其中所述步 骤（1)中将待分割的图像I分成M块，得到图像I的超像素 SP，按如下步骤进行： (I. 1)将待分割图像的RGB色彩空间变换为CIELAB色彩空间； (1. 2)输入超像素的期望个数M ; (1.3)以大小为S的网格间隔对像素进行采样，得到初始的聚类中心Ck= [lk，ak，bk，xk，yk] T，k = 1，2,…，M，其中，N 表示图像像素个数，[lk，ak，bk]为 CIELAB 色彩空 间的像素颜色向量，Ik表示亮度，a k，bk表示颜色对立维度，X k，yk为像素位置； (1. 4)依照3X3邻域的最小梯度位置，将聚类中心移到种子位置； (1. 5)初始化像素 i和聚类中心Ck的距离d(i) =C?，初始化记录像素 i类别的标号 1 ⑴=-1，i = 1，2,…，N ; (1. 6)对于每一个聚类中心Ck，计算Ck附近的2SX2S区域中每个像素到聚类中心Ck的 距离 D，如果 D < d(i)，则令 d(i) = D，l(i) = k ; (I. 7)计算新的聚类中心和残差E，其中残差E定义为先后两次聚类中心位置的L2范 数； (1. 8)比较残差E和设定的阈值T，如果E < T，则停止更新，如果E > T，则返回至步骤 (1. 6)，继续更新聚类中心和残差，直到残差E < T为止； (1. 9)将步骤（1. 6)得到的类别标号为k的像素点组合为一块超像素 spk，从1到M对 k进行遍历，组合成M块超像素，完成对图像I的划分，得到图像I的超像素 SP= Isp1，… ,spk, ···, spM} 〇
3. 根据权利要求1所述的基于超像素和图割优化的水平集图像分割方法，其中所述步 骤（2)中采用的在每个超像素中各选择一个像素点，利用这M个像素点构成新图像I s，按如 下步骤进行： (2. 1)计算每个超像素的灰度均值：
其中，μ (k)为第k个超像素 spk的灰度均值，mk表示超像素 spk中的像素点数； (2.2)在超像素 spk中选取|sp k(j)_ μ (k) I最小的值对应的像素点，k= 1，2,…，M ; (2. 3)用选取的像素点构成新图像Is。
4. 根据权利要求1所述的基于超像素和图割优化的水平集图像分割方法，其中所述步 骤（4)中对水平集能量泛函的离散表述，按如下步骤进行： (4.1)定义\为新图像込中各像素的二值变量，= 其中，P= (x，y) e Ω， Ω表示图像域； (4. 2)求解水平集能量泛函的光滑项的离散形式
其中，μ为非负参数，\和X ,分别为新图像I s中两个不同像素点P和q的二值变量， 若p和q为轴连接，则权重Wm= 1，若p和q为对角连接，则权重; (4. 3)求解水平集能量泛函的数据项的离散形式
其中，λ ' JP λ ' 2分别为数据项离散形式第一项和第二项的系数，13表示新图 像，Cin和c _为闭合曲线的内灰度均值和外灰度均值，计算公式分别为
(4. 4)综合水平集能量泛函Ect的光滑项的离散形式和数据项的离散形式￡：1ω， 得到ECT离散形式：
【专利摘要】本发明涉及一种基于超像素和图割优化的水平集图像分割方法，主要解决现有技术对水平集初始位置敏感、分割效率低的问题，其实现步骤如下：1.将待分割图像I分块，得到图像I的超像素表示；2.在每个超像素中选定一个像素点，利用这些像素点构成新图像Is；3.依照Chan-Vese模型，构建新图像Is的水平集能量泛函；4.对构建的水平集能量泛函进行离散化表述；5.使用图割技术优化能量泛函，实现对新图像Is的分割；6.根据新图像Is的分割结果，完成对图像I的分割。本发明加快了图像的分割速度，减小了对水平集进行初始化位置的敏感性，能取得全局最优的分割结果，可用于自然图像、医学图像目标的快速分割与识别。
【IPC分类】G06T7-00
【公开号】CN104732551
【申请号】CN201510164483
【发明人】王斌, 牛丽军, 关钦, 高新波, 牛振兴, 丁海刚, 吕鑫, 宗汝
【申请人】西安电子科技大学
【公开日】2015年6月24日
【申请日】2015年4月8日