一种结合梯度信息的分块式局部加权的图像分割方法与流程

技术特征：

1.一种结合梯度信息的分块式局部加权的图像分割方法，其特征在于，包含以下步骤：

步骤1)，对于待分割的图像I的每一个像素点x，依次计算在以其为中心、大小为k×k的局部块L(x)内其他各个像素点y与局部块L(x)的归属度P_y∈L(x)(y)，k为预先设定的大于零的自然数；

步骤2)，利用局部块L(x)内中心像素点x和其他像素点y的归属度概率差异性建立权函数W(x,y)，结合其他像素点y的归属度P_y∈L(x)(y)做加权估计，得到中心像素点与其他像素点的平均相似度函数P_W(x)；

步骤3)，以水平集函数φ表示分割曲线，以图像I的梯度与水平集函数φ的梯度进行点乘计算，进而构成耦合梯度信息的正则项i、j分别为图像横向和纵向两个方向上的索引刻度，Ω是图像I的总范围；

步骤4)，利用平均相似度函数P_W(x)和关于φ的二值函数H(φ(x))构成指导分割曲线演化的区域项∫_ΩP_W(I(x))H(φ(x))dx+∫_ΩP_W(I(x))(1-H(φ(x)))dx，与耦合梯度信息的正则项一起构成分割算法的能量泛函：

$E^{LWPS}={\∫}_{\mathrm{\Ω}}\frac{|\▿\mathrm{\φ}\▿I|}{|\▿I|}+\underset{\mathrm{\Ω}}{\∫}P\_W\left(I\right(x\left)\right)H\left(\mathrm{\φ}\right(x\left)\right)dx+\underset{\mathrm{\Ω}}{\∫}P\_W\left(I\right(x\left)\right)(1-H(\mathrm{\φ}\left(x\right)\left)\right)dx$

其中，I(x)表示像素点x上的灰度值；

步骤5)，利用最速下降法对能量泛函E^LWPS进行最小化，以实现分割曲线的移动直至最终分割。

2.根据权利要求1所述的结合梯度信息的分块式局部加权的图像分割方法，其特征在于，所述步骤1)中，局部块L(x)内其他各个像素点y与局部块L(x)的归属度P_y∈L(x)(y)为：

$P_{y\∈L\left(x\right)}\left(y\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}\left(x\right)}\exp (-\frac{{\left(I\right(y)-\mathrm{\μ}(x\left)\right)}^2}{2\mathrm{\σ}{\left(x\right)}^2})$

其中，μ(x)、σ(x)分别为局部块L(x)内所有像素点上灰度值的均值和方差，I(y)表示像素点y上的灰度值。

3.根据权利要求1所述的结合梯度信息的分块式局部加权的图像分割方法，其特征在于，k＝3。

4.根据权利要求2所述的结合梯度信息的分块式局部加权的图像分割方法，其特征在于，所述步骤2)的详细步骤如下：

步骤2.1)，建立以下权函数度量局部块L(x)内中心像素点x和其他像素点y的归属度概率的差异性：

W(x,y)＝exp(-((I(x)-μ(x))²-(I(y)-μx))²))；

步骤2.2)，利用权函数W(x,y)和邻域内其他像素点y的归属度概率P_y∈L(x)(y)做加权估计，得到每个中心像素点x与其局部块内其他像素点y的平均相似度函数：

5.根据权利要求4所述的结合梯度信息的分块式局部加权的图像分割方法，其特征在于，所述步骤3)的详细步骤如下：

步骤3.1)，对图像I在横向和纵向分别求差分，得到其中x_i∈[1,N₁],x_j∈[1,N₂]，N₁、N₂分别是图像在横向和纵向上最大像素个数；

步骤3.2)，对表示分割曲线的水平集函数φ进行横向和纵向的差分计算，得到

步骤3.3)，根据一般全变差正则项的构成规则，利用和构成耦合梯度信息的正则项Re(φ)，其计算公式为：

$\mathrm{Re}\left(\mathrm{\φ}\right)=\underset{\mathrm{\Ω}}{\∫}\sqrt{({\left({\mathrm{\φ}}_i{I}_i\right)}^2+{\left({\mathrm{\φ}}_j{I}_j\right)}^2)/(I_i^2+I_j^2+\mathrm{\ϵ})}=\underset{\mathrm{\Ω}}{\∫}\frac{|\▿\mathrm{\φ}\·\▿I|}{|\▿I|}$

其中ε为预先设定的大于零且充分小的常数。

6.根据权利要求5所述的结合梯度信息的分块式局部加权的图像分割方法，其特征在于，ε取0.0001。