本发明涉及图像处理技术领域，尤其涉一种基于主动轮廓模型的生猪耳部图像分割方法。
背景技术：
随着生猪养殖的规模化和集成化，生猪在流通过程中的疫情爆发率也逐渐升高，其中蓝耳病是生猪养殖过程中常见的传染性疾病，具有传染性高，流行性广的特点，在临床上最直观的表现为病者耳部发紫，皮下出现血斑等症状。当前对蓝耳病的检测仍然主要以人工巡检为主，工作效率低，巡检的效果也不理想。
随着计算机视觉技术的飞速发展，大量高分辨率的图像采集设备得以出现，使得我们能够快速，清晰的获取现实环境中的生猪图像。但仅仅依靠这些图像获取设备所提供的信息并不能缓解蓝耳病检测的效率低下问题，必须进一步通过计算机图像处理技术对生猪耳部图像进行精确分割。
当前针对生猪耳部图像的分割，主要是利用阈值分割法和通过手动选取特征点，建立形状模型来对生猪耳部轮廓进行提取。该方法一方面只能实现完整耳部图像的提取；另一方面需要选取大量的特征点来建立生猪耳部图像的轮廓模型，不满足自动提取的要求。
技术实现要素：
本发明的目的在于克服现有技术的不足，本发明提供了一种基于主动轮廓模型的生猪耳部图像分割方法，通过对生猪耳部图像进行精确提取，不仅能快速对耳部表皮特征进行研究，而且为后续蓝耳病疫情的自动预警提供了技术支撑。
为了解决上述问题，本发明提供了一种基于主动轮廓模型的生猪耳部图像分割方法，所述方法包括：
利用相关算法对生猪图像进行预处理，提高图像的质量，凸出耳部区域与周围像素之间的灰度差异；
所述通过随机获取的耳部像素点，重构图像区域，并利用主动轮廓模型对生猪耳部图像进行初步分割；
所述利用重构的主动轮廓模型对生猪耳部图像进行精确提取，从而得到最终的分割结果。
优选地，所述利用相关算法对生猪图像进行预处理，提高图像的质量，凸出耳部区域与周围像素之间的灰度差异包括：
选取3阶高斯模板，采用高斯函数对获取的整幅生猪图像进行像素值的加权运算，从而提高图像的质量；
加权运算后的图像的像素集x＝{x1,x2,......,xn}被分成c类，其中n为图像像素点个数，
优选地，所述通过随机获取的耳部像素点，重构图像区域，并利用主动轮廓模型对生猪耳部图像进行初步分割包括：
在生猪的左耳或右耳周围区域任意选取5～8个初始点，通过生成三次样条插值函数来拟合出n个插值点序列；
将拟合出的插值点和任意选取的初始点拟合成一段连续的封闭曲线，重构耳部图像的初始区域；
设封闭曲线的参数方程为v(s)＝(x(s),y(s))，由曲线的内部能量泛函和外部能量泛函可以得到
根据变分原理，使能量函数eener(v(s))最小化的曲线v(s)满足如下欧拉方程：
优选地，所述利用重构的主动轮廓模型对生猪耳部图像进行精确提取，从而得到最终的分割结果包括：
初步分割后的图像i(x,y)边界为c，曲线c围成的内部区域记为cin,外部区域记为cout,引入两个约束条件：边界的长度方程l(c)和曲线围成的内部区域的灰度方程a(c),构造拉格朗日方程式对轮廓曲线的能量泛函重新定义为：
对轮廓曲线的能量泛函进行规范化处理，并通过欧拉-拉格朗日方法求出能量泛函的极小值方程为：
利用重构后的主动轮廓模型对初步分割的图像进行精确的提取，从而实现生猪耳部图像的精确分割。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例的基于主动轮廓模型的生猪耳部图像分割方法的流程示意图；
图2是本发明所使用的任意生猪图像；
图3是本发明中对图2进行预处理的结果；
图4是本发明中对图3进行初步分割的结果；
图5是本发明中对图3进行精确分割的结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例的基于主动轮廓模型的生猪耳部图像分割方法的流程示意图，如图1所示，该方法包括：
s101,利用算法对生猪图像进行预处理操作，提高图像的质量，凸出耳部区域与周围像素之间的灰度差异；
s102,通过随机获取的耳部像素点，重构图像区域，对生猪耳部图像进行初步分割；
s103,利用重构的主动轮廓模型对生猪耳部图像进行精确的提取，从而得到最终的分割结果。
其中，s101包括：首先，采用高斯滤波的方法对获取的生猪视频图像进行像素值的加权运算，消除图像传输过程中的“噪声点”，提高图像的质量；然后利用分段线性变换的思想，对生猪图像进行增强处理，突出耳部区域与周围图像之间的灰度差异。
s102进一步包括：首先，在生猪的耳部周围区域任意选取5～8个随机点，利用构建出的样条插值函数拟合出插值点序列，和选取的随机点合并成一段连续的封闭曲线，形成初始的轮廓；根据主动轮廓模型将图像的分割问题转化成一个求最小封闭曲线的能量泛函的过程，在初始轮廓的外部能量和内部能量的共同作用下，能量趋于稳定的状态，从而轮廓曲线逐渐趋于静止的状态，初步得到耳部图像的分割结果；
s103进一步包括：引入两个约束条件分别为曲线的长度方程和曲线围成的内部区域的灰度方程，构造拉格朗日方程式，对轮廓曲线的能量泛函重新定义，然后通过欧拉-拉格朗日方法求出能量泛函的极小值方程，最终得到轮廓曲线的静止状态，实现耳部图像的精确分割。
图3是本发明实施例对图2图像的预处理结果，根据s101的方法，选取高斯函数的sigma值为1，滤波模板选择3*3阶高斯模板，分段线性变换函数的相关参数选择为a＝100,b＝200,c＝10,d＝245,λ1＝100,λ2＝50,λ3＝200,λ4＝220,max为图像2对应灰度图像的最大灰度值，对图像2进行预处理。
图4是本发明实施例对图3进行初步分割结果，根据s102方法，在图3所示生猪图像的右耳周边区域任意选取3个初始点，左耳周边区域任意选取5个初始点，通过生成的样条插值函数拟合出插值点，并将插值点和选取点合并成一段连续的封闭曲线，从而最终构成初始的轮廓，依据主动轮廓模型理论，在外部能量和内部能量的共同作用下，当能量趋于稳定的状态，从而轮廓曲线也逐渐趋近于静止的状态，进而得到耳部图像的初步分割结果。
图5是本发明实施例对图4进行精确分割的结果，根据s103方法，引入两个约束条件：初步分割结果的轮廓边界长度方程，和轮廓边界围成的内部区域的灰度方程，构造拉格朗日方程式，对轮廓曲线的能量泛函重新定义，然后对新的能量函数进行规范化处理，通过欧拉-拉格朗日方法求出能量泛函的极小值方程，当曲线趋于静止状态时，得到最终的耳部图像分割结果，这表明本发明的方法是可行的。
另外，以上对本发明实施例所提供的基于主动轮廓模型的生猪耳部图像分割方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。