基于改进梯度矢量模型的红外图像分割方法
【技术领域】
[0001] 本发明涉及数字图像处理领域，具体涉及一种基于改进梯度矢量模型的红外图像 分割方法。
【背景技术】
[0002] 红外图像的分割在红外图像的分析以及目标探测中具有重要意义。近年来，国内 外众多学者在红外图像分割中做了很多贡献，并提出了很多方法，如阈值分割法、边缘检测 法以及区域生长法等。但是由于红外图像具有高噪声、低对比度和弱边缘的特性，这些方法 并不能实现稳定正确的分割。因此对红外图像准确有效的分割仍然是一个具有挑战性的问 题，因此，研究一种高质量的红外图像分割方法具有重要意义。
[0003] 活动轮廓首先由Kass等人提出。活动轮廓模型作为一种有效的方法，被广泛应用 于图像分割。活动轮廓模型是在图像感兴趣区域内初始化一条演化曲线，同时赋予该曲线 能量函数，最小化能量函数使演化曲线运动，直至最终逼近图像目标边界，从而得到边界封 闭、平滑的图像分割结果。能量泛函由内部能量项和外部能量项组成。内部能量项代表曲 线本身，最小化它可使曲线尽可能短且尽可能光滑。外部能量项包含了图像的数据信息，最 小化它将使它牵引演化曲线向所要分割的对象靠近，并最终停留在对象边缘处。针对外力 的构建，现存的研究工作包括，如气球力，距离力，梯度矢量场（GVF)。
[0004] 在这些外力中，GVF具有较大捕获能力和收敛到凹陷区能力受到广泛的关注。ε =μ▽ 2V(X,y)-| ▽f|2[V(X,y) - ▽f],其中V(X,y)为梯度矢量流，f为边缘图，μ为平 滑参数。GVF模型存在一些缺点，如另外由于边缘图的应用，该模型较易收到噪声影响。在 求取f的过程中，通常的做法为f(x，y) =▽|6。（\7)*1〇^，7)|，尽管噪声可以在一定程度 上被除去，但是在在红外图像分割中，这将增加由弱边缘所带来的负面影响，并发生泄漏的 边界。为了更好的分割含有弱边缘的图像，在构建边缘图方面，Jierong Cheng提出了动态 方向梯度矢量流模型以及Jinshan Tang提出了多方向的梯度矢量流模型使得可以识别不 同方向的边缘，A. Kovacs构造了新的边缘图，（用于表征边缘特征）。这些改进缓解了噪声 的影响，但是当边缘中掺杂的噪声较为严重时，这些方法并不能实现准确的红外图像分割。 另外该模型参数的选择缺乏自适应性，μ的选择取决于图像中的噪声含量。如果μ采取 不适当的值，如太大，则进化曲线将穿过弱边缘并导致错误的分割结果。与此相反，如果μ 取值过小，所得到的外力场将保留过多的噪声。针对以上问题，本发明提出一种改进的基于 梯度矢量模型的分割方法，来实现红外图像的分割。
【发明内容】
[0005] 本发明为解决现有方法在进行红外图像分割时，存在噪声敏感，图像弱边界分割 泄露，参数选择缺乏自适应性，进而导致的边缘保持与扩大捕获范围之间的失衡等问题，提 供一种基于改进梯度矢量模型的红外图像分割方法。
[0006] 基于改进梯度矢量模型的红外图像分割方法，该方法由以下步骤实现：
[0007] 步骤一、输入原始图像，并根据输入的原始图像构造边缘图e(x，y);
[0008] 步骤一一、引入引导滤波，获得引导滤波的核函数Wxy⑴；
[0009] 所述核函数Wxy⑴的表达式为：
[0010]
冲λ为调整参数，μ$《分别为在 窗口Wk中原始图像I(x，y)的均值和方差，|w|为窗口中像素的个数；
[0011] 步骤一二、采用获得的核函数与输入原始图像的每个像素做卷积运算，并求取梯 度后获得对应的边缘图e(X，y);所述边缘图e(X，y)的表述式为：
[0012] e(x,y)=V|ffxy(I(x,y)) *1 (x,y) | ；
[0013] 步骤二、将步骤一构造的边缘图e(x，y)归一化0到1之间，构造加权函数 g(X，y)，h(X，y)，用下式表示为：
[0014]
[0015] g(x,y) =l-h(x,y)
[0016] 式中，τ为正数；
[0017] 步骤三、根据步骤一获得的边缘图和步骤二获得的加权函数，构造外力函数；并获 得外力场；
[0018] 所述外力函数的表达式为：
[0019] Ε(V)=Ifg(x,y) * |VV12dxdy+h(x,y) * |V-Ve12dxdy
[0020] 步骤四、初始化轮廓曲线的位置；
[0021] 步骤五、将步骤三中获得的外力场带入能量泛函中，采用有限差分迭代，曲线在内 外力的作用下演化到目标边缘，实现红外图像的分割。
[0022] 本发明的有益效果：本发明所述的红外图像分割方法，能够有效的实现对含有噪 声，对比度低并且边缘较弱的红外图像分割。本算法具有较大的捕捉范围，能够收敛到凹陷 区域，另外对曲线初始化位置不敏感，具有噪声鲁棒性并且有效的缓解了分割过程中弱边 缘泄露的现象，能够满足实际工程需要。
【附图说明】
[0023] 图1为本发明所述的基于改进梯度矢量模型的红外图像分割方法的流程图；
[0024] 图2为采用本发明所述的基于改进梯度矢量模型的红外图像分割方法中滤波前 后图像对比以及滤波前后边缘图像对比图：2a为原始图像，2b为原始图像对应的灰度3D 图，2c为原始图像的边缘图，2d为滤波后图像，2e为滤波后图像对应的灰度3D图，2f为滤 波后图像的边缘图。
[0025] 图3为采用本发明所述的基于改进梯度矢量模型的红外图像分割方法分割含有 弱边缘的红外图像的分割结果：图3a为输入的原始红外图像，图3b为图像的分割结果，图 3c为图像在弱边缘处的外力场。
[0026] 图4中图4a至图4c为采用本发明所述的基于改进梯度矢量模型的红外图像分割 方法将初始轮廓曲线放置在不同位置时的分割结果，图4d为图4a的外力场。
[0027] 图5中的图5a、图5b和图5c为采用本发明所述的基于改进梯度矢量模型的红外 图像分割方法对含有噪声的红外图像分割结果。
[0028] 图6为采用本发明所述的基于改进梯度矢量模型的红外图像分割方法对医学图 像的分割结果：6a、6b、6c为医学图像，6d、6e为其他类型的可见光图像。
【具体实施方式】
【具体实施方式】 [0029] 一、结合图1至图6说明本实施方式，基于改进梯度矢量模型的红外 图像分割方法，包括以下步骤：
[0030] 步骤一，主要实现边缘图的求取。在该过程中引入引导滤波求取核函数，引导滤波 的核函数表达式为
1其中λ为调整参数，μ,和of 为在窗口 ％中输入原始图像I的均值和方差，|w|窗口中像素的个数。在