[发明专利]自适应的基于先验形状的图像分割方法

说明书

技术领域

本发明涉及的是一种图像处理的方法，具体是一种自适应的基于先验形状的图像分割方法。

背景技术

活动轮廓模型和水平集方法已经广泛的应用在图像处理和机器视觉当中。然而，当目标的边缘和背景间的差异不是很大的时候，演化曲线将会出现泄漏，导致分割失败。而且，如果图像中存在噪声、杂波或者遮挡的时候，普通的分割模型不能提取出有意义的目标。一个有效的办法是将目标的一些先验知识融入活动轮廓模型的框架中。低层的先验知识，例如：灰度级、颜色、纹理和运动等信息往往不足以表示目标特征，在实际应用中通常不能保证这些特征的不变性。近些年来，高层的知识，尤其是形状被很多学者所重视，并将其融入到分割模型中。这类模型往往被称为基于先验形状的图像分割方法。该方法有两个难点：首先如何将先验形状表示、描述成可以被分割模型利用的形状模型，其次如何将该形状模型融入到传统的分割模型中。

很多学者对这一问题进行了研究。目前对该问题的研究大致分为两类：统计先验模型和基于形状模板匹配的模型。

在统计先验模型中，M.E.Levento等在CVPR(计算机视觉与模式识别国际会议)(2000，1：1316-1323)上发表了“Statistical shape influence in geodesic active contours”(“统计先验模型对测地线活动轮廓模型的影响”)一文，该文率先提出了通过估计形状的概率密度，然后将形状的概率密度和活动轮廓模型融入到贝叶斯框架中的方法。在该文中，主成分分析和核主成分分析被用来提取形状特征，用于估计形状的概率密度函数。另外，M.Rousson和D.Cremers在MICCAI(医学影像计算与计算机辅助介入国际会议)(2005：757-764)上发表了“Eficientkernel density estimation of shape and intensity priors for level set segmentation”(“引入对形状核密度估计的水平集分割方法”)一文，该文对比了高斯分布、一致分布和核密度估计，证明了核密度估计对形状的概率密度函数估计的有效性。

在基于形状模板匹配的模型中，N.Paragios等在ECCV(欧洲计算机视觉国际会议)(2002：775-789)上发表了“Matching distance functions：a shape-to-area variational approach forglobal-to-local registration”(“匹配距离函数-用于全局到局部配准的结合形状和区域的配准方法”)一文，该文提出采用单一形状模板作为形状模型，通过配准演化曲线和形状模板，从而使得演化曲线朝着形状模板演化，通过手动调整该配准项和传统活动轮廓模型间的权值系数即可实现基于形状模板的图像分割。

上诉基于先验形状的分割模型虽然在当背景中存在噪声、杂波和遮挡的时候也能保证一定的分割精度，但是仍然存在以下问题没有解决：将先验形状模型和传统活动轮廓模型相结合时，需要手动调节这两项间的权值系数，并且没有任何准则来指导如何调整该系数。如果该系数调节不当，往往得不到基于先验形状模型的分割结果；大多数的形状模型采用符号距离函数来描述图像，然而由于符号距离函数所在空间是非线性的，通过线性加权得到的统计形状模型和参数形状模板所描述的图像已经不再满足符号距离函数。

发明内容

本发明针对现有技术存在的上述两点不足，提供一种自适应的基于先验形状的图像分割方法，采用整数符号函数克服由于噪声的干扰对图像分割的影响，并针对其需要手动调节先验形状模型和传统活动轮廓模型的权值系数，提出约束变分模型使得该权值系数可以自适应的收敛到稳定值，同时以识别为基础的形状模板选择用以在分割时候确定采用哪个先验形状的形状模板，避免现有技术中得不到基于先验形状模型的分割结果的问题。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步、将目标图像的形状表示为形状模板作为先验形状模板库，初始化演化曲线。

所述的整数符号函数的形状模板是指：以双边的链表结构C表示形状轮廓，该双边的链表结构的内边缘为L_in，外边缘为L_out，在C内部且不在L_in中的点为C_in，在C外部且不在L_out中的点为C_out，则有作为形状模板的整数符号函数：其中：(x，y)为目标图像中任一一点的坐标，a和b为整数值，本发明中a＝1，b＝3。