[发明专利]一种优化C-V模型的水下光学图像处理方法

说明书

技术领域

本发明涉及水下图像处理领域，特别涉及水下图像分割，具体地说是一种阈值分割和水平集相结合的水下图像轮廓检测方法。

背景技术

水下光学图像分割主要是用于对图像中水下目标与背景的分割、水下目标外部轮廓的检测和识别。由于水下光学成像环境的复杂性以及水体对光线的吸收和散射等作用，使得水下物体光学成像质量一般较差。水下拍摄的视频图像一般具有对比度差、信噪比低、边缘模糊等特点。若使用已有的较为成熟的处理陆地上图像的分割方法常常不能准确地分割出水下目标，为水下目标检测和识别带来较大困难。

目前，对于水下图像分割问题，有研究者采用了基于模糊变换的图像分割算法，通过对水下图像自适应信息融合和模糊增强，充分挖掘了图像的可利用信息，选用对水下目标纹理敏感的纹理信息，突出了目标在细致纹理特征上的差异，从而提高了图像的可分性。还有一些研究者提出了一种改进的快速FCM聚类分割算法，该方法结合像素梯度的直方图和采样信息，以图像的相对信息损耗为约束，对水下目标图像进行分割。无论采用什么样的理论和方法，实现水下图像分割的关键是要找到一种能够处理信噪比低，边缘模糊的图像的方法。近年来，由于具有完善的理论支持，采用较为简单的数值计算模型，C-V模型(Chan-Vese模型或CV模型)分割方法在水下图像分割领域得到了一定的运用并取得了一定的效果。

Chan和Vese于2001提出的基于区域的水平集活动轮廓模型，利用Mumford-Shah分割模型和水平集进行图像分割。该模型利用了图像灰度区域信息来引导曲线向目标轮廓进行逼近，直接使用主动轮廓内部和外部的全部灰度信息，没有使用基于梯度的边缘检测函数，因此比较适合用于处理边缘模糊、信噪比低的图像。C-V方法的基本思想是先给定一封闭初始可变轮廓，然后将可变形的曲线作为零水平集嵌入到高一维的水平集函数中，通过不断地更新水平集函数使得零水平集发生变化，使初始轮廓在一系列外力和内力的相互作用下一步一步逼近目标，从而达到演化曲线的目的。最后，根据一定的约束条件停止在物体的边缘上完成分割。

然而，将C-V模型直接应用于水下光学图像分割时发现，当水下目标图像不是出现在图像的中心区域，或者当水下目标出现在图像的边缘区域时，采用C-V模型分割图像中目标并不能得到理想的效果，分割出来的轮廓并不能完整地包含目标的外部轮廓，不利于对水下目标的进一步检测和识别。

发明内容

本发明所要解决的技术问题是克服现有分割方法的不足，设计一种基于优化C-V模型的水下图像分割方法，该方法使用阈值分割技术提取目标区域信息，并用来对C-V模型中的初始轮廓进行定位，利用水平集函数进行迭代计算，并通过图像区域灰度信息引导曲线向目标轮廓逼近，最终实现准确分割。

本发明为解决上述技术问题采用以下技术方案：

一种优化C-V模型的水下光学图像处理方法，包括如下步骤：

步骤(1)，采用阈值分割的方法对输入的目标图像进行二值化处理，得到目标图像的二值化分割结果；

步骤(2)，从得到的二值化图像中提取目标区域信息；所述目标区域信息包括目标区域最左坐标                                                ，最右坐标，最上坐标，最下坐标；

步骤(3)，将得到的目标区域信息传递给C-V模型，以坐标为初始轮廓的圆心，以为初始轮廓的半径，优化定位初始轮廓的位置区域，初始化C-V模型曲线；

步骤(4)，利用C-V方法对图像进行分割。

进一步的，前述的一种优化C-V模型的水下光学图像处理方法，步骤(1)中在对图像进行处理前还包括：判断输入的目标图像是否为灰度图像；当不是灰度图像，通过RGB转灰度函数将输入目标图像转换为灰度图像。

进一步的，前述的一种优化C-V模型的水下光学图像处理方法，步骤(1)中所述阈值分割的方法为最大类间方差的自适应阈值分割算法。

进一步的，前述的一种优化C-V模型的水下光学图像处理方法，步骤(2)中所述提取目标区域信息的具体步骤如下：

步骤(2)-a，通过功能函数Find()，查找获取二值化目标图像中所有像素值为1的点的坐标集合（，）；

步骤(2)-b，通过比较坐标集合（，）中所有坐标的值的大小，获得坐标集中的最小值、最大值、以及的最小值，最大值，即目标区域最左坐标，最右坐标，最上坐标，最下坐标，得到目标的区域信息。