[发明专利]基于非下采样轮廓波和多相CV模型的图像分割方法

说明书

技术领域

本发明涉及图像处理领域，尤其是一种既可以保证分割图像的全局性，又可以分割出图像的细节信息的基于非下采样轮廓波（Nonsubsampled contourlet transform，NSCT）的活动轮廓模型图像分割的方法。 

背景技术

图像分割是计算机视觉的基础，通过分割技术可使更高层的图像分析和理解成为可能。图像分割技术有着非常广泛的应用范围，如遥感卫星图像处理、交通监控以及军事、农业等方面。在过去的二十年里，多分辨率分析方法和变分方法是比较流行的图像分割方法。多分辨率分析的图像分割技术首先对输入的图像进行变换（具体的变换包括如小波变换，轮廓波变换和NSCT等）；接下来对变换后的系数按照某种规则进行统计分析；最后进行反变换即可。小波变换和轮廓波变换都是图像多分辨率表示的典型代表，均可在边缘等细节信息上获得较为理想的图像分割效果。然而，由于变换中存在下采样过程，两种变换在某些图像分析方面效果不是很理想，如矢量活动轮廓模型等。NSCT建立在迭代非下采样滤波器基础上以获得多分辨率表示，具有更广的应用面。 

变分技术是一种直接提取图像某些统计特征的方法，Chan-Vese(CV)模型是一个基于区域分割的活动轮廓模型的变分算法。CV分割特征不是提取所有细节信息，而是通过最小化某个能量函数来获取图像轮廓的同时舍掉与分割区域无关的信息部分。CV模型可以应用于标量模型或矢量模型，其中，矢量CV模型可以应用在大多数情况下，如遥感图像或彩色图像等。然而，由于仅采用图像的空间特征，CV模型还包含许多不相关的信息从而导致较高的计算复杂度。 

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种既可以保证分割图像的全局性，又可以分割出图像的细节信息的基于非下采样轮廓波的活动轮廓模型图像分割的方法。 

本发明的技术解决方案是：一种基于非下采样轮廓波变换的活动轮廓模型图像分割方法，其特征在于按如下步骤进行： 

约定：I指待分割图像；R代表图像I的整个区域，且简单的图像分割满足R=R₁∪R₂；NSCT变换的分解层数为n；NSCT变换系数的高斯混合模型中的待估计参数 ；m=1,2是系数的大小两种状态；为混合模型的先验概率且满足；和分别为两种状态训练过程中的均值和方差；c为活动轮廓模型演化曲线；和为正的加权系数；为分段常值函数：

，

其中和表示与轮廓曲线c有关的常数值，一般取轮廓曲线内、外部的平均灰度值；

a.  初始设置

获取待分割图像并对变量进行初始化设置；

b. 进行图像I的n层NSCT变换； 

c. 对于变换后的每层i(i= 1,2,…n)，作如下操作：

c.1 利用和，计算第i层中每个系数的高斯概率密度函数；

c.2通过EM算法对上述模型的参数进行训练，然后将每个系数分类成大或小两种状态；

c.3设置大状态和小状态系数分别为1和0；

d. 通过逆NSCT变换得到待分割图像的多分辨率表示I={I₁,I₂…,I_i,…,I_n};

e. 在待分割图像上初始化一条演化曲线c；

f. 利用步骤d所产生的图像I的多分辨表示，代入下列能量函数：

；

g. 反复演化活动轮廓曲线c直到能量函数打到最小值为止；

h. 输出最终的图像分割结果。

本发明首先通过非下采样轮廓波变换进行待分割图像的多分辨率表示；其次建立多分辨率系数的概率模型；最后利用基于区域的活动轮廓模型进行多分辨率系数的整合操作以达到图像分割的目的。实验结果表明，本发明的方法可以很好地进行图像的分割操作，既可以保证分割图像的全局性，又可以分割出图像的细节信息。