[发明专利]基于两通道纹理分割主动轮廓模型的图像分割方法

权利要求书

1.一种基于两通道纹理分割主动轮廓模型的图像分割方法，其特征是所述方法包括：

步骤1：提取图像中每个像素的灰度值、水平梯度场和垂直梯度场；

步骤2：计算图像中每个像素的灰度值、水平梯度场和垂直梯度场对应的纹理特征；

步骤3：根据所述纹理特征获取灰度特征通道和边缘特征通道；

步骤4：建立两通道纹理分割主动轮廓线模型；

步骤5：通过水平集函数的演化最小化纹理分割模型完成图像分割。

2.根据权利要求1所述的方法，其特征是所述提取图像中每个像素的水平梯度场具体为采用公式计算图像中的第i行第j列像素的水平梯度场其中，I(i,j)是图像中的第i行第j列像素的灰度值，I(i+1,j)是图像中的第i+1行第j列像素的灰度值。

3.根据权利要求1所述的方法，其特征是所述提取图像中每个像素的垂直梯度场具体为采用公式计算图像中的第i行第j列像素的水平梯度场其中，I(i,j)是图像中的第i行第j列像素的灰度值，I(i,j+1)是图像中的第i行第j+1列像素的灰度值。

4.根据权利要求2或3所述的方法，其特征是所述步骤3具体为：

步骤301：根据图像中每个像素的水平梯度场和垂直梯度场对应的纹理特征u₂(x,y)和u₃(x,y)，采用公式提取边缘特征u_edge；

其中，I是像素的灰度值，是像素的灰度值的梯度；

步骤302：根据公式计算灰度特征通道u′₁(x,y)和边缘特征通道u′₂(x,y)；其中，i=1,2，L₁=u₁(x,y)，L₂=u_edge(x,y)。

5.根据权利要求4所述的方法，其特征是所述建立两通道纹理分割主动轮廓线模型为：

F(c+‾,c-‾,φ(x,y))=μ·∫Ωδ(φ(x,y))|▿φ(x,y)|+α·F1(c+1,c-1,φ(x,y))+β·F2(c+2,c-2,φ(x,y)),]]>

其中，和分别是灰度特征通道和边缘特征通道中的曲线C内部和外部的均值；

曲线C满足C={(x,y):φ(x,y)=0}，φ(x,y)为水平函数集；

μ、α和β分别为长度项、灰度项和边缘项的参数；

Ω为积分区域，即图像区域；

δ(·)为Dirac函数；

为水平函数集φ(x,y)的梯度；

F1(c+1,c-1,φ(x,y))=11+e-a·|c+1-c-1|·[λ+1·∫Ω|u1′(x,y)-c+1|2H(φ(x,y))dxdy]]>

+λ-1·∫Ω|u1′(x,y)-c-1|2(1-H(φ(x,y)))dxdy];]]>

和分别为灰度特征通道中的曲线C内外区域的灰度均值；

和分别为灰度特征通道的参数，且

u′₁(x,y)为像素(x,y)对应的灰度特征通道的值；

H(·)为Heaviside函数；

a为用于调整函数形状的常数且a>0；

F2(c+2,c-2,φ(x,y))=λ+2·∫Ω|u2′(x,y)-c+2}2H(φ(x,y))dxdy]]>

+λ-2·∫Ω|u2′(x,y)-c-2|2(1-H(φ(x,y)))dxdy]]>

和分别为边缘特征通道中的曲线C内外区域的灰度均值；

和分别为边缘特征通道的参数，且

u′₂(x,y)为像素(x,y)对应的边缘特征通道的值；

H(·)为Heaviside函数。

6.根据权利要求5所述的方法，其特征是所述步骤5包括：

步骤501：随机给定初始闭合分割曲线C₀，并计算初始闭合分割曲线C₀对应的初始水平集函数φ⁰(x,y)；

步骤502：设定模型参数μ,α,β,

步骤503：令k=0，分别计算初始闭合分割曲线C₀内部和外部的均值；

初始闭合分割曲线C₀内部的均值的计算公式为：

c+i(φ0(x,y))=∫Ωui′(x,y)H(φ0(x,y))dxdy∫ΩH(φ0(x,y))dxdy;]]>

初始闭合分割曲线C₀外部的均值的计算公式为：

c-i(φ0)=∫Ωui′(x,y)(1-H(φ0(x,y)))dxdy∫Ω(1-H(φ0(x,y)))dxdy;]]>

上述两个公式中，i=1,2；

Ω为积分区域，即图像区域；

u′₁(x,y)为像素(x,y)对应的灰度特征通道的值；

u′₂(x,y)为像素(x,y)对应的边缘特征通道的值；

H(·)为Heaviside函数；

步骤504：根据公式φ^k+1(x,y)-φ^k(x,y)=Δt×L(φ^k(x,y))迭代计算φ^k+1(x,y)；

L(φk(x,y))=δϵ(φk(x,y))[μ·φxxk(x,y)(φyk(x,y))2-2φxyk(x,y)φxk(x,y)φyk(x,y)+φyyk(x,y)(φxk(x,y))2((φxk(x,y))2+(φyk(x,y))2)3/2]]>

-α·(λ+1·11+e-a·|c+1(φk(x,y))-c-1(φk(x,y))|·(u1′(x,y)-c+1(φk(x,y)))2-λ-1·(u1′(x,y)-c-1(φk(x,y)))2);]]>

-β·(λ+2·(u2′(x,y)-c+2(φk(x,y)))2-λ-2·(u2′(x,y)-c-2(φk(x,y)))2)]]]>

即

φk+1(x,y)-φk(x,y)Δt=]]>

δϵ(φk(x,y))[μ·φxxk(x,y)(φyk(x,y))2-2φxyk(x,y)φxk(x,y)φyk(x,y)+φyyk(x,y)(φxk(x,y))2((φxk(x,y))2+(φyk(x,y))2)3/2;]]>

-α·(λ+1·11+e-a·|c+1(φk(x,y))-c-1(φk(x,y))|·(u1′(x,y)-c+1(φk(x,y)))2-λ-1·(u1′(x,y)-c-1(φk(x,y)))2)]]>

-β·(λ+2·(u2′(x,y)-c+2(φk(x,y)))2-λ-2·(u2′(x,y)-c-2(φk(x,y)))2)]]]>

Δt为设定时间步长，δ_ε(·)为Dirac函数；

步骤505：从水平函数集φ^k+1(x,y)中提取零水平集，该提取的零水平集即演化曲线；

步骤506：判断水平函数集φ^k+1(x,y)是否稳定，即当相邻两次迭代得到的演化曲线长度之差小于设定阈值时，则水平函数集φ^k+1(x,y)是稳定的，执行步骤507；否则，令k=k+1，跳转至步骤504；

步骤507：将水平函数集φ^k+1(x,y)中提取演化曲线作为分割曲线，用所述分割曲线分割图像完成图像分割过程。