[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

说明书

技术领域

本发明属于数字图像处理技术领域，尤其涉及一种基于两通道纹理分割主动轮廓模型的图像分割方法。

背景技术

图像分割，尤其是纹理图像的分割，一直是计算机视觉与数字图像处理领域的重要内容和难题。纹理分割是根据图像区域内的纹理特征一致性将目标图像划分成若干个互不交叠的区域。目前常用的方法是首先提取图像的特征信息，再根据一定的模型在特征空间分割图像。其中，基于水平集理论的主动轮廓线方法由于可以自动实现演化曲线的分裂和合并而引起了研究人员的关注，被广泛应用于纹理分割中。

在纹理特征提取方面Gabor滤波和结构张量法最具代表性。结构张量法提取纹理特征通常采用加性算子分离法(Additive Operator Separation，AOS)迭代求解非线性扩散方程，名称为“基于ROF模型与C-V模型的图像处理的AOS算法”（黄承琦，吉林大学硕士学位论文，2008年）的文献中（第12页-15页）具体描述了AOS算法的求解过程。Gabor滤波利用不同方向、不同频段的滤波器组得到能够充分表征特征的纹理描述。一般首先利用Gabor滤波器提取纹理图像的多维特征向量组，然后采用主动轮廓线模型，如：多通道C-V（Chan-Vese）模型，根据分割曲线内外每一幅特征图像的均值信息分割图像；此外，基于Beltrami框架的纹理特征边缘检测算子也被融入到模型中，在一定程度上提高了纹理图像的分割准确率。

但是，Gabor滤波计算繁琐且会产生大量冗余信息，导致算法复杂度过大；而C-V模型则不能很好的处理结构明显的纹理图像。基于各项异性扩散的结构张量法将一幅图像分成灰度通道和水平、垂直、45°三个方向的梯度通道，通过对各个通道实施非线性扩散，有效的平滑纹理细节信息，提取灰度和梯度特征。目前，常用的技术是将高斯拟合法、Wasserstein距离度量法、局部尺度测量法等与结构张量相结合，对自然纹理图像的分割取得了较好的效果，然而结构张量面临和Gabor滤波同样的问题，对高维特征的处理使得图像分割时计算速度较慢。此外，直方图特征和一些局部信息也被用于图像分割，由于自然纹理图像复杂多样，所有的算法模型都只能适用于特定类型的纹理图像，如何提高算法的计算效率和分割性能一直是人们致力解决的难题。

发明内容

本发明的目的在于，提出一种基于两通道纹理分割主动轮廓模型的图像分割方法，用以解决目前常用的纹理图像的分割方法存在的不足。

为了实现上述目的，本发明提出的技术方案是，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。

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。

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。

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)。