[发明专利]基于自适应参数的水平集图像分割方法

说明书

技术领域

本发明涉及图像处理领域，可用于图像分割、模式识别、目标跟踪等技术领域，特别涉及水平集方法在图像分割领域中的应用。

背景技术

图像分割是图像处理与计算机视觉领域中的一个最为基础和重要步骤。图像分割是指根据图像的灰度、色彩、纹理等特征将输入图像分割为一些独立的区域，使同一区域具有相同的属性，在不同的区域具有不同的属性，从而使得目标区域能被从图像中分离出来。图像分割的应用范围广泛，凡是属于需要对图像目标进行提取、测量的工作都离不开图像分割。在智能交通领域中，图像分割已广泛应用于车牌的定位和生产；在医学领域，图像分割应用于脑图像、心脏图像、细胞图像分割；在遥感领域，图像分割应用于对图像中海岸线的分割。

对于图像分割问题，研究者已经提出了很多方法，但是鉴于图像种类多、数据量大、变化多端的特点，目前尚没有一种图像分割的方法能适用于所有的情况。

水平集方法是一种传统的图像分割方法，该方法将图像空间中的二维曲线嵌入到三维空间中，借助三维空间曲面的进化隐含的求解曲线的进化。由于曲面运动相关的信息和曲面运动本身的情况都包含在水平集函数中，所以水平集方法能够很容易处理曲线拓扑结构的变化，因此被广泛应用于各种曲线，表面的演化问题。

但是由于水平集进行的是演化后的三维运算，因此算法复杂度高。运算时间较长。初始化的时候必须设置参数，这需要花费大量训练时间，而且会降低曲线收敛速度。

由于上述传统水平集方法的图像分割方法存在的缺点限制了水平集算法在图像分割方面的应用，因此，研究一种行之有效的图像分割方法是本技术领域科技人员的当务之急。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于自适应系数模型的水平集图像分割方法，以实现在不预设参数的情况下，大大了减少训练时间，既提高了收敛速度，又能在图像分割中得到良好的结果，使得图像分割结果更稳定、边缘更加平滑。

本发明的技术方案是设一组自适应系数分别取代原来在演化方程中区域项及边界项的系数，使得区域项和边界项的权重为一个动态的自适应过程，演化曲线在远离目标区域的时候希望区域项收敛速度快因而需要此项的系数权重大，而在靠近目标区域时平滑项需要使得分割图像的边缘更加平滑所以此时此项系数的权重大一些。这一过程在不提高时间步长的情况下，提高了演化方程的收敛速度，并取得了很好的分割效果。并且不需要通过设置系数，避免了系数的不适当取值造成分割效果不理想，减少了训练时间，从而得到新的图像分割方法。

本发明的技术方案是，基于自适应参数的水平集图像分割方法，其特征包括如下步骤：

本发明的具体实现步骤如下：

步骤1：读入待分割图像；

步骤2：设定时间步长和迭代次数以及距离正则项权重系数；

步骤3：对图像进行预滤波处理，采用高斯滤波从而保持图像细节，抑制噪声；

步骤4：初始化水平集函数，此时的水平集函数为初始水平集函数φ₀；

步骤5：设定自适应参数为其中，将自适应参数η，加入到水平集演化方程，分别为区域项和边界项的的权重系数；

步骤6：开始进行水平集迭代运算；

步骤7：判断迭代次数是否达到上限，满足迭代终止条件则结束。

本发明的优点是：传统水平集图像分割方法需要对演化方程的参数需要预设置，而这一训练过程需要花费研究者大量时间。参数设置不合适会直接影响到图像的分割效果，为了克服这一不足，1)本发明大量减少了训练时间，所以大大方便了对水平集知识了解较少的用户使用本发明；2)本发明由于采用自适应参数，因此在每一次迭代过程中系数都产生变化，达到全局优化的效果，提高了收敛速度。不论是视觉效果还是分割时间都优于传统水平集图像分割方法。

附图说明

图1基于自适应参数的水平集图像分割方法的流程框图；

图2对待分割图像进行高斯滤波预处理的流程图；

图3初始化水平集函数的流程图；

图4设置自适应参数η的流程图；

图5待分割的自然图像2；

图6用本发明方法对图5进行图像分割得到的初始化水平集函数图；

图7仿真实验结果图。

具体实施方式