[发明专利]图像分割方法及其系统

权利要求书

1.一种图像分割方法，其特征在于，包括：

检测目标图像的显著性区域，得到目标区域的初始化边界曲线；

根据LIF模型的能量泛函数和DRLSE模型的能量泛函数，生成新的能量泛函数，所述新的能量泛函数为其中，E^LIF为LIF模型的能量泛函数，E_DRLSE为DRLSE模型的能量泛函数，η为预设的对应LIF模型的权重，ρ为预设的对应DRLSE模型的权重；

根据所述新的能量泛函数和预设的迭代次数，对所述初始化边界曲线进行演化，得到演化后的边界曲线；

根据所述演化后的边界曲线进行图像分割。

2.根据权利要求1所述的图像分割方法，其特征在于，所述“检测目标图像的显著性区域，得到目标区域的初始化边界曲线”具体为：

根据元胞自动机，检测目标图像的显著性区域，得到目标区域的初始化边界曲线。

3.根据权利要求2所述的图像分割方法，其特征在于，所述“根据元胞自动机，检测目标图像的显著性区域，得到目标区域的初始化边界曲线”具体为：

将目标图像划分为N个超像素；

根据K均值算法，将位于目标图像边缘的超像素划分为K类；

根据划分后的K类超像素，构建K个全局颜色差异图及其对应的显著值矩阵；

根据各个超像素与K类超像素中的超像素之间的空间距离，构建权重矩阵；

根据所述显著值矩阵和权重矩阵，计算得到显著图；

根据超像素之间的相邻关系和空间距离，定义一超像素对另一超像素的影响因子，并构建影响因子矩阵；

根据预设的度矩阵，对所述影响因子矩阵进行归一化，得到归一化后的影响因子矩阵；

根据影响因子矩阵中的影响因子，计算各超像素当前状态的置信度，并构建置信度矩阵；

对所述置信度矩阵进行优化，得到优化后的置信度矩阵；

根据归一化后的影响因子矩阵和优化后的置信度矩阵，对所述显著图进行演化更新，得到目标图像的最终显著图；

根据所述最终显著图，得到目标区域的初始化边界曲线。

4.根据权利要求1所述的图像分割方法，其特征在于，所述“根据LIF模型的能量泛函数和DRLSE模型的能量泛函数，生成新的能量泛函数”具体为：

根据LIF模型的能量泛函数和DRLSE模型的能量泛函数，生成新的能量泛函数，所述新的能量泛函数为其中，E^LIF为LIF模型的能量泛函数，E_DRLSE为DRLSE模型的能量泛函数，η为预设的对应LIF模型的权重，ρ为预设的对应DRLSE模型的权重；

根据LIF模型的能量泛函数，得到LIF模型的水平集演化方程；

根据DRLSE模型的能量泛函数，得到DRLSE模型的水平集演化方程；

根据所述新的能量泛函数、LIF模型的水平集演化方程和DRLSE模型的水平集演化方程，得到新的水平集演化方程。

5.根据权利要求4所述的图像分割方法，其特征在于，所述“根据所述新的能量泛函数和预设的迭代次数，对所述初始化边界曲线进行演化，得到演化后的边界曲线”具体为：

根据所述新的水平集演化方程和预设的迭代次数，对所述初始化边界曲线进行演化，得到演化后的边界曲线。

6.一种图像分割系统，其特征在于，包括：

检测模块，用于检测目标图像的显著性区域，得到目标区域的初始化边界曲线；

生成模块，用于根据LIF模型的能量泛函数和DRLSE模型的能量泛函数，生成新的能量泛函数，所述新的能量泛函数为其中，E^LIF为LIF模型的能量泛函数，E_DRLSE为DRLSE模型的能量泛函数，η为预设的对应LIF模型的权重，ρ为预设的对应DRLSE模型的权重；

演化模块，用于根据所述新的能量泛函数和预设的迭代次数，对所述初始化边界曲线进行演化，得到演化后的边界曲线；

分割模块，用于根据所述演化后的边界曲线进行图像分割。