[发明专利]基于Snake模型的轮廓提取方法

说明书

技术领域

本发明涉及计算机图像处理的方法，具体讲是基于Snake模型的轮廓提取方法。

背景技术

轮廓是体现物体特征的基本元素之一，有效的轮廓提取对于图像分割、图像分析以及图像理解具有重要意义。传统的轮廓提取是一种自底向上的过程，轮廓的提取完全依赖于从底层图像本身获取的信息，容易受到错误信息影响，造成误差并传播到上层应用。1987年Kass等人提出的主动轮廓模型(Snake模型)融合了轮廓曲线特性、底层图像数据以及上层知识，解决了其间不可调和的矛盾，引起了学者们的广泛研究并产生了诸多应用。

Snake模型的基本思想是使用连续曲线来模拟目标轮廓边缘，并定义一个以曲线为自变量的能量函数，以最小化能量函数为目的，通过曲线能量与图像能量作用，控制曲线变形并靠近目标轮廓。由于考虑了曲线本身特性，Snake模型提取的目标轮廓整体连续且平滑。但是Snake模型对轮廓线初始位置敏感，需要人工手动设置目标初始轮廓，造成了极大的不便。其次Snake模型容易受到目标附近较强噪声干扰。

近几年有学者提出了基于图论的Graph Cuts图像分割算法，其将图像像素看作第一类节点，相邻节点之间的边看作第一类边。在图的基础上设置两个终端节点S和T，每个第一类节点和这两个终端节点之间的边看作第二类边。该算法根据图像特征为图中每条边赋非负的权值，于是图像分割问题就转换成了图论中求解图的最小割问题。Graph Cuts算法由于仅考虑底层图像特点，分割结果难以形成平滑的轮廓曲线，同时容易受到局部噪声影响。

发明内容

本发明提供了一种基于Snake模型的轮廓提取方法，以解决Snake模型对初始轮廓敏感以及易受噪声干扰的问题，对图像提取出连续平滑的准确轮廓。

本发明的基于Snake模型的轮廓提取方法，包括：

A.获取目标彩色图像，并将所述的彩色图像通过灰度变换转换为灰度图像；

B.对灰度图像高斯滤波处理，将灰度图像的像素值作为权重，与高斯核进行加权平均计算，输出计算结果；

C.通过Graph Cuts算法将高斯滤波后的灰度图像映射为带权无向图，为每条边构造权值，然后构造能量函数表示无向图的一个割集的权值之和，求解所述能量函数的最小值，获得灰度图像的分割结果；

D.将所述分割结果设置为Snake模型的初始轮廓，通过迭代处理提取准确的目标轮廓。

本发明通过高斯滤波进行平滑图像，降低了部分噪声对轮廓提取的干扰，提高了算法的鲁棒性。使用基于图论的Graph Cuts算法进行图像分割，获得了提取目标附近的近似轮廓，并将其作为Snake模型的初始输入，这样能够有效降低Snake模型设置初始轮廓的复杂程度，提高轮廓提取效率。本发明能够在医学图像分割、SAR图像道路提取以及人体局部轮廓提取等领域有广泛应用。

进一步的，步骤B中所述对灰度图像的高斯滤波处理包括移动高斯核H的中心元素，使其位于待处理像素的正上方。

具体的，所述高斯核H的各元素计算方法为：其中i和j分别为所计算元素的横坐标和纵坐标值，k为高斯核H的半径长度，σ为高斯滤波后灰度图像被平滑的程度的标准差。

进一步的，步骤D中设置Snake模型的初始轮廓后，判断曲线迭代是否结束，如果曲线迭代没有结束，进行轮廓插值，清理相同的点并使轮廓曲线成为一条连续的曲线，然后进行曲线迭代位移，根据曲线能量、图像能量和形状约束能量作用，计算曲线每一轮迭代的偏移值并让曲线按值位移；如果曲线迭代结束，显示提取的目标轮廓。为Snake模型添加形状约束能量，能够更好的避免提取目标附近较强噪声的影响，有效提高轮廓的提取精度。

进一步的，步骤C中，对所述带权无向图中的所有边分配权值后，对割L的能量函数的计算方法为：E(L)＝λR(L)+B(L)，其中R(L)为区域项，是所有像素分配标签的惩罚值之和，B(L)为边界项，是所有相邻像素之间不连续的惩罚值之和，λ为调节区域项与边界项的重要因子，表示区域项与边界项之间的比重。

本发明的基于Snake模型的轮廓提取方法，解决了Snake模型对初始轮廓敏感以及易受噪声干扰的问题，有效降低了Snake模型设置初始轮廓的复杂程度，大幅度提高了轮廓提取的效率。

以下结合实施例的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。