[发明专利]一种基于贝叶斯估计与水平集的快速图像分割方法及装置

说明书

本发明公开了一种基于贝叶斯估计与水平集的快速图像分割方法及装置，可应用于智能图像理解与机器视觉等领域及相关应用。该方法利用概率性质重写水平集演变方程；通过基于分割曲线内像素与总像素比值得到先验概率，将目标形状变化信息代入贝叶斯估计得到概率标签；将概率标签代入能量函数，利用概率中包含的统计信息来提高参数估计的效率。通过概率标签、统计参数与水平集的快速更新使得图像分割快速进行。相比于传统方法，本发明能够大大降低计算代价，并且有效解决了主动轮廓在彩色图像中的应用问题，通过多元的高斯分布，算法可以在不改变数学模型的前提下对任意维的数据进行处理。

技术领域

本发明涉及一种基于贝叶斯估计与水平集的快速彩色图像分割方法及装置，能够高效的完成分割，可广泛应用于图像分析领域。

背景技术

图像分割是数字图像处理中最重要的技术，它是将图像分为多个不相交的区域，并使每个区域满足特定区域的一致性条件的过程，图像分割的目标是将图像的表示简化以更易于分析。图像分割也可被视为根据不同标准将像素点聚集成若干类，并将属于同一聚类的像素或者坐标赋予相同的标签。图像分割通过对图像信息的精简或相关表示，为加快和提高图像处理、分析和理解的快速性和有效性提供了重要的基础，也是在各领域应用的必要前提，并且在很大程度上决定着后续高阶任务的处理结果。但在各种应用中面临诸多挑战。例如，在医学图像分析中的细胞分类定性，需要从多种细胞遮挡和重叠的背景中完整准确分割出特定单个细胞；在智能制造中的产品实时检测，需要在高噪声、高速运转的生产线上快速准确分割出缺陷产品；此外，在智能交通尤其是无人驾驶领域，需要在各种复杂交通场景中实时准确分割提取不同车辆、行车道、行人等信息。随着应用场景的增多，图像分割待解决的问题也越来越复杂，不断地研究和解决这些新的挑战非常重要。

图像分割技术经过多年发展，已拥有大量的研究成果，并出现一些典型的技术，如通过图像观测值的统计特性、图像直方图的阈值、图像不同区域的边缘、图像区域的相似性准则、能量泛函的最小化、图像局部空间信息等方法来实现分割。其中，基于能量泛函的主动轮廓模型得益于其成熟的数学模型以及能够最小化任意的能量函数，可以很自然地扩展以适应关于图像及其结构的各种信息，并以其像素级的精确性，能够产生光滑、规则的分割轮廓等特点在众多分割方法中得到了持续的关注。但是该模型对复杂场景下的图像分割存在着效率较低、稳定性较差等问题，严重影响了该方法的进一步推广应用。

主动轮廓模型通过定义一个包括边缘曲线和区域数据项的能量泛函，并利用求解欧拉(Euler-Lagrange)方程来最小化能量泛函的方法控制分割曲线的演化，而分割曲线大多隐含的表示为一个函数的0水平集，这个函数一般被称为是水平集函数(Level setfunction)。这类模型中应用最广的是Chan-Vese方法，是一种分段光滑模型，利用分割轮廓内外图像强度的均值来代替边缘梯度使得水平集进行演化。而Chan-Vese模型假设图像在统计上是均匀的，且是由全局信息来驱动，但图像通常具有强度不均匀性。并且该方法通过解偏微分方程来完成利用水平集函数隐含表示的曲线的演变，且在一定演变后水平集函数会失去距离函数的特性，需要重新初始化，这使得该模型有着较大的计算代价。学者们通过两种思路来改进这个问题，一是由Chunming Li提出的通过在能量项中增加一个惩罚项，使得在曲线演化过程中水平集函数保持光滑性而无需重复初始化。另外一种方法是由Yonggang Shi为代表的通过某种近似来避免解偏微分方程，来加快分割曲线的演变。但这两类方法存在的共同问题是不够快，并且不能处理彩色图像。

发明内容

发明目的：针对现有区域性主动轮廓分割方法中存在的问题，本发明提供一种基于贝叶斯估计与水平集的快速图像分割方法及装置，该方法能够较好地处理模型计算量较大的问题，方法通过几何先验将分割轮廓的演变信息带入统计框架，从而获得更为准确的概率标签，同时利用概率标签将更多的信息带入水平集的演变。

技术方案：为实现上述发明目的，本发明所述的一种基于贝叶斯估计与水平集的快速图像分割方法，包括如下步骤：

(1)初始化水平集函数，所述水平集函数表达的闭合曲线为图像的前景和背景的；