[发明专利]基于非下采样Shearlet变换与矢量C-V模型的图像分割方法

摘要

本发明提出了一种基于非下采样Shearlet变换与矢量C‑V模型的图像分割方法，属于图像处理领域。该方法对给定的图像用非下采样剪切波进行多层分解，获得不同方向的低频和高频分量，送到矢量C‑V模型中，在整个图像上初始化一系列均匀分布演化曲线，极小化得到的能量泛函，从而得到分割结果。本发明分割效果显著，具有较高的客观评价质量和很好的视觉效果。

主权项

1.一种基于非下采样Shearlet变换与矢量C‑V模型的图像分割方法，其特征在于按照如下步骤进行：定义 C‑V能量泛函形式如下，      其中是Heaviside 函数，定义如下：它的分布导数为；对于固定的和极小化关于的函数，通过使用最速下降流方法可以得到控制平均曲率和误差项的Euler‑Lagrange方程；矢量C‑V模型有如下定义：     其中是中图像的等层信道,是演化曲线，和是近似图像强度的未知的常数向量，和是每一层信道的参数；其水平集函数如下：   为了计算的Euler‑Lagrange方程，将和规范为：和极小化关于的能量泛函得到的Euler‑Lagrange方程为：      步骤 1. 对给定的图像用NSST进行层分解，首先是用非下采样的Laplacian金字塔算法实现图像的多尺度分解，再利用剪切矩阵获得方向，具体地：步骤 11.利用Laplacian金字塔分解算法，把分解成一个低通滤波后的图像，和一个高通滤波后的图像；步骤 12.在伪极格上计算，生成矩阵；步骤 13.对矩阵进行带通滤波；步骤 14.直接重新定义笛卡尔抽样值，向二维快速Fourier变换或应用逆采用上一步中的伪极离散Fourier变换，得到剪切系数；步骤 2.将用NSST获得的不同方向的低频和高频分量，送到矢量C‑V模型中；步骤 3.在整个图像上初始化一系列均匀分布演化曲线，设每层多分辨表示的图像的正则化参数；步骤 4.极小化由步骤2得到的能量泛函；步骤 5.输出最后的分割结果。