积分商城

最新搜索： 方禾 F66-B fx1n 神经网络 EN 50549 rk3588 CYUSB3014
您现在的位置是：首页 > 技术资料 > 一种基于多特征的距离正则化水平集快速分割方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种基于多特征的距离正则化水平集快速分割方法

更新时间：2019-12-24 00:31:43 大小：3M 上传用户：zhiyao6查看TA发布的资源 标签：图像分割模型 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

现有的图像分割模型存在对初始化信息敏感,分割速率慢,图像弱边界区的泄露等现象.提出了一种混合快速分割方法.该方法利用偏压场近似估计图像的局部统计信息,并结合全局信息相容性及改进的距离正则化方法建立模型,最后将模型嵌入水平集框架中,与此同时,引入双重终止准则以提高分割的速度.最后利用合成图像和真实图像进行分割实验,并与CV(Chan-Vese)模型、非线性自适应水平集方法以及局部尺度拟合模型对比,表明本方法不仅对初始化信息敏感度降低,而且分割速度提高3~5倍.


部分文件列表

文件名 大小
一种基于多特征的距离正则化水平集快速分割方法.pdf 3M

部分页面预览

（完整内容请下载后查看）
3
Vol. 45 No. 3  
Mar. 2017  
第
2017  
期
电
子
ACTA ELECTRONICA SINICA  
学
报
3
年
月
一种基于多特征的距离正则化水平集快速分割方法  
1，2，3  
1，2  
1，2  
1，2  
，
， ，  
于海平  
何发智 潘一腾 陈 晓  
( 1.  
，
430072; 2.  
，
430072;  
武汉大学软件工程国家重点实验室 湖北武汉  
武汉大学计算机学院 湖北武汉  
3.  
，
430083)  
武汉科技大学城市学院 湖北武汉  
:
， ，  
.
摘
要
现有的图像分割模型存在对初始化信息敏感 分割速率慢 图像弱边界区的泄露等现象 提出了一种混  
.
，
合快速分割方法 该方法利用偏压场近似估计图像的局部统计信息 并结合全局信息相容性及改进的距离正则化方法  
，
，
，
.
建立模型 最后将模型嵌入水平集框架中 与此同时 引入双重终止准则以提高分割的速度 最后利用合成图像和真实  
，
CV( Chan－Vese)  
、
，
图像进行分割实验 并与  
模型 非线性自适应水平集方法以及局部尺度拟合模型对比 表明本方法不  
，
3 ～ 5  
.
仅对初始化信息敏感度降低 而且分割速度提高  
倍
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www. ejournal. org. cn  
图像分割 水平集 距离正则化 近似估计 多特征  
:
TP391  
:
A
:
0372－2112 ( 2017) 03－0534－06  
文章编号  
DOI: 10. 3969 /j. issn. 0372－2112. 2017. 003. 004  
文献标识码  
电子学报  
A Fast Distance Regularized Level Set Method for  
Segmentation Based on Multi-features  
1，2，3  
1，2  
1，2  
1，2  
YU Hai－ping  
，HE Fa－zhi ，PAN Yi－teng ，CHEN Xiao  
( 1． State Key Lab of Software Engineering，Wuhan University，Wuhan，Hubei 430072，China;  
2． Department of Computer Science，Wuhan University，Wuhan，Hubei 430072，China;  
3． City College of Wuhan University of Science and Technology，Wuhan，Hubei 430083，China)  
Abstract: The existing image segmentation models have problems of being sensitive to initialization information，slo－  
wer segmentation and leaked weak image boundary regions. This paper presents a hybrid fast segmentation model which uti－  
lizes the local statistics of bias field approximated images，the global information of compatibility and the distance regulariza－  
tion method. Then the model is embedded into level set framework. In addition，a dual termination standard is constructed to  
improve the speed of segmentation. Experiments on synthetic and real images are conducted to verify the efficiency of our  
model. Moreover，comparisons with the well－known CV model，nonlinear adaptive level set model and region scalable fitting  
model demonstrate that the proposed model reduces the sensitivity to the initialization and improves the segmentation speed  
by 3 ～ 5 times.  
Key words: image segmentation; level set; distance regularization; approximately estimate; multi－features  
现有的活动轮廓模型主要分为基于边缘的模型和  
.
基于区域的模型两类 第一类基于边缘模型根据图像  
1
引言  
，
图像分割是图像处理中的基本问题 它在计算机  
、
、
，
在灰度 彩色 纹理等方面的不连续性 利用边缘检测算  
.
，
视觉和模式识别中具有重要的意义 近几年来 学者们  
.
子进行分割 比较典型的算法包括由  
Osher 1988  
等人于  
，
提出了许多模型方法及其改进方法 按照模型的不同  
－
年首次提出的基于哈密尔顿 雅克比方程的水平集方  
［1，2］  
法［5］ 然而 这类方法主要依赖于图像的边缘强度信  
，
、
进行划分 可以划分为基于区域合并的方法  
图割方法［3］ 以及基于活动轮廓的方法  
基于  
Kass  
.
，
［4］  
，
，
其中由  
，
，
息 要求所分割的图像具有亮度不一致特点 而且这类  
等人提出的基于活动轮廓的方法在图像分割中表现更  
，
模型对初始化信息及图像噪声敏感度较高 在图像弱  
，
.
优 近几年出现了许多基于活动轮廓的分割算法  
;
边界区域易产生边界泄露现象 第二类基于区域的模  
: 2015－10－22;  
: 2016－01－13;  
:
收稿日期  
修回日期  
责任编辑 覃怀银  
:
( No. 61472289) ;  
( No. 2015CFB254)  
基金项目 国家自然科学基金  
湖北省自然科学基金  
535  
3
:
于海平 一种基于多特征的距离正则化水平集快速分割方法  
第
期
.
Adf( x，y) = P(  
| I( x，y) ) ꢀ T  
( 5)  
型通过使用特定区域描述符识别某些感兴趣的区域  
，
Ω
1
p
，
，v( x，y)  
主要是基于亮度一致性假设定义区域描述 难以实现  
其中 Ω Ω 分别表示待分割区域及背景区域  
1
2
.
，
亮度不一致图像的有效分割 结合以上问题 本文在灰  
，k  
，
表示曲线的自适应速度函数 和 ζ 表示常数项 分别  
，
度不均图像特性基础上 根据相似性理论估计图像局  
，P( | I( x，y) )  
Ω 表  
用来控制速度的幅度和非线性程度  
I( x，y)  
i
，
，
部信息模型 结合全局相容性特征 以及正则化信息模  
( i = 1，2) ．  
属于 Ω 的后验概率  
示像素点  
i
，
，
型建立混合模型 最后将模型嵌入到水平集框架中 最  
.
非线性自适应水平集方法在一定程度上解决了边  
终实现图像的分割  
．
:
，
界侧漏问题 但是它具有两个局限性 第一 需要具备一  
;
，
，
定的先验信息 第二 对灰度不均图像 曲线迭代后期易  
2
图像分割方法模型  
．
产生震荡现象  
2. 1  
CV  
基于区域的  
Chan Vese  
模型  
3
自适应混合活动轮廓模型  
-CV  
和
提出了一种经典的活动轮廓模型  
模型［6］ 为了解决更复杂的分割问题  
ford Shah  
模型在  
．
，CV  
Mum－  
，
为了弥补上述模型的不足 本文提出了一种混合  
提出的分段常数最小方差基础上加入诸如曲  
PC  
．
，
活动轮廓模型 首先 针对灰度不均图像自身特性建立  
、
，
，
模型 其能量函  
线周长 面积等信息建立模型 简称  
;
，
图像的局部统计模型 其次 利用相似性相容原理改进  
:
数定义为  
;
，
经典的全局信息模型 接着 加入新的距离正则项建立  
，
．
模型 最后将模型嵌入到水平集框架中 下面给出本文  
E( ) =  
φ
( ) |  
δ φ ▽φ  
| dxdy + v H( ) dxdy  
μ
φ
∫
Ω
∫
Ω
:
的总能量泛函表达式  
L
2
G
+
| I( x，y) ꢀ c | H( ) dxdy  
φ
λ
1
1
∫
E( ) = E ( ) + E ( ) + R (  
)
( 6)  
φ
α
φ
β
φ
μ
φ
p
in( C)  
L
G
E 、E 、R  
、
、
2
分别表示局部信息模型 全局信息模型 正则  
p
+
| I( x，y) ꢀ c | ( 1 ꢀ H( ) ) dxdy ( 1)  
φ
λ
2
2
∫
out( C)  
，，，  
．
化模型 α β μ 均为非负常数  
c
c
，
分别表示闭合曲线内外部的灰度均值 右  
和
1
2
3. 1  
局部统计信息模型  
，
边的前两项表示闭合曲线的周长和面积正则项 后两  
，
对于灰度不均图像分割问题 需要将局部统计信  
息考虑在内［9］ 根据灰度不均图像的特征  
． H( ·) Heaviside  
项分别表示闭合曲线的内外部能量  
为
［10 ～ 12］  
．
，
图像的  
'
，( ·)  
函数 δ  
Dirac  
，
H ( ·) = ( ·) ，  
δ 两个  
为
函数 其中  
:
模型可以形式化描述为  
I( x) = B( x) J( x) + N( x)  
I( x) 、B( x) 、J( x)  
:
函数的数学定义如下  
2
1
( 7)  
x
1
ε
1 + * arctan  
H ( x) =  
，( x) =  
δ
·
、
其中  
分别表示灰度不均图像 灰度不  
ε
2
2
(
)
(
)
2
ε
π
π
x +  
ε
，N( x)  
．
均区域偏压场以及真实图像  
表示噪声  
( 2)  
，
根据近似理论方法可知 一个函数可由一组基函  
数的线性组合近似表示［13］ 因此 上式的偏压场可以表  
CV  
，
模型不依赖图像的梯度信息 在灰度均质  
尽管  
．
，
，
，
的图像分割问题中 该模型能很好的分割弱边界区域  
，c  
不能正确的描述局部区域的灰度信息 因  
．
示为一组基函数的线性组合 具体数学模型表示如下  
N
:
c
．
但是  
，CV  
和
1
2
．
此
模型无法正确分割灰度不均的图像  
B( x) =  
w g  
k
( 8)  
∑
k
k = 1  
2. 2  
非线性自适应水平集方法  
W = ( w ，w ，…，w )  
，G = ( g ，g ，  
表示权值参数  
其中令  
1
2
k
1
2
CV  
，
模型存在的问题 王斌等人在文献  
基于上述  
…，g )  
． k  
．
表示基函数 表示基函数的个数 本文使用不  
k
［7］  
，
的基础上利用贝叶斯法则 设计了一种非线性自适  
B( x)  
．
的估计值 假  
同尺度下的高斯核函数作为基函数  
，
，
应速度函数 该函数可以自动确定曲线演化的方向 有  
效地改善了弱边界侧漏现象［8］ 简称为  
x，i = 1，2  
设图像的局部区域为 Ω ∩Ω  
，
由于在局部区域  
i
，
NLAL  
，
方法 该  
，
图像的偏压场信息往往表现为一个常量信息 从变化  
:
方法的能量函数定义如下  
1
，
x，  
趋势上是平滑的 对于图像中的每个点 定义以 ρ 为  
2
E( ) =  
φ
( |  
2
| ꢀ 1) dxdy  
μ
▽φ  
∫
Ω
，
y
半径的圆形为邻域进行估计 则邻域中的每个点 表示  
: O x: | x ꢀ y|  
≜
．
≤ρ 则图像整个区域 Ω 划分可以表示  
为
y
(
) |  
|
δ φ ▽φ  
+
dxdy  
λ
m
∫
Ω 1 + P(  
| I) P(  
| I) | G * I|  
▽
y
．
O
( i = 1，2，…，  
为若干个关于邻域 的划分 比如 ∩Ω  
y
Ω
Ω
i
1
2
σ
N) ．  
，
:
其中核函数的选取退化的高斯函数 定义为  
k( ( 1/( 1 +exp( Adf( x，y) ) ) ) ꢀ0ꢁ 5) H(  
)
ζ
φ
+
dxdy  
m
∫
Ω
2
ꢀ | u| /2  
2
1 +P( |I) P( |I) | G * I|  
Ω
1
Ω
2
▽
1
σ
σ
e
， | u |  
≤ρ  
a
K( u) =  
( 9)  
: B( x) =  
的向量形式为  
( 3)  
( 4)  
{
0，  
otherwise  
1
ꢀ 0ꢁ 5  
v( x，y) = k  
[
]
a
;
( 8)  
1 + exp( ꢀ Adf( x，y) )  
ζ
其中 表示标准化常量 式  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号