一种用主动轮廓进行红外图像分割的方法.pdf

上传人：r7

文档编号：4668734

上传时间：2018-10-26

格式：PDF

页数：11

大小：3.05MB

《一种用主动轮廓进行红外图像分割的方法.pdf》由会员分享，可在线阅读，更多相关《一种用主动轮廓进行红外图像分割的方法.pdf（11页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104123719 A (43)申请公布日 2014.10.29 CN 104123719 A (21)申请号 201410243635.4 (22)申请日 2014.06.03 G06T 7/00(2006.01) (71)申请人南京理工大学地址 210094 江苏省南京市孝陵卫 200 号 (72)发明人张毅柏连发汤茂飞韩静祁伟金左轮岳江王博赵壮 (74)专利代理机构南京理工大学专利中心 32203 代理人唐代盛孟睿 (54) 发明名称一种用主动轮廓进行红外图像分割的方法 (57) 摘要本发明提出一种用主动轮廓进行红外图像分割的方。

2、法。本发明通过构造一种基于局部熵和局部标准差联合驱动的主动轮廓模型，充分利用图像的灰度分布信息，同时通过引入高斯核函数，在局部区域内更准确地驱动轮廓演化，以对红外图像进行分割。本发明能够有效实现红外图像的分割，得到完整且正确的目标轮廓。 (51)Int.Cl. 权利要求书 3 页说明书 5 页附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书3页说明书5页附图2页 (10)申请公布号 CN 104123719 A CN 104123719 A 1/3 页 2 1. 一种用主动轮廓进行红外图像分割的方法，其特征在于，包括以下步骤。

3、：步骤一：计算待分割红外图像中各像素点对应的局部熵和局部标准差，并使用各像素点对应的局部熵和局部标准差构造各像素点特征向量；通过初始化水平集函数给红外图像设定初始轮廓；计算当前演化轮廓内部的局部区域和外部的局部区域内所有像素点对应的特征向量的均值向量；步骤二：计算步骤一所获得的均值向量与当前演化轮廓上各像素点对应的特征向量的余弦相似性，根据余弦相似性确定当前演化轮廓上各像素点的演化方向及驱动力的大小，从而构造驱动轮廓演化的符号控制力函数；步骤三：将步骤二构造的符号控制力函数代入水平集演化方程，通过水平集的演化实现红外图像的分割。 2. 如权利要求。

4、 1 所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，所述红外图像中每个像素点的局部熵的计算方法如公式 (1) 所示，公式 (1) 中， entro(x,y) 为像素点 (x,y) 对应的局部熵， L 为红外图像的灰度级总数， ni为红外图像中灰度级为 i 的像素的个数，频数 pi可以近似看做灰度级为 i 的像素在红外图像中出现的概率， MN 为以像素点 (x,y) 为中心的局部窗口大小。 3. 如权利要求 1 所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，所述红外图像中每个像素点的局部标准差的计算方法如公式 (2) 所示，公式 (2) 中，。

5、std(x,y) 为像素点 (x,y) 对应的局部标准差， MN 为以像素点 (x,y) 为中心的局部窗口大小， (m,n)表示局部窗口中任意一个像素点， s(m,n)为像素点(m,n)对应的像素灰度值，为局部窗口中所有像素点的灰度平均值，的计算方法如公式 (3) 所示：公式 (3) 中， m M-1， n N-1。 4. 如权利要求 1 所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，所述使用各像素点对应的局部熵和局部标准差构造各像素点特征向量如公式 (4) 所示， f(x,y) (entro(x,y),std(x,y) (4) 公式 (4) 中， f(x,y。

6、) 为像素点 (x,y) 对应的特征向量。 5. 如权利要求 1 所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，用 fi(x,y) 表示当前演化轮廓内外局域内所有像素点对应特征向量的均值向，均值向量 fi(x,y) 如公式 (5) 所以，权利要求书 CN 104123719 A 2 2/3 页 3 公式 (5) 中， f1(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的特征向量的均值向量， entro1(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值， std1(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部标。

7、准差的均值； f2(x,y) 是当前演化轮廓外部局部区域内所有像素点对应的特征向量的均值向量， entro2(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值， std2(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值； W(x,y) 为窗口函数，为待分割红外图像区域； (x,y) 为演化轮廓对应的零水平集函数，其初始化如公式 (6) 所示，公式 (6) 中， 0是图像区域的一个子集，是 0的边界。 6. 如权利要求 5 所述的用主动轮廓进行红外图像分割的方法，其特征在于，选择高斯核函数作为窗口函数 W(x,y)。 7. 如。

8、权利要求 5 所述的用主动轮廓进行红外图像分割的方法，其特征在于，均值向量 fi(x,y) 中 entro1(x,y)、 std1(x,y)、 entro2(x,y) 和 std2(x,y) 的计算方式如下：其中， K是标准差为的高斯核函数， H() 是 Heaviside 函数。 8. 如权利要求 1 所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤二的过程具体为：步骤 21 ：计算轮廓内外局域内的均值向量 fi(x,y) 与当前演化轮廓上各像素点对应的特征向量 f(x,y) 的余弦相似性，计算方式如公式 (7) 所示：权利要求书 CN 1041。

9、23719 A 3 3/3 页 4 公式 (7) 中， cos1是 f(x,y) 与 f1(x,y) 之间的余弦相似性， cos2是 f(x,y) 与 f2(x,y)之间的余弦相似性，通过比较cos1与cos2的大小确定轮廓上各点的演化方向，如果 cos1 cos2，则轮廓应向外扩展，反之，轮廓要向内收缩；步骤 22 ：将轮廓内外局域内的均值向量 fi(x,y) 与当前演化轮廓上各像素点对应的特征向量 f(x,y) 作差取模，并通过公式 (8) 确定驱动力的大小 F(x,y) ：公式 (8) 中，为常数；步骤 23 ：使用轮廓上各像素点的演化方向以及对应驱动力的大。

10、小，构造符号控制力函数 spf，如公式 (9) 所示： 9. 如权利要求 1 所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤三所述水平集演化方程如公式 (10) 所示，公式 (10) 中，是一个常数，表示零水平集沿梯度方向的方向导数。权利要求书 CN 104123719 A 4 1/5 页 5 一种用主动轮廓进行红外图像分割的方法技术领域 0001 本发明属于图像处理技术领域，具体涉及一种用主动轮廓进行红外图像分割的方法。背景技术 0002 红外图像分割对红外目标的识别与跟踪具有重要的作用，由于红外图像通常具有边缘模糊、灰度不均匀等特点，所。

11、以常用的图像分割方法对于红外图像的分割难以达到理想的效果。近年来，主动轮廓模型 (ACM) 被广泛应用到图像分割中，其对于医学图像的分割已取得了很好的效果，但在红外图像分割领域还有待于进一步的研究。 0003 主动轮廓模型主要可分为基于边界的模型和基于区域的模型两类，基于边界信息的主动轮廓模型利用图像的梯度定义目标的边界，其中具有代表性的是 GAC 模型；基于区域信息的主动轮廓模型利用区域统计信息 ( 如灰度 ) 引导曲线演化，其中被广泛使用的是 CV 模型。 0004 文献一 (Zhang K,Zhang L,Song H,et al.Active contours 。

12、with selective local or global segmentation:a new formulation and level set methodJ.Image and Vision Computing,2010,28(4):668-676.)提出了SLGS模型，将GAC和CV模型有机地结合在一起，其利用CV模型中定义的灰度信息构造符号控制力函数(SPF)，替代GAC中的边缘停止函数，从而能够更好地控制曲线演化的方向，但其基于的是待分割区域的灰度均匀这一假设，因而该模型对灰度不均匀的红外图像的分割效果不是很理想。 0005 文献二 (Li C,Kao C Y。

13、,Gore J C,et al.Minimization of region-scalable fitting energy for image segmentationJ.Image Processing,IEEE Transactions on,2008,17(10):1940-1949.) 提出了 LBF 模型，主要利用图像局部区域的灰度信息驱动曲线演化，对灰度不均匀的图像能够进行分割，但由于模型利用的图像信息量较少，直接将其用于红外图像的分割，同样难以获得准确的结果。发明内容 0006 本发明提出一种用主动轮廓进行红外图像分割的方法，能够有效实现红外图像的分割，得。

14、到完整且正确的目标轮廓。 0007 为了解决上述技术问题，本发明提供一种用主动轮廓进行红外图像分割的方法，包括以下步骤： 0008 步骤一：计算待分割红外图像中各像素点对应的局部熵和局部标准差，并使用各像素点对应的局部熵和局部标准差构造各像素点特征向量；通过初始化水平集函数给红外图像设定初始轮廓；计算当前演化轮廓内部的局部区域和外部的局部区域内所有像素点对应的特征向量的均值向量； 0009 步骤二：计算步骤一所获得的均值向量与当前演化轮廓上各像素点对应的特征向量的余弦相似性，根据余弦相似性确定当前演化轮廓上各像素点的演化方向及驱动力的大说明书 CN 1。

15、04123719 A 5 2/5 页 6 小，从而构造驱动轮廓演化的符号控制力函数； 0010 步骤三：将步骤二构造的符号控制力函数代入水平集演化方程，通过水平集的演化实现红外图像的分割。 0011 本发明与现有技术相比，其显著优点在于： (1) 本发明方法利用图像的局部熵和局部标准差构造特征向量，即利用局部熵和局部标准差联合驱动主动轮廓模型，充分地利用了图像的灰度分布信息，能够更准确地控制轮廓线演化的方向； (2) 针对红外图像灰度不均匀的特点，本发明引入高斯核函数与待分割图像卷积，使得驱动曲线演化的力只取决于当前轮廓局域内对应特征向量的作用，能够有效克。

16、服灰度不均匀对分割结果的影响； (3) 本发明对于灰度不均匀的红外图像能实现更好的分割。附图说明 0012 图 1 是本发明流程图。 0013 图 2 是本发明仿真实验中所用的待分割红外图像。 0014 图 3 是本发明仿真实验获得的图 2 的局部熵图像。 0015 图 4 是本发明仿真实验获得的图 2 的标准差图像。 0016 图 5 是本发明仿真实验获得的初始轮廓图。 0017 图 6 是本发明仿真实验红外图像中位于点 (x,y) 的像素对应的特征向量 f(x,y) 的示意图。 0018 图 7 是本发明仿真实验当前演化轮廓内所有像素点对应特征向量的均值向量示意图。 0019 图 8。

17、是本发明仿真实验中使用 SLGS 模型获得的分割结果图。 0020 图 9 是本发明仿真实验中使用 LBF 模型获得的分割结果图。 0021 图 10 是本发明仿真实验中使用本发明方法获得的分割结果图。具体实施方式 0022 红外图像具有边缘模糊、灰度不均匀等特点，常用的主动轮廓模型一般难以获得理想的分割效果，本发明方法通过构造一种基于局部熵和局部标准差联合驱动的主动轮廓模型，充分利用图像的灰度分布信息，同时通过引入高斯核函数，在局部区域内更准确地驱动轮廓演化，以对红外图像进行分割。如图 1 所示，本发明具体步骤如下： 0023 步骤一：计算待分割红外图像中各像。

18、素点对应的局部熵和局部标准差，获得红外图像对应的局部熵图像和局部标准差图像，并使用各像素点对应的局部熵和局部标准差构造各像素点特征向量；再通过初始化水平集函数给红外图像设定初始轮廓，同时引入高斯核函数，计算当前演化轮廓内部的局部区域和外部的局部区域内 ( 简称内外局域内 ) 所有像素点对应的特征向量的均值向量。 0024 所述红外图像中每个像素点的局部熵的计算方法如公式 (1) 所示， 0025 0026 公式 (1) 中， entro(x,y) 为像素点 (x,y) 对应的局部熵， L 为红外图像的灰度级总数， ni为红外图像中灰度级为 i 的像素的个数，频数 pi可。

19、以近似看做灰度级为 i 的像素在说明书 CN 104123719 A 6 3/5 页 7 红外图像中出现的概率， MN 为以像素点 (x,y) 为中心的局部窗口大小。 0027 通过公式 (1) 计算待分割红外图像中每一个像素点对应的局部熵，获得红外图像对应的局部熵图像 Entro。 0028 所述红外图像中每个像素点的局部标准差的计算方法如公式 (2) 所示， 0029 0030 公式(2)中， std(x,y)为像素点(x,y)对应的局部标准差， MN为以像素点(x,y) 为中心的局部窗口大小， (m,n)表示局部窗口中任意一个像素点， s(m,n)为像素点(m,n)对应的像素。

20、灰度值，为局部窗口中所有像素点的灰度平均值，其定义如公式 (3) 所示： 0031 0032 公式 (3) 中， m M-1， n N-1。 0033 计算局部熵和局部标准差时选取的局部窗口可以是同一窗口。 0034 通过公式 (2) 计算待分割红外图像中每一个像素点对应的局部标准差，获得红外图像对应的局部标准差图像 Std。 0035 所述使用各像素点对应的局部熵和局部标准差构造各像素点特征向量如公式 (4) 所示， 0036 f(x,y) (entro(x,y),std(x,y) (4) 0037 公式 (4) 中， f(x,y) 为像素点 (x,y) 对应的特征向量； 003。

21、8 本发明用 fi(x,y) 表示当前演化轮廓内外局域内所有像素点对应特征向量的均值向，均值向量 fi(x,y) 可以用公式 (5) 进行表示， 0039 0040 公式 (5) 中， f1(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的特征向量的均值向量， entro1(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值， std1(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值； f2(x,y) 是当前演化轮廓外部局部区域内所有像素点对应的特征向量的均值向量， entro2(x,y) 是当前演化轮廓的内部局部区域内所有像素。

22、点对应的局部熵的均值， std2(x,y) 是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值； W(x,y) 为窗口函数，本发明选择高斯核函数作为 W(x,y) ；为待分割红外图像区域； (x,y) 为演化轮廓对应的零水平集函数，其初始化如公式 (6) 所示， 0041 说明书 CN 104123719 A 7 4/5 页 8 0042 公式 (6) 中， 0是图像区域的一个子集，是 0的边界。本发明中，取 1。 0043 均值向量 fi(x,y) 中 entro1(x,y)、 std1(x,y)、 entro2(x,y) 和 std2(x,y) 的计算如公。

23、式 (6) 所示： 0044 0045 0046 公式 (6) 中， K是标准差为的高斯核函数， H() 是 Heaviside 函数， H() 的构造如公 (7) 所示， 0047 0048 步骤二：利用轮廓内外局域内的均值向量与当前演化轮廓上各点对应的特征向量的余弦相似性，确定轮廓上各像素点的演化方向及驱动力的大小，构造驱动轮廓演化的符号控制力函数。 0049 步骤21 ：在二维空间中，向量A(x1,y1)与向量B(x2,y2)的夹角余弦定义如公式(8) 所示： 0050 0051 夹角余弦取值范围为 -1,1，夹角余弦值越大，则两向量的夹角越小，表明两向量相。

24、似性越大。 0052 本发明方法中，首先计算轮廓内外局域内的均值向量 fi(x,y) 与当前演化轮廓上各像素点对应的特征向量 f(x,y) 的余弦相似性，如公式 (9) 所示： 0053 0054 公式 (9) 中， cos1是 f(x,y) 与 f1(x,y) 之间的余弦相似性， cos2是 f(x,y) 与 f2(x,y)之间的余弦相似性，通过比较cos1与cos2的大小确定轮廓上各点的演化方向，如果 cos1 cos2，则轮廓应向外扩展，反之，轮廓要向内收缩。 0055 步骤 21 ：将轮廓内外局域内的均值向量 fi(x,y) 与当前演化轮廓上各像素点对应说明书。

25、 CN 104123719 A 8 5/5 页 9 的特征向量 f(x,y) 作差取模，并通过公式 (10) 确定驱动力的大小 F(x,y) ： 0056 0057 公式 (10) 中，为常数； 0058 步骤 23 ：使用轮廓上各像素点的演化方向以及对应驱动力的大小，就构成了本发明中的符号控制力函数，记为 spf，如公式 (11) 所示： 0059 0060 步骤三：将构造的符号控制力函数代入如公式 (12) 所示的水平集演化方程，通过水平集的演化最终实现红外图像的分割。 0061 0062 公式 (12) 中，是一个常数， | | 表示零水平集沿梯度方向的方向导。

26、数。 0063 根据公式 (12) 进行水平集的演化，当满足收敛条件时，迭代停止，得到最终的分割结果。 0064 本发明的有益效果可以通过以下仿真实验作进一步说明： 0065 选择如图 2 所示的红外图像作为待分割图像，使用本发明方法进行实验，在步骤一中获得的局部熵图像如图 3 所示，获得的局部标准差图像如图 4 所示。在计算局部熵和局部标准差时，均选取大小为 99 的局部窗口。步骤一中给图像设定的初始轮廓如图 5 所示。图 6 是红外图像中位于点 (x,y) 的像素对应的特征向量 f(x,y) 的示意图，图 7 是当前演化轮廓内所有像素点对应特征向量的均值向量示意。

27、图，其中， f1(x,y) 是当前演化轮廓内部局域内所有像素点对应特征向量的均值向量， f2(x,y) 是当前演化轮廓外部局域内所有像素点对应特征向量的均值向量。 0066 对比本发明方法与 SLGS 模型和 LBF 模型对红外图像的分割结果，其中，图 8 所示是本发明方法对红外图像的分割结果，图 9 所示是 SLGS 模型的分割结果，图 10 所示是 LBF 模型的分割结果。从分割结果中可以看出， SLGS 模型和 LBF 模型都没能准确分割出目标，发生了很多误分割，且得到的最终轮廓不完整；而本发明方法能够得到完整且准确的目标轮廓。说明书 CN 104123719 A 9 1/2 页 10 图 1 图 2 图 3图 4 图 5 图 6图 7 说明书附图 CN 104123719 A 10 2/2 页 11 图 8图 9 图 10 说明书附图 CN 104123719 A 11 。

摘要
申请专利号：	CN201410243635.4	申请日：	2014.06.03
公开号：	CN104123719A	公开日：	2014.10.29
当前法律状态：	授权	有效性：	有权
法律详情：	授权\|\|\|实质审查的生效IPC(主分类):G06T 7/00申请日:20140603\|\|\|公开
IPC分类号：	G06T7/00	主分类号：	G06T7/00
申请人：	南京理工大学
发明人：	张毅; 柏连发; 汤茂飞; 韩静; 祁伟; 金左轮; 岳江; 王博; 赵壮
地址：	210094 江苏省南京市孝陵卫200号
优先权：
专利代理机构：	南京理工大学专利中心 32203	代理人：	唐代盛;孟睿
PDF完整版下载：	PDF下载

内容摘要

本发明提出一种用主动轮廓进行红外图像分割的方法。本发明通过构造一种基于局部熵和局部标准差联合驱动的主动轮廓模型，充分利用图像的灰度分布信息，同时通过引入高斯核函数，在局部区域内更准确地驱动轮廓演化，以对红外图像进行分割。本发明能够有效实现红外图像的分割，得到完整且正确的目标轮廓。

权利要求书

权利要求书
1.  一种用主动轮廓进行红外图像分割的方法，其特征在于，包括以下步骤：
步骤一：计算待分割红外图像中各像素点对应的局部熵和局部标准差，并使用各像素点对应的局部熵和局部标准差构造各像素点特征向量；通过初始化水平集函数给红外图像设定初始轮廓；计算当前演化轮廓内部的局部区域和外部的局部区域内所有像素点对应的特征向量的均值向量；
步骤二：计算步骤一所获得的均值向量与当前演化轮廓上各像素点对应的特征向量的余弦相似性，根据余弦相似性确定当前演化轮廓上各像素点的演化方向及驱动力的大小，从而构造驱动轮廓演化的符号控制力函数；
步骤三：将步骤二构造的符号控制力函数代入水平集演化方程，通过水平集的演化实现红外图像的分割。

2.  如权利要求1所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，所述红外图像中每个像素点的局部熵的计算方法如公式(1)所示，

公式(1)中，entro(x,y)为像素点(x,y)对应的局部熵，L为红外图像的灰度级总数，ni为红外图像中灰度级为i的像素的个数，频数pi可以近似看做灰度级为i的像素在红外图像中出现的概率，M×N为以像素点(x,y)为中心的局部窗口大小。

3.  如权利要求1所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，所述红外图像中每个像素点的局部标准差的计算方法如公式(2)所示，

公式(2)中，std(x,y)为像素点(x,y)对应的局部标准差，M×N为以像素点(x,y)为中心的局部窗口大小，(m,n)表示局部窗口中任意一个像素点，s(m,n)为像素点(m,n)对应的像素灰度值，为局部窗口中所有像素点的灰度平均值，的计算方法如公式(3)所示：

公式(3)中，m≤M-1，n≤N-1。

4.  如权利要求1所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，所述使用各像素点对应的局部熵和局部标准差构造各像素点特征向量如公式(4)所示，
f(x,y)＝(entro(x,y),std(x,y))   (4)
公式(4)中，f(x,y)为像素点(x,y)对应的特征向量。

5.  如权利要求1所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤一中，用fi(x,y)表示当前演化轮廓内外局域内所有像素点对应特征向量的均值向，均值向量fi(x,y)如公式(5)所以，

公式(5)中，f1(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的特征向量的均值向量，entro1(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值，std1(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值；f2(x,y)是当前演化轮廓外部局部区域内所有像素点对应的特征向量的均值向量，entro2(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值，std2(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值；W(x,y)为窗口函数，Ω为待分割红外图像区域；φ(x,y)为演化轮廓对应的零水平集函数，其初始化如公式(6)所示，

公式(6)中，Ω0是图像区域Ω的一个子集，是Ω0的边界。

6.  如权利要求5所述的用主动轮廓进行红外图像分割的方法，其特征在于，选择高斯核函数作为窗口函数W(x,y)。

7.  如权利要求5所述的用主动轮廓进行红外图像分割的方法，其特征在于，均值向量fi(x,y)中entro1(x,y)、std1(x,y)、entro2(x,y)和std2(x,y)的计算方式如下：

其中，Kσ是标准差为σ的高斯核函数，Hε(φ)是Heaviside函数。

8.  如权利要求1所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤二的过程具体为：
步骤21：计算轮廓内外局域内的均值向量fi(x,y)与当前演化轮廓上各像素点对应的特征向量f(x,y)的余弦相似性，计算方式如公式(7)所示：

公式(7)中，cosθ1是f(x,y)与f1(x,y)之间的余弦相似性，cosθ2是f(x,y)与f2(x,y)之间的余弦相似性，通过比较cosθ1与cosθ2的大小确定轮廓上各点的演化方向，如果cosθ1≥cosθ2，则轮廓应向外扩展，反之，轮廓要向内收缩；
步骤22：将轮廓内外局域内的均值向量fi(x,y)与当前演化轮廓上各像素点对应的特征向量f(x,y)作差取模，并通过公式(8)确定驱动力的大小F(x,y)：

公式(8)中，β为常数；
步骤23：使用轮廓上各像素点的演化方向以及对应驱动力的大小，构造符号控制力函数spf，如公式(9)所示：

9.  如权利要求1所述的用主动轮廓进行红外图像分割的方法，其特征在于，步骤三所述水平集演化方程如公式(10)所示，

公式(10)中，α是一个常数，表示零水平集沿梯度方向的方向导数。

说明书

说明书一种用主动轮廓进行红外图像分割的方法
技术领域
本发明属于图像处理技术领域，具体涉及一种用主动轮廓进行红外图像分割的方法。
背景技术
红外图像分割对红外目标的识别与跟踪具有重要的作用，由于红外图像通常具有边缘模糊、灰度不均匀等特点，所以常用的图像分割方法对于红外图像的分割难以达到理想的效果。近年来，主动轮廓模型(ACM)被广泛应用到图像分割中，其对于医学图像的分割已取得了很好的效果，但在红外图像分割领域还有待于进一步的研究。
主动轮廓模型主要可分为基于边界的模型和基于区域的模型两类，基于边界信息的主动轮廓模型利用图像的梯度定义目标的边界，其中具有代表性的是GAC模型；基于区域信息的主动轮廓模型利用区域统计信息(如灰度)引导曲线演化，其中被广泛使用的是CV模型。
文献一(Zhang K,Zhang L,Song H,et al.Active contours with selective local or global segmentation:a new formulation and level set method[J].Image and Vision Computing,2010,28(4):668-676.)提出了SLGS模型，将GAC和CV模型有机地结合在一起，其利用CV模型中定义的灰度信息构造符号控制力函数(SPF)，替代GAC中的边缘停止函数，从而能够更好地控制曲线演化的方向，但其基于的是待分割区域的灰度均匀这一假设，因而该模型对灰度不均匀的红外图像的分割效果不是很理想。
文献二(Li C,Kao C Y,Gore J C,et al.Minimization of region-scalable fitting energy for image segmentation[J].Image Processing,IEEE Transactions on,2008,17(10):1940-1949.)提出了LBF模型，主要利用图像局部区域的灰度信息驱动曲线演化，对灰度不均匀的图像能够进行分割，但由于模型利用的图像信息量较少，直接将其用于红外图像的分割，同样难以获得准确的结果。
发明内容
本发明提出一种用主动轮廓进行红外图像分割的方法，能够有效实现红外图像的分割，得到完整且正确的目标轮廓。
为了解决上述技术问题，本发明提供一种用主动轮廓进行红外图像分割的方法，包括以下步骤：
步骤一：计算待分割红外图像中各像素点对应的局部熵和局部标准差，并使用各像素点对应的局部熵和局部标准差构造各像素点特征向量；通过初始化水平集函数给红外图像设定初始轮廓；计算当前演化轮廓内部的局部区域和外部的局部区域内所有像素点对应的特征向量的均值向量；
步骤二：计算步骤一所获得的均值向量与当前演化轮廓上各像素点对应的特征向量的余弦相似性，根据余弦相似性确定当前演化轮廓上各像素点的演化方向及驱动力的大小，从而构造驱动轮廓演化的符号控制力函数；
步骤三：将步骤二构造的符号控制力函数代入水平集演化方程，通过水平集的演化实现红外图像的分割。
本发明与现有技术相比，其显著优点在于：(1)本发明方法利用图像的局部熵和局部标准差构造特征向量，即利用局部熵和局部标准差联合驱动主动轮廓模型，充分地利用了图像的灰度分布信息，能够更准确地控制轮廓线演化的方向；(2)针对红外图像灰度不均匀的特点，本发明引入高斯核函数与待分割图像卷积，使得驱动曲线演化的力只取决于当前轮廓局域内对应特征向量的作用，能够有效克服灰度不均匀对分割结果的影响；(3)本发明对于灰度不均匀的红外图像能实现更好的分割。
附图说明
图1是本发明流程图。
图2是本发明仿真实验中所用的待分割红外图像。
图3是本发明仿真实验获得的图2的局部熵图像。
图4是本发明仿真实验获得的图2的标准差图像。
图5是本发明仿真实验获得的初始轮廓图。
图6是本发明仿真实验红外图像中位于点(x,y)的像素对应的特征向量f(x,y)的示意图。
图7是本发明仿真实验当前演化轮廓内所有像素点对应特征向量的均值向量示意图。
图8是本发明仿真实验中使用SLGS模型获得的分割结果图。
图9是本发明仿真实验中使用LBF模型获得的分割结果图。
图10是本发明仿真实验中使用本发明方法获得的分割结果图。
具体实施方式
红外图像具有边缘模糊、灰度不均匀等特点，常用的主动轮廓模型一般难以获得理想的分割效果，本发明方法通过构造一种基于局部熵和局部标准差联合驱动的主动轮廓模型，充分利用图像的灰度分布信息，同时通过引入高斯核函数，在局部区域内更准确地驱动轮廓演化，以对红外图像进行分割。如图1所示，本发明具体步骤如下：
步骤一：计算待分割红外图像中各像素点对应的局部熵和局部标准差，获得红外图像对应的局部熵图像和局部标准差图像，并使用各像素点对应的局部熵和局部标准差构造各像素点特征向量；再通过初始化水平集函数给红外图像设定初始轮廓，同时引入高斯核函数，计算当前演化轮廓内部的局部区域和外部的局部区域内(简称内外局域内)所有像素点对应的特征向量的均值向量。
所述红外图像中每个像素点的局部熵的计算方法如公式(1)所示，
entro(x,y)=-Σi=0L-1pilogpi,pi=niM×N---(1)]]>
公式(1)中，entro(x,y)为像素点(x,y)对应的局部熵，L为红外图像的灰度级总数，ni为红外图像中灰度级为i的像素的个数，频数pi可以近似看做灰度级为i的像素在红外图像中出现的概率，M×N为以像素点(x,y)为中心的局部窗口大小。
通过公式(1)计算待分割红外图像中每一个像素点对应的局部熵，获得红外图像对应的局部熵图像Entro。
所述红外图像中每个像素点的局部标准差的计算方法如公式(2)所示，
std(x,y)=sqrt(1M×NΣm=x-M-12x+M-12Σn=y-N-12y+N-12(s(m,n)-s&OverBar;)2)---(2)]]>
公式(2)中，std(x,y)为像素点(x,y)对应的局部标准差，M×N为以像素点(x,y)为中心的局部窗口大小，(m,n)表示局部窗口中任意一个像素点，s(m,n)为像素点(m,n)对应的像素灰度值，为局部窗口中所有像素点的灰度平均值，其定义如公式(3)所示：
s&OverBar;=1M×NΣm=x-M-12x+M-12Σn=y-N-12y+N-12s(m,n)---(3)]]>
公式(3)中，m≤M-1，n≤N-1。
计算局部熵和局部标准差时选取的局部窗口可以是同一窗口。
通过公式(2)计算待分割红外图像中每一个像素点对应的局部标准差，获得红外图像对应的局部标准差图像Std。
所述使用各像素点对应的局部熵和局部标准差构造各像素点特征向量如公式(4)所示，
f(x,y)＝(entro(x,y),std(x,y)) (4)
公式(4)中，f(x,y)为像素点(x,y)对应的特征向量；
本发明用fi(x,y)表示当前演化轮廓内外局域内所有像素点对应特征向量的均值向，均值向量fi(x,y)可以用公式(5)进行表示，
f1(x,y)=(entro1(x,y),std1(x,y))=mean(f(x,y)&Element;({(x,y)&Element;Ω|φ(x,y)<0}∩W(x,y)))f2(x,y)=(entro2(x,y),std2(x,y))=mean(f(x,y)&Element;({(x,y)&Element;Ω|φ(x,y)>0}∩W(x,y)))---(5)]]>
公式(5)中，f1(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的特征向量的均值向量，entro1(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值，std1(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值；f2(x,y)是当前演化轮廓外部局部区域内所有像素点对应的特征向量的均值向量，entro2(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部熵的均值，std2(x,y)是当前演化轮廓的内部局部区域内所有像素点对应的局部标准差的均值；W(x,y)为窗口函数，本发明选择高斯核函数作为W(x,y)；Ω为待分割红外图像区域；φ(x,y)为演化轮廓对应的零水平集函数，其初始化如公式(6)所示，
φ(x,y)=-ρ,(x,y)&Element;Ω0-&PartialD;Ω00,(x,y)&Element;&PartialD;Ω0ρ,(x,y)&Element;Ω-Ω0---(6)]]>
公式(6)中，Ω0是图像区域Ω的一个子集，是Ω0的边界。本发明中，取ρ＝1。
均值向量fi(x,y)中entro1(x,y)、std1(x,y)、entro2(x,y)和std2(x,y)的计算如公式(6)所示：
entro1(x,y)=Kσ*[Hϵ(φ)Emtrp(x,y)]Kσ*Hϵ(φ)std1(x,y)=Kσ*[Hϵ(φ)Std(x,y)]Kσ*Hϵ(φ)]]>
entro2(x,y)=Kσ*[(1-Hϵ(φ))Entro(x,y)]Kσ*Hϵ(φ)std2(x,y)=Kσ*[(1-Hϵ(φ))Std(x,y)]Kσ*(1-Hϵ(φ))---(6)]]>
公式(6)中，Kσ是标准差为σ的高斯核函数，Hε(φ)是Heaviside函数，Hε(φ)的构造如公(7)所示，
Hϵ(φ)=12[1+2πarctam(φϵ)]---(7).]]>
步骤二：利用轮廓内外局域内的均值向量与当前演化轮廓上各点对应的特征向量的余弦相似性，确定轮廓上各像素点的演化方向及驱动力的大小，构造驱动轮廓演化的符号控制力函数。
步骤21：在二维空间中，向量A(x1,y1)与向量B(x2,y2)的夹角余弦定义如公式(8)所示：
cosθ=x1x2+y1y2x12+y12x22+y22---(8)]]>
夹角余弦取值范围为[-1,1]，夹角余弦值越大，则两向量的夹角越小，表明两向量相似性越大。
本发明方法中，首先计算轮廓内外局域内的均值向量fi(x,y)与当前演化轮廓上各像素点对应的特征向量f(x,y)的余弦相似性，如公式(9)所示：
cosθ1=entro1(x,y)entro(x,y)+std1(x,y)std(x,y)entro12(x,y)+std12(x,y)entro2(x,y)+std2(x,y)cosθ2=entro2(x,y)entro(x,y)+std2(x,y)std(x,y)entro22(x,y)+std22(x,y)entro2(x,y)+std2(x,y)---(9)]]>
公式(9)中，cosθ1是f(x,y)与f1(x,y)之间的余弦相似性，cosθ2是f(x,y)与f2(x,y)之间的余弦相似性，通过比较cosθ1与cosθ2的大小确定轮廓上各点的演化方向，如果cosθ1≥cosθ2，则轮廓应向外扩展，反之，轮廓要向内收缩。
步骤21：将轮廓内外局域内的均值向量fi(x,y)与当前演化轮廓上各像素点对应的特征向量f(x,y)作差取模，并通过公式(10)确定驱动力的大小F(x,y)：
F(x,y)=exp(-|fi(x,y)-f(x,y)|β2)&Element;(0,1],(i=1,2)---(10)]]>
公式(10)中，β为常数；
步骤23：使用轮廓上各像素点的演化方向以及对应驱动力的大小，就构成了本发明中的符号控制力函数，记为spf，如公式(11)所示：
epf=+exp(-|f1(x,y)-f(x,y)|β2),ifcosθ1&GreaterEqual;cosθ2-exp(-|f2(x,y)-f(x,y)|β2),else---(11)]]>
步骤三：将构造的符号控制力函数代入如公式(12)所示的水平集演化方程，通过水平集的演化最终实现红外图像的分割。
&PartialD;φ&PartialD;t=spf·α·|&dtri;φ|---(12)]]>
公式(12)中，α是一个常数，|▽φ|表示零水平集沿梯度方向的方向导数。
根据公式(12)进行水平集的演化，当满足收敛条件时，迭代停止，得到最终的分割结果。
本发明的有益效果可以通过以下仿真实验作进一步说明：
选择如图2所示的红外图像作为待分割图像，使用本发明方法进行实验，在步骤一中获得的局部熵图像如图3所示，获得的局部标准差图像如图4所示。在计算局部熵和局部标准差时，均选取大小为9×9的局部窗口。步骤一中给图像设定的初始轮廓如图5所示。图6是红外图像中位于点(x,y)的像素对应的特征向量f(x,y)的示意图，图7是当前演化轮廓内所有像素点对应特征向量的均值向量示意图，其中，f1(x,y)是当前演化轮廓内部局域内所有像素点对应特征向量的均值向量，f2(x,y)是当前演化轮廓外部局域内所有像素点对应特征向量的均值向量。
对比本发明方法与SLGS模型和LBF模型对红外图像的分割结果，其中，图8所示是本发明方法对红外图像的分割结果，图9所示是SLGS模型的分割结果，图10所示是LBF模型的分割结果。从分割结果中可以看出，SLGS模型和LBF模型都没能准确分割出目标，发生了很多误分割，且得到的最终轮廓不完整；而本发明方法能够得到完整且准确的目标轮廓。