技术领域
[0001] 本
发明属
图像处理和
计算机视觉技术领域，具体涉及一种基于最小模糊散度的图像协同分割方法。
背景技术
[0002] 随着近些年图像数据规模的不断增加，众多实际应用对
图像分割的需求已不满足于小规模的单幅图像分割，从一组图像中提取常见目标成为了活跃的研究课题，即图像协同分割问题。
[0003] 协同分割的思想在于基于单幅图像的分割方法上考虑一个附加的前景相似性约束，从而实现对普通对象的分割。针对这一问题，过去数年中多种协同分割
算法被相继提出，并成功地应用于实际问题中，如基于
马尔科夫随机场(MRF)的协同化方法，根据估计理论中的最优准则确定分割问题的目标函数，将分割问题转化为最优化问题，难度在于图像特征选取和前景相似性度量方法的选取；基于热扩散的协同化方法，是将分割问题建模为热扩散的
温度最大化问题，但是对于由多个独特区域组成的前景(如人体)效果并不理想；基于随机游走的协同化方法，优化计算更简单，但是用户需要在第一幅图像中标注出前景区域和背景区域；基于主动轮廓的协同化方法中，不同的特征选取方式以及一致性的度量方式，都会对模型产生不同的影响。
[0004] 由于以上算法的
缺陷，在实际应用中很难取得理想的效果，故有必要进行改进。
发明内容
[0005] 本发明的目的在于提供一种基于最小模糊散度的协同分割模型，对多幅不同视
角图像进行比较完善的分割，最大程度减少误差率。
[0006] 本发明解决其问题所采用的技术方案是：
[0007] 一种基于最小模糊散度的图像协同分割方法，利用
颜色直方图信息来表达前景相似性，利用模糊散度构造
能量函数，将一幅图像的区域信息引入到另一幅图像的能量函数中，从而能增强对初始曲线替换的鲁棒性。此外，采用互优化的方法驱
动能量函数最小值，轮廓曲线逐渐向待检测物体的边缘逼近，最终分割出目标。所述基于最小模糊散度的图像协同分割方法包括下列步骤：
[0008] 1.1获取图像
数据库：iCoseg数据集、4*4相机阵列拍摄图像集；
[0009] 1.2预处理：分割之前利用SLIC超
像素分割方法，将像素简单分类、生成超像素图像，包括下列步骤：
[0010] 1.2.1将M*N大小的图像，从RGB空间转换至LAB空间；
[0011] 1.2.2设置预生成的超像素数量K＝1000，即将M*N大小的图像分割成1000个像素
块，每个像素块分为大小包含[(M*N)/1000]个像素；
[0012] 1.2.3假设每个超像素区域长宽都均匀分布，长宽M设置为M＝sqrt(M*N/1000)；
[0013] 1.2.4初始化聚类中心点，计算像素点与聚类中心的距离，通过
迭代优化直至误差收敛，迭代次数设置为10；
[0014] 1.3定义初始曲线：将初始曲线定义为矩形，
位置处于图像中央；
[0015] 1.4区域表示：采用颜色直方图表示区域特征，对于R-G-B图像，颜色值用三维向量表示，直方图通过每种颜色在某个区域出现的概率生成；
[0016] 1.5前景相似性度量:用颜色直方图方法进行前景相似性度量，颜色直方图能实际地表达图像中颜色的数量，遍历所有像素点完成统计；由于同一种颜色像素值会略有不同，因此如果两个像素的颜色距离小于β，将认为它们具有相同的颜色，即|p'-p|≤β；
[0017] 将前景相似度设为S，区域表示为γ(ω)，则对于像素值p来说，相似度表达为：
[0018]
[0019] 1.6建立基于区域的活动轮廓模型：构造基于模糊散度的能量函数，在能量函数最小值的驱动下，轮廓曲线逐渐向前景边缘逼近，包括下列步骤：
[0020] 1.6.1假设像素分布满足于Gamma分布，对任意的
阈值T，由式：
[0021]
[0022] 计算图像中每个像素的隶属度函数值，将图像映射为一个模糊集，其中满足[0023]
[0024] 其中：c为比例系数；gmax为图像像素的最大值；gmin为图像像素的最小值；g为该点的像素值；h(g)为该点的像素个数；mB为背景的平均值；mF为前景的平均值；
[0025] 1.6.2基于Gamma型隶属度函数，模糊散度公式为：
[0026]
[0027] 其中：图像大小为M×N；xij为某一点的像素值；μA(xij)为集合A某一点的隶属度函数值；μB(xij)为集合B某一点的隶属度函数值；
[0028] 对于理想分割图像B，其隶属度函数为μB(xij)＝1；
[0029] 因此，模糊散度公式能简化为：
[0030]
[0031] 根据模糊散度公式分别计算两幅图像前景之间和背景之间的模糊散度，取其和；
[0032] 1.6.3将步骤1.6.2中的简化模糊散度公式用于构造
水平集函数：
[0033]
[0034] 则有：
[0035]
[0036] 1.6.4传统C-V模型如下：
[0037]
[0038] 其中：L(C)表示曲线C的长度；μ表示长度系数；Area(γ(ωi))表示曲线C内部区域的面积；v表示面积系数；γ(ωi)表示曲线C内部区；γ(ωo)表示曲线C外部区域；Ci表示内部平均灰度值；CO表示外部平均灰度值；I(x,y)表示像素值；
[0039] 将步骤1.6.3中的水平集函数代入上面传统C-V模型更新如下：
[0040]
[0041] 其中：Ik为实验图像对中的第k幅图像； 代表曲线内部区域； 代表曲线外部区域； 代表另一幅图曲线内部的区域；S[I(x,y),γ(ω)]用来度量像素与区域之间的相似性； 即为1.6.3中的水平集函数；δ(x)为一维Dirac函数；H(x)为Heaviside函数；代表曲线内部区域γ(ωi)； 代表曲线外部区域γ(ωo)；
[0042] 1.6.5曲线演化过程：水平集函数演化初始轮廓，进而驱动曲线向目标逼近，经过动态先验逐渐得到前景与背景的分割曲线C；图像基于能量分布，根据最小模糊准则表达两个模糊集之间的信息差异性，即模糊散度值最小，分割图最接近原始图。
[0043] 本发明在获取同一目标物体的多视角图像数据之后，首先定义初始矩形曲线以包含大部分主体；之后使用颜色直方图进行前景相似性度量；进而以模糊散度构造新的能量函数。图像本质上具有模糊性，由于模糊集理论是处理不确定性、不精确性问题的有效工具，面对图像分割的边缘细节问题，可以发挥有效性，因此本发明基于Gamma隶属度函数建立模糊散度公式，考虑图像对之间的前景相似性和背景一致性，从而改进C-V主动轮廓模型中的能量函数，通过最小模糊散度准则，利用动态先验来相互演化曲线，求得能量最优解，既能同时分割两个及以上的图像集合，又能最大程度地减少误差率。
[0044] 本发明将传统模糊集理论与活动轮廓模型相融合，提出了一种新的协同分割模型，能够同时处理两幅及以上图像的目标分割问题，与传统算法相比，能比较准确地找到共同目标。本发明针对医学图像以及集成成像内容生成部分可以发挥良好作用。
附图说明
[0045] 图1为基于最小模糊散度的图像协同分割方法的
流程图[0046] 图2为分割结果图
具体实施方式
[0047] 下面结合附图进一步说明本发明的实施流程，一种基于最小模糊散度的图像协同分割方法，包括iCoseg图像数据库和相机阵列拍摄图像，选取6对图像作为实验数据，如图1所示，本发明的方法包括下列步骤：
[0048] 1.1获取图像数据库：iCoseg数据集、4*4相机阵列拍摄图像集；
[0049] 1.2预处理：分割之前利用SLIC超像素分割方法，将像素简单分类、生成超像素图像，包括下列步骤：
[0050] 1.2.1将M*N大小的图像，从RGB空间转换至LAB空间；
[0051] 1.2.2设置预生成的超像素数量K＝1000，即将M*N大小的图像分割成1000个像素块，每个像素块分为大小包含[(M*N)/1000]个像素；
[0052] 1.2.3假设每个超像素区域长宽都均匀分布，长宽M设置为M＝sqrt(M*N/1000)；
[0053] 1.2.4初始化聚类中心点，计算像素点与聚类中心的距离，通过迭代优化直至误差收敛，迭代次数设置为10；
[0054] 1.3定义初始曲线：将初始曲线定义为矩形，位置处于图像中央；
[0055] 1.4区域表示：采用颜色直方图表示区域特征，对于R-G-B图像，颜色值用三维向量表示，直方图通过每种颜色在某个区域出现的概率生成；
[0056] 1.5前景相似性度量:用颜色直方图方法进行前景相似性度量，颜色直方图能实际地表达图像中颜色的数量，遍历所有像素点完成统计；由于同一种颜色像素值会略有不同，因此如果两个像素的颜色距离小于β，将认为它们具有相同的颜色，即|p'-p|≤β；
[0057] 将前景相似度设为S，区域表示为γ(ω)，则对于像素值p来说，相似度表达为：
[0058]
[0059] 1.6建立基于区域的活动轮廓模型：构造基于模糊散度的能量函数，在能量函数最小的驱动下，轮廓曲线逐渐向前景边缘逼近，包括下列步骤：
[0060] 1.6.1假设像素分布满足于Gamma分布，对任意的阈值T，由式：
[0061]
[0062] 计算图像中每个像素的隶属度函数值，将图像映射为一个模糊集，其中满足[0063]
[0064] 其中：c为比例系数；gmax为图像像素的最大值；gmin为图像像素的最小值；g为该点的像素值；h(g)为该点的像素个数；mB为背景的平均值；mF为前景的平均值；
[0065] 1.6.2基于Gamma型隶属度函数，模糊散度公式为：
[0066]
[0067] 其中：图像大小为M×N；xij为某一点的像素值；μA(xij)为集合A某一点的隶属度函数值；μB(xij)为集合B某一点的隶属度函数值；
[0068] 对于理想分割图像B，其隶属度函数为μB(xij)＝1；
[0069] 因此，模糊散度公式能简化为：
[0070]
[0071] 根据模糊散度公式分别计算两幅图像前景之间和背景之间的模糊散度，取其和；
[0072] 1.6.3将步骤1.6.2中的简化模糊散度公式用于构造水平集函数：
[0073]
[0074] 则有：
[0075]
[0076] 1.6.4传统C-V模型如下：
[0077]
[0078] 其中：L(C)表示曲线C的长度；μ表示长度系数；Area(γ(ωi))表示曲线C内部区域的面积；v表示面积系数；γ(ωi)表示曲线C内部区；γ(ωo)表示曲线C外部区域；Ci表示内部平均灰度值；CO表示外部平均灰度值；I(x,y)表示像素值；
[0079] 将步骤1.6.3中的水平集函数代入上面传统C-V模型更新如下：
[0080]
[0081] 其中：Ik为实验图像对中的第k幅图像； 代表曲线内部区域； 代表曲线外部区域； 代表另一幅图曲线内部的区域；S[I(x,y),γ(ω)]用来度量像素与区域之间的相似性； 即为1.6.3中的水平集函数；δ(x)为一维Dirac函数；H(x)为Heaviside函数；代表曲线内部区域γ(ωi)； 代表曲线外部区域γ(ωo)；
[0082] 1.6.5曲线演化过程：水平集函数演化初始轮廓，进而驱动曲线向目标逼近，经过动态先验逐渐得到前景与背景的分割曲线C；图像基于能量分布，根据最小模糊准则表达两个模糊集之间的信息差异性，即模糊散度值最小，分割图最接近原始图。
[0083] 1.7参数分析与设定：
[0084] 步骤1.3中，曲线边缘与相应的图像边缘之间的距离d设置为4，从而
覆盖大多数公共图像；
[0085] 步骤1.5中，考虑直方图分布，β设置为15；
[0086] 步骤1.5中，由于两幅图像的直方图比较得到的公共像素数目用来测量前景相似度S，需要将直方图归一化使S∈[0,1]；
[0087] 步骤1.6.5中，μ＝0.01，v＝0.001；
[0088] 迭代次数设置为500，当面对复杂的前景与背景时可将迭代次数变大；
[0089] 1.8综合分割效果判断：
[0090] 本发明采用IOU方法对分割效果进行评价，IOU是一种测量在特定数据集中检测相应物体准确度的一个标准，这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高；
[0091] 将iCoseg数据集里提供的已经人工标定好的图像与该发明算法的结果图进行比较，IOU>0.5时认为分割效果较好，IOU>0.9时认为分割比较理想；对于多幅(>＝2)图像,计算单幅图像IOU值,再取平均值,即
[0092] 分割效果评价如下表所示：
[0093]
[0094] 说明：
[0095] (1)雕塑图像对中其中一幅图像的IOU值为0.692521，略大于0.5，是由于iCoseg数据集所提供的二值分割图像不包括雕塑台，本发明分割出来的图像包括雕塑台。
[0096] (2)由实验室相机阵列拍摄的图像，并无人工标定的二值分割图像，可直观判断。
