基于非对称测地线的交互式图像分割方法

技术领域

本发明涉及计算机计算机视觉技术领域，具体涉及一种新的基于非对称测地线的最小路径模型与交互式图像分割方法。

背景技术

最小测地线路径模型(参考文献：Cohen,L.D.and Kimmel,R.(1997).Globalminimum for active contour models:A minimal path approach.Int.J.Comput.Vis.,24(1):57–78.)由Cohen和Kimmel首次引入，目的是寻找原始活动轮廓模型中使用的泛函简化版本的全局最小值。本质上，这种简化的活动轮廓能量泛函可以看作是加权曲线长度，可以通过程函偏微分方程求解。基于最小测地线路径模型，在2013年提出了测地线投票算法(参考文献：Rouchdy,Y.,&Cohen,L.D.(2013).Geodesic voting for the automaticextraction of tree structures.Methods and applications.Computer Vision andImage Understanding,117(10),1453–1467.)来分割细树形结构，该方法通过一系列密集分布于目标区域内部而稀疏的分布于外部的抽样点，计算大量的测地线，利用这些测地线对图像定义域的每一个点进行投票，从而估算每一个点位于目标区域内部的概率。但在上述测地线投票方法中，测地线的计算方法未考虑图像梯度特征的方向性特征。

发明内容

本发明为了克服以上技术的不足，提供了一种可以获得更为准确的图像分割结果的基于非对称测地线的交互式图像分割方法。

本发明克服其技术问题所采用的技术方案是：

一种基于非对称测地线的交互式图像分割方法，包括如下步骤：

a)输入彩色图像I，用I＝(I

b)采用最远点采样算法得到目标端点集R

c)根据彩色图像I，利用图像梯度得到边缘外观特性函数g(n

d)计算得到测地线路径γ

e)计算得到测地线路径γ

f)根据图像像素点的投票值ψ，完成图像分割。

进一步的，步骤b)包括如下步骤：

b-1)定义彩色图像I的图像域中像素点为n

b-2)通过公式

b-3)通过公式

b-4)重复执行步骤b-3)进行迭代计算，直至得到点集

进一步的，步骤c)包括如下步骤：

c-1)利用标准差为σ的高斯核函数G

c-2)对图像梯度张量场

c-3)通过公式

进一步的，步骤d)中利用非对称二次度量函数

进一步的，步骤e)包括如下步骤：

e-1)通过公式

e-2)连接目标端点集R

进一步的，步骤f)包括如下步骤：

f-1)根据求得的测地线投票值，选取阈值Th，标记测地线投票值大于阈值的像素点，得到初始目标轮廓；

f-2)计算彩色图像I上的每一个像素点的梯度方向，在梯度方向连线与邻域的交点使用梯度值进行插值，获得位于当前像素点梯度方向正负方向的两个插值点，将当前像素点的梯度强度与两个插值点的梯度强度进行比较，如果该像素点的梯度强度大于两个插值点的梯度强度，则将该像素点作为边缘点，如果该像素点的梯度强度小于等于两个插值点的梯度强度，则将该像素点的梯度值设置为0，得到非极大值抑制的彩色图像I′；

f-3)设置高阈值Hedge和低阈值Ledge，Hedge＝TH×max，Ledge＝TL×max，式中TH＝0.3或TH＝0.2，TL＝0.1，max为非极大值抑制的彩色图像I′最大像素值，如果非极大值抑制的彩色图像I′中的像素点的像素值大于低阈值Ledge并小于高阈值Hedge且该像素点与边缘点连通，则将该像素点记为边缘点，各个边缘点组成的图像为边缘图像，完成图像分割。

优选的，步骤f-1)中通过公式

本发明的有益效果是：通过在基于测地线投票算法中引入最远点采样方法以尽可能在整个图像域中来确定端点，并且在此模型中采用非对称二次型度量函数确定所得端点至交互点的回溯测地线路径，更好的考虑了人工交互信息以及图像边缘的各向异性和非对称特性，从而获得更为准确的图像分割结果。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种基于非对称测地线的交互式图像分割方法，包括如下步骤：

a)输入彩色图像I，用I＝(I

b)采用最远点采样算法得到目标端点集R

c)根据彩色图像I，利用图像梯度得到边缘外观特性函数g(n

d)计算得到测地线路径γ

e)计算得到测地线路径γ

f)根据图像像素点的投票值ψ，完成图像分割。

通过在基于测地线投票算法中引入最远点采样方法以尽可能在整个图像域中来确定端点，并且在此模型中采用非对称二次型度量函数确定所得端点至交互点的回溯测地线路径，更好的考虑了人工交互信息以及图像边缘的各向异性和非对称特性，从而获得更为准确的图像分割结果。

实施例1：

步骤b)包括如下步骤：

b-1)定义彩色图像I的图像域中像素点为n

b-2)通过公式

b-3)通过公式

b-4)重复执行步骤b-3)进行迭代计算，直至得到点集

实施例2：

步骤c)包括如下步骤：

c-1)利用标准差为σ的高斯核函数G

c-2)对图像梯度张量场

c-3)通过公式

实施例3：

步骤d)中利用非对称二次度量函数

实施例4：

步骤e)包括如下步骤：

e-1)通过公式

e-2)连接目标端点集R

实施例5：

步骤f)包括如下步骤：

f-1)根据求得的测地线投票值，选取阈值Th，标记测地线投票值大于阈值的像素点，得到初始目标轮廓；

f-2)计算彩色图像I上的每一个像素点的梯度方向，在梯度方向连线与邻域的交点使用梯度值进行插值，获得位于当前像素点梯度方向正负方向的两个插值点，将当前像素点的梯度强度与两个插值点的梯度强度进行比较，如果该像素点的梯度强度大于两个插值点的梯度强度，则将该像素点作为边缘点，如果该像素点的梯度强度小于等于两个插值点的梯度强度，则将该像素点的梯度值设置为0，得到非极大值抑制的彩色图像I′；

f-3)设置高阈值Hedge和低阈值Ledge，Hedge＝TH×max，Ledge＝TL×max，TH与TL的比率为2:1或3:1，一般TH＝0.3或TH＝0.2，TL＝0.1，max为非极大值抑制的彩色图像I′最大像素值，图像中的点如果大于高阈值上界则为强边界，如果低于低阈值的像素点必然不是边界，因此如果非极大值抑制的彩色图像I′中的像素点的像素值大于低阈值Ledge并小于高阈值Hedge且该像素点与边缘点连通，则将该像素点记为边缘点，各个边缘点组成的图像为边缘图像，完成图像分割。

实施例6：

步骤f-1)中通过公式

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。