一種整合單通道各向異性擴散信息的水平集圖像分割方法

摘要：在對Chan Vese提出的基于簡化Mumford Shah模型（C V模型）改進的基礎上，針對彩色圖像、多光譜圖像等多通道圖像，提出了一種多通道C V模型水平集圖像分割方法。首先將多通道圖像分解到各單通道，使用一種新的各向異性擴散方法對各通道進行平滑濾波，然后使用能夠整合各通道各向異性擴散信息的多通道C V模型進行分割。普通彩色圖像與多光譜圖像數據的實驗結果表明，該方法分割質量明顯優于傳統的C V模型分割。

關鍵詞：各向異性擴散； C V模型； 水平集方法

中圖分類號：TN911.73文獻標志碼：A

文章編號：1001－3695(2008)01－0309－04

0引言

圖像分割是圖像處理的關鍵問題之一，也是一個經典難題。隨著圖像分割技術的不斷發展，產生了各式各樣的圖像分割算法，雖然其中的彩色圖像的分割算法已有不少，但遠不如灰度圖像分割的算法那么豐富[1]。

自1987年Kass等人[2]提出主動輪廓模型以來，基于曲線演化(curve evolution)的形變模型已被廣泛應用于圖像分割。形變模型的圖像分割方法具有能夠有效結合圖像本身的低層次視覺屬性與待分割目標先驗知識的靈活開放的框架，可獲得分割區域的完整表達。這就在一定程度上克服了傳統的非模型分割方法由于其自身的局限性使得分割區域的邊界可能不完整，以及缺乏結合先驗知識的能力等缺陷。目前常見的輪廓演化模型有兩種，即基于參數的模型和基于幾何特性的模型。參數形變輪廓模型(snake模型)是一種能量函數最小化的形變輪廓曲線，常常能得到很好的整體效果。但由于模型本身的缺陷，使得snake模型對初始位置過于敏感，不能處理拓撲結構改變并且易于陷入局部極值，使其穩定性難以滿足復雜圖像分割的要求?；趲缀位顒虞喞€(geometric active contours)的水平集(level set)圖像分割方法是處理封閉運動界面隨時間演化過程中幾何拓撲變化的有效的計算工具。其主要思想是將移動的界面作為零水平集(zero level set)嵌入高一維的水平集函數中。這樣，由閉超曲面的演化方程可以得到水平集函數的演化方程，而嵌入的閉超曲面總是其零水平集，最終只要確定零水平集就可以確定移動界面演化的效果。水平集方法在一定程度上克服了snake模型的缺點，如對初始輪廓的選擇沒有特殊的要求，就可以很好地處理拓撲結構改變等。

但是，傳統的水平集圖像分割方法僅利用圖像的局部邊緣信息，對于邊緣模糊或存在離散狀邊緣的區域，則很難得到理想的分割效果。比較而言，基于Mumford Shah模型[3]的水平集圖像分割方法依賴的是區域的全局信息，因此可以獲得較好的分割效果，然而該模型的復雜性限制了其應用。對此，Chan Vese[4]提出基于簡化Mumford Shah (M S) 模型的水平集圖像分割方法(C V模型)。在充分保證其分割質量的前提下，降低了M S模型的復雜度。但是，傳統的C V模型只能對單通道圖像進行處理，在對彩色圖像等多通道圖像進行處理時須先將其合并為單一通道。顯然，在處理多通道圖像時，這種簡單的合并思想必然會造成信息的損失，降低圖像的分割質量，甚至導致分割失敗。本文針對多通道圖像的特點，提出了能夠整合各單通道各向異性擴散信息的多通道C V模型。首先，將多通道圖像分解為各個單通道；然后使用一種新的各向異性擴散方法對各單通道進行平滑濾波；最后使用可以整合各單通道各向異性擴散信息的多通道C V模型進行分割。

1新的各向異性擴散方案

自從Perona和Malik[5]首次將各向異性擴散作為圖像處理的工具并成功運用于圖像多尺度描述、圖像分割、邊緣檢測等領域后，各向異性擴散引起了人們極大的興趣。其基本思想是將原始圖像u0作為一種媒介，以可變的速率發生擴散，從而得到一系列逐漸增加的平滑圖像u(x，y，t)，它們可通過求解如下的偏微分方程來得到

5結束語

在對Chan Vese提出的基于簡化Mumford Shah模型的水平集分割圖像的方法改進的基礎上，針對多通道圖像特點，進一步提出了能夠整合各單通道各向異性擴散信息的多通道C V模型。首先，將多通道圖像分解為各個單通道，并通過一種新的各向異性擴散方法對各通道進行平滑濾波；然后使用多通道C V模型通過整合各通道各向異性擴散信息進行圖像分割。由于該多通道C V模型良好的可擴展性使其可完全適用于多光譜、超光譜圖像等多通道圖像。普通彩色圖像和多光譜圖像數據的仿真實驗結果證明了該方法的有效性。此外，分解通道的選擇問題可以引入某類多通道圖像的光譜等先驗知識，即依照反映該類圖像特性能力的大小將各通道表征項賦予不同的權值。但是，該方法依然存在改進之處，即如何對模型參數進行自適應的選取，這也是基于輪廓演化方法亟待解決的問題之一。

參考文獻：

[1]TREMEAU A， BOREL N. A region growing and merging algorithm to color segmentation [J]. Pattern Recognition，1997，30(7):1191 1203.

[2]KASS M， WITKIN A， TERZOPOULOS D. Snakes: active contour models [J]. International Journal of Computer Vision， 1987，1(4):321－331.

[3]MUMFORD D， SHAH J. Optimal approximation by piece wise smooths functions and associated variational problems [J]. Communications on Pure and Applied Mathematics， 1989，42(5):677－685.

[4]CHAN T F， VESE L A. Active contours without edges [J]. IEEE Transaction on Image Processing， 2001，10(2):266－277.

[5]PERONA P， MALIK J. Scale space and edge detection using anisotropic diffusion [J]. IEEE Trans Pattern Anal Mach Intell， 1990，12(7):629－639.

[6]YOU Y L， XU W， TANNENBAUM A， et al. Behavioral analysis of anisotropic diffusion in image processing [J]. IEEE Trans Image Processing， 1996，5(11):1539 1553.

[7]CATTE F， LIONS P L， MOREL J M， et al. Image selective smoo￣thing and edge detection by nonlinear diffusion[J]. SIAM J Numeri￣cal Anal， 1992，92(2):182 193.

[8]CASELLES V， KIMMEL R， SAPIRO G. Geodesic active contours [J]. International Journal of Computer Vision， 1997，22(1):61－79.

[9]LI Jun， YANG Xin， SHI Peng fei. A fast level set approach to image segmentation based on Mumford Shah model [J]. Chinese Journal of Computers， 2002，25(11):1175 1183.

[10]LI Chun ming， XU Chen yang， GUI Chang feng， et al. Level set evolution without re initialization: a new variational formulation [J]. Computer Vision and Pattern Recognition， 2005，1:430－436.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”