基于改進(jìn)活動(dòng)輪廓模型的圖像分割

董飛， 馬源源

(陜西鐵路工程職業(yè)技術(shù)學(xué)院，1.電氣與信息工程系，2.軌道工程系， 渭南 714000)

0 引言

隨著圖像采集設(shè)備完善以及圖像拍攝技術(shù)的不斷進(jìn)步，每天會(huì)出現(xiàn)大量的新圖像，相對(duì)于文本，圖像攜帶的信息量更大，成為當(dāng)前一種獲取信息的重要途徑。在實(shí)際生活中，整個(gè)圖像信息不是用戶全部需要的，每一個(gè)用戶關(guān)注的重點(diǎn)不一樣，即有不同的感興趣區(qū)域，這樣需要對(duì)圖像進(jìn)行一定的處理，分割出相應(yīng)的感興趣區(qū)域，去除一些不感興趣的區(qū)域，因此圖像分割是一種模式識(shí)別問(wèn)題的研究，其在軍事，醫(yī)學(xué)，遙感應(yīng)用等領(lǐng)域具有重的應(yīng)用價(jià)值[1,2]。

由于國(guó)外的信息化處理水平較高，研究時(shí)間較長(zhǎng)，圖像分割技術(shù)已經(jīng)比較成熟，而國(guó)內(nèi)的圖像分割起步相較慢，但是由于國(guó)家投入了大量的財(cái)力、物力，發(fā)展勢(shì)頭很猛[3]。最原始圖像分割技術(shù)為手工分割，其通過(guò)一些專家根據(jù)自己的知識(shí)和經(jīng)驗(yàn)來(lái)完成，并通過(guò)專家門的溝通和商討得到最終圖像分割結(jié)果，由于每一個(gè)專家的知識(shí)豐富度不一樣，他們均有自己的偏好，使得不同專家會(huì)得到不同的圖像分割結(jié)果，有時(shí)偏差大大，而且分割時(shí)間長(zhǎng)，手工分割的錯(cuò)誤率高。隨著自動(dòng)化技術(shù)的不斷發(fā)展，出現(xiàn)許多自動(dòng)圖像分割方法，它們已經(jīng)完全替代了手工分割技術(shù)[4,5]。當(dāng)前圖像自動(dòng)分割方法可以劃分為兩類：一類是基于區(qū)域的圖像分割方法，利用圖像不同區(qū)域的像素灰度相似性將圖像像素點(diǎn)分為不同類型，從而實(shí)現(xiàn)圖像不同區(qū)域的分割[6-7]，如：基于閾值的圖像分割方法，基于區(qū)域生長(zhǎng)的圖像分割方法，基于分裂合并法的圖像分割方法，這些方法在圖像的實(shí)際分割過(guò)程中，存在各自的缺陷，如閾值法對(duì)噪聲敏感，區(qū)域生長(zhǎng)法和分裂合并法易出現(xiàn)“過(guò)分割”或者“欠分割”現(xiàn)象。另一類是基于邊緣的圖像分割方法，根據(jù)區(qū)域邊緣像素的灰度差異實(shí)現(xiàn)不同區(qū)域的邊緣檢測(cè)，根據(jù)邊緣檢測(cè)結(jié)果對(duì)圖像進(jìn)行分割[8-10]，如：Canny算子的圖像分割方法，Sobel算子的圖像分割方法，但是它們同樣存在不足，如：對(duì)于邊緣模糊的圖像、噪聲多的圖像分割準(zhǔn)確度低，無(wú)法獲得令人滿意的結(jié)果[11,12]。近年來(lái)，一些新技術(shù)不斷的發(fā)展，出現(xiàn)了基于活動(dòng)輪廓模型的圖像分割方法，利用變分法將圖像分割問(wèn)題轉(zhuǎn)換為求能量泛函的最小化問(wèn)題，相對(duì)于其它圖像分割方法，活動(dòng)輪廓模型的圖像分割效果更優(yōu)，然而其存在明顯局限性，如灰度分布不均勻圖像分割錯(cuò)誤點(diǎn)多，對(duì)圖像初始輪廓依賴性強(qiáng)，易陷入局部最小值，分割效果不可靠[13]。

為了獲得理想的圖像分割結(jié)果，本文提出了基于改進(jìn)活動(dòng)輪廓模型的圖像分割方法。首先采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)圖像區(qū)域進(jìn)行粗略分割，并將結(jié)果作為活動(dòng)輪廓模型的初始輪廓，解決活動(dòng)輪廓模型對(duì)圖像初始輪廓依賴性強(qiáng)的難題，然后采用活動(dòng)輪廓模型對(duì)對(duì)圖像區(qū)域進(jìn)行精細(xì)分割，最后與其它圖像分割方法進(jìn)行了對(duì)比測(cè)試，結(jié)果表明，改進(jìn)活動(dòng)輪廓模型提高了圖像分割的精度，圖像分割效率性要明顯優(yōu)于對(duì)分割方法。

1 改進(jìn)活動(dòng)輪廓模型的圖像分割的分割方法

1.1 傳統(tǒng)活動(dòng)輪廓模型

傳統(tǒng)活動(dòng)輪廓模型有多種類型，如測(cè)地線活動(dòng)輪廓模型，Snake模型，CV模型等，相對(duì)于其它的活動(dòng)輪廓模型，Snake模型，CV模型的圖像分割結(jié)果最優(yōu)，因此本文選擇CV模型。設(shè)待分割圖像為：I(x,y)，C表示活動(dòng)輪廓曲線，那么CV模型的能量泛函計(jì)算式為式(1)。

ECV(C,c1,c2)=μ·Length(C)+

(1)

式中，λ1和λ2為常數(shù)，inside(C)和outside(C)表示活動(dòng)輪廓曲線的內(nèi)部區(qū)域和外部區(qū)域，c1和c2表示inside(C)和outside(C)的像素?cái)M合值，具體為式(2)。

(2)

采用水平集函數(shù)φ代表活動(dòng)輪廓曲線C，可以提高CV模型擬合曲線變化的能力，那么式(1)變?yōu)槭?3)。

Ecv(φ,c1,c2)=μ·Length(C)+

(3)

式中，Hε(φ)表示正則化Heaviside函數(shù)，其定義為式(4)。

(4)

δε(φ)表示正則化Dirac函數(shù)，其定義為式(5)。

(5)

根據(jù)梯度下降法求解能量泛函，得到的水平集演化方程為式(6)。

(6)

如果曲線收斂完畢，那么就可以得到能量泛函極值，完成圖像分割。

在式(6)中，inside(C)和outside(C)的像素?cái)M合值：c1和c2計(jì)算公式變?yōu)槭?7)。

(7)

1.2 活動(dòng)輪廓模型的改進(jìn)

傳統(tǒng)活動(dòng)輪廓模型對(duì)圖像初始輪廓依賴性強(qiáng)，易陷入局部最小值，分割效果不可靠，分割結(jié)果有時(shí)不理想，為此本文引入采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)圖像區(qū)域進(jìn)行粗略分割，并將結(jié)果作為活動(dòng)輪廓模型的初始輪廓，產(chǎn)生一種改進(jìn)活動(dòng)輪廓模型，以解決活動(dòng)輪廓模型對(duì)圖像初始輪廓依賴性強(qiáng)的難題。輸入和輸出向量為：X=(x1,x2,…,xn)T和Y=(y1,y2,…,yk)T，它們概率密度函數(shù)為f(x,y)，那么輸出向量的估計(jì)結(jié)果計(jì)算公式為式(8)。

(8)

(9)

(10)

將圖像分割問(wèn)題看作是一個(gè)多分類問(wèn)題，通過(guò)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行不斷訓(xùn)練和學(xué)習(xí)，對(duì)圖像不同區(qū)域行自動(dòng)分類，從而得到圖像的粗分割結(jié)果，該分割結(jié)果作為活動(dòng)輪廓模型分割的初始位置，即初始分割輪廓，然后采用活動(dòng)輪廓模型對(duì)圖像進(jìn)行精確分割。

2 改進(jìn)活動(dòng)輪廓模型的圖像分割效果測(cè)試

2.1 圖像分割數(shù)據(jù)

為了測(cè)試改進(jìn)活動(dòng)輪廓模型的圖像分割的性能，采用圖像分割標(biāo)準(zhǔn)圖像：無(wú)噪的Lena和含噪的Lena作為測(cè)試對(duì)象，它們具體如圖1所示。為了體現(xiàn)試改進(jìn)活動(dòng)輪廓模型的圖像分割方法的優(yōu)越性，選擇傳統(tǒng)活動(dòng)輪廓模型的圖像分割方法、閾值的圖像分割方法，Canny算子的圖像分割方法進(jìn)行對(duì)比測(cè)試，仿真測(cè)試的環(huán)境為：操作系統(tǒng)為：Linux 系統(tǒng)，Intel酷睿i3-6100 CPU，芝奇Ripjaws4 DDR4 8G RAM，華碩 B150M-PLUS主板，圖像分割程序采用VC++6.0編程實(shí)現(xiàn)。

(a) 無(wú)噪的Lena

(b) 含噪的Lena

2.2 圖像分割效果的視覺(jué)效果分析

改進(jìn)活動(dòng)輪廓模型的圖像分割方法與對(duì)比方法的圖像分割結(jié)果如圖2和圖3所示。

(a) 閾值法

(b) Canny算子

(c) 傳統(tǒng)活動(dòng)輪廓模型

(d) 改進(jìn)活動(dòng)輪廓模型

(a) 閾值法

(b) Canny算子

(c) 傳統(tǒng)活動(dòng)輪廓模型

(d) 改進(jìn)活動(dòng)輪廓模型

從圖2和圖3的圖像分割結(jié)果可知，對(duì)比方法的圖像結(jié)果出現(xiàn)了出現(xiàn)嚴(yán)重“過(guò)分割”或者“欠分割”的現(xiàn)象，將噪聲點(diǎn)誤判成圖像邊緣，圖像分割的錯(cuò)誤比較大，而且改進(jìn)活動(dòng)輪廓模型獲得了比較理想的分割效果，有效消除了噪聲對(duì)圖像分割結(jié)果干擾，圖像分割效果明顯優(yōu)于對(duì)比方法。

2.3 圖像分割效果的客觀質(zhì)量評(píng)價(jià)

統(tǒng)計(jì)改進(jìn)活動(dòng)輪廓模型的圖像分割精度以及圖像分割時(shí)間，結(jié)果如表1所示。

表1 圖像分割精度以及圖像分割時(shí)間對(duì)比

從表1可以清楚看出，相對(duì)于傳統(tǒng)活動(dòng)輪廓模型的圖像分割方法、閾值的圖像分割方法，Canny算子的圖像分割方法，改進(jìn)活動(dòng)輪廓模型的圖像分割精度高，圖像分割時(shí)間短，圖像分割效率得到明顯的改善，圖像分割整體性能更優(yōu)。

3 總結(jié)

圖像分割是當(dāng)前圖像處理領(lǐng)域的一個(gè)研究熱點(diǎn)，為了更好的實(shí)現(xiàn)圖像分割，提出了基于改進(jìn)活動(dòng)輪廓模型的圖像分割方法，首先深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)將圖像分割問(wèn)題看作為一個(gè)分類問(wèn)題，通過(guò)自適應(yīng)學(xué)習(xí)和訓(xùn)練，將圖像劃為好多個(gè)區(qū)域，其結(jié)果作為活動(dòng)輪廓模型的邊界初始位置，然后采用活動(dòng)輪廓模型對(duì)圖像進(jìn)行精細(xì)分割，得到最終圖像分割結(jié)果，測(cè)試結(jié)果表明，改進(jìn)活動(dòng)輪廓模型克服了對(duì)初始輪廓敏感的缺陷，改善了圖像分割的精度，而且對(duì)噪聲魯棒性更強(qiáng)，加快了圖像的分割速度，具有廣泛的應(yīng)用前景。