基于改进活动轮廓模型的图像分割

董飞， 马源源

(陕西铁路工程职业技术学院，1.电气与信息工程系，2.轨道工程系， 渭南 714000)

0 引言

随着图像采集设备完善以及图像拍摄技术的不断进步，每天会出现大量的新图像，相对于文本，图像携带的信息量更大，成为当前一种获取信息的重要途径。在实际生活中，整个图像信息不是用户全部需要的，每一个用户关注的重点不一样，即有不同的感兴趣区域，这样需要对图像进行一定的处理，分割出相应的感兴趣区域，去除一些不感兴趣的区域，因此图像分割是一种模式识别问题的研究，其在军事，医学，遥感应用等领域具有重的应用价值[1,2]。

由于国外的信息化处理水平较高，研究时间较长，图像分割技术已经比较成熟，而国内的图像分割起步相较慢，但是由于国家投入了大量的财力、物力，发展势头很猛[3]。最原始图像分割技术为手工分割，其通过一些专家根据自己的知识和经验来完成，并通过专家门的沟通和商讨得到最终图像分割结果，由于每一个专家的知识丰富度不一样，他们均有自己的偏好，使得不同专家会得到不同的图像分割结果，有时偏差大大，而且分割时间长，手工分割的错误率高。随着自动化技术的不断发展，出现许多自动图像分割方法，它们已经完全替代了手工分割技术[4,5]。当前图像自动分割方法可以划分为两类：一类是基于区域的图像分割方法，利用图像不同区域的像素灰度相似性将图像像素点分为不同类型，从而实现图像不同区域的分割[6-7]，如：基于阈值的图像分割方法，基于区域生长的图像分割方法，基于分裂合并法的图像分割方法，这些方法在图像的实际分割过程中，存在各自的缺陷，如阈值法对噪声敏感，区域生长法和分裂合并法易出现“过分割”或者“欠分割”现象。另一类是基于边缘的图像分割方法，根据区域边缘像素的灰度差异实现不同区域的边缘检测，根据边缘检测结果对图像进行分割[8-10]，如：Canny算子的图像分割方法，Sobel算子的图像分割方法，但是它们同样存在不足，如：对于边缘模糊的图像、噪声多的图像分割准确度低，无法获得令人满意的结果[11,12]。近年来，一些新技术不断的发展，出现了基于活动轮廓模型的图像分割方法，利用变分法将图像分割问题转换为求能量泛函的最小化问题，相对于其它图像分割方法，活动轮廓模型的图像分割效果更优，然而其存在明显局限性，如灰度分布不均匀图像分割错误点多，对图像初始轮廓依赖性强，易陷入局部最小值，分割效果不可靠[13]。

为了获得理想的图像分割结果，本文提出了基于改进活动轮廓模型的图像分割方法。首先采用深度学习神经网络对图像区域进行粗略分割，并将结果作为活动轮廓模型的初始轮廓，解决活动轮廓模型对图像初始轮廓依赖性强的难题，然后采用活动轮廓模型对对图像区域进行精细分割，最后与其它图像分割方法进行了对比测试，结果表明，改进活动轮廓模型提高了图像分割的精度，图像分割效率性要明显优于对分割方法。

1 改进活动轮廓模型的图像分割的分割方法

1.1 传统活动轮廓模型

传统活动轮廓模型有多种类型，如测地线活动轮廓模型，Snake模型，CV模型等，相对于其它的活动轮廓模型，Snake模型，CV模型的图像分割结果最优，因此本文选择CV模型。设待分割图像为：I(x,y)，C表示活动轮廓曲线，那么CV模型的能量泛函计算式为式(1)。

ECV(C,c1,c2)=μ·Length(C)+

(1)

式中，λ1和λ2为常数，inside(C)和outside(C)表示活动轮廓曲线的内部区域和外部区域，c1和c2表示inside(C)和outside(C)的像素拟合值，具体为式(2)。

(2)

采用水平集函数φ代表活动轮廓曲线C，可以提高CV模型拟合曲线变化的能力，那么式(1)变为式(3)。

Ecv(φ,c1,c2)=μ·Length(C)+

(3)

式中，Hε(φ)表示正则化Heaviside函数，其定义为式(4)。

(4)

δε(φ)表示正则化Dirac函数，其定义为式(5)。

(5)

根据梯度下降法求解能量泛函，得到的水平集演化方程为式(6)。

(6)

如果曲线收敛完毕，那么就可以得到能量泛函极值，完成图像分割。

在式(6)中，inside(C)和outside(C)的像素拟合值：c1和c2计算公式变为式(7)。

(7)

1.2 活动轮廓模型的改进

传统活动轮廓模型对图像初始轮廓依赖性强，易陷入局部最小值，分割效果不可靠，分割结果有时不理想，为此本文引入采用深度学习神经网络对图像区域进行粗略分割，并将结果作为活动轮廓模型的初始轮廓，产生一种改进活动轮廓模型，以解决活动轮廓模型对图像初始轮廓依赖性强的难题。输入和输出向量为：X=(x1,x2,…,xn)T和Y=(y1,y2,…,yk)T，它们概率密度函数为f(x,y)，那么输出向量的估计结果计算公式为式(8)。

(8)

(9)

(10)

将图像分割问题看作是一个多分类问题，通过深度学习神经网络对其进行不断训练和学习，对图像不同区域行自动分类，从而得到图像的粗分割结果，该分割结果作为活动轮廓模型分割的初始位置，即初始分割轮廓，然后采用活动轮廓模型对图像进行精确分割。

2 改进活动轮廓模型的图像分割效果测试

2.1 图像分割数据

为了测试改进活动轮廓模型的图像分割的性能，采用图像分割标准图像：无噪的Lena和含噪的Lena作为测试对象，它们具体如图1所示。为了体现试改进活动轮廓模型的图像分割方法的优越性，选择传统活动轮廓模型的图像分割方法、阈值的图像分割方法，Canny算子的图像分割方法进行对比测试，仿真测试的环境为：操作系统为：Linux 系统，Intel酷睿i3-6100 CPU，芝奇Ripjaws4 DDR4 8G RAM，华硕 B150M-PLUS主板，图像分割程序采用VC++6.0编程实现。

(a) 无噪的Lena

(b) 含噪的Lena

2.2 图像分割效果的视觉效果分析

改进活动轮廓模型的图像分割方法与对比方法的图像分割结果如图2和图3所示。

(a) 阈值法

(b) Canny算子

(c) 传统活动轮廓模型

(d) 改进活动轮廓模型

(a) 阈值法

(b) Canny算子

(c) 传统活动轮廓模型

(d) 改进活动轮廓模型

从图2和图3的图像分割结果可知，对比方法的图像结果出现了出现严重“过分割”或者“欠分割”的现象，将噪声点误判成图像边缘，图像分割的错误比较大，而且改进活动轮廓模型获得了比较理想的分割效果，有效消除了噪声对图像分割结果干扰，图像分割效果明显优于对比方法。

2.3 图像分割效果的客观质量评价

统计改进活动轮廓模型的图像分割精度以及图像分割时间，结果如表1所示。

表1 图像分割精度以及图像分割时间对比

从表1可以清楚看出，相对于传统活动轮廓模型的图像分割方法、阈值的图像分割方法，Canny算子的图像分割方法，改进活动轮廓模型的图像分割精度高，图像分割时间短，图像分割效率得到明显的改善，图像分割整体性能更优。

3 总结

图像分割是当前图像处理领域的一个研究热点，为了更好的实现图像分割，提出了基于改进活动轮廓模型的图像分割方法，首先深度学习神经网络将图像分割问题看作为一个分类问题，通过自适应学习和训练，将图像划为好多个区域，其结果作为活动轮廓模型的边界初始位置，然后采用活动轮廓模型对图像进行精细分割，得到最终图像分割结果，测试结果表明，改进活动轮廓模型克服了对初始轮廓敏感的缺陷，改善了图像分割的精度，而且对噪声鲁棒性更强，加快了图像的分割速度，具有广泛的应用前景。