PDF《Bregman 全散度水平集图像分割方法》

第37 卷第

7 期 计算机应用研究 Vol.

37 No.

7 录用定稿 Application Research of Computers Accepted Paper 收稿日期:2019-01-03;

修回日期:2019-03-26 基金项目:国家自然科学基金资助项目(61672120) 作者简介:李红蕾(1987-) ,女,重庆人,讲师,硕士,主要研究方向为计算机应用技术、移动互联网应用技术、人工智能([email protected]) ;

王翊(1977-) ,男,重庆人,工程师,博士,主要研究方向为图像处理、模式识别. Bregman 全散度水平集图像分割方法 * 李红蕾

1 ,王翊2(1. 重庆电子工程职业学院 人工智能与大数据学院, 重庆 401331;

2. 重庆大学 计算机学院, 重庆 400044) 摘要:由于图像来源的广泛性和成像条件的复杂性,使得图像分割是一个极具挑战性的问题.针对传统活动轮廓 模型不适用于噪声、弱边缘图像分割的问题,提出基于 Bregman 全散度的全局优化分割方法.首先用 Bregman 全散 度替换传统模型中的 L2 测度,构造能量泛函;

然后构造全局最优解求解方法,交替迭代求解最优解,得到最终的目 标边界;

最后在模拟图像、医学图像和自然图像场景下进行实验对比.对比实验结果表明,该分割方法具有较高的 鲁棒性和抗噪能力,能准确地分割出具有噪声、弱边缘的目标区域. 关键词:图像分割;

活动轮廓模型;

Bregman 全散度;

能量泛函;

全局优化 中图分类号:TP391.41 doi: 10.19734/j.issn.1001-3695.2019.01.0027 Level set image segmentation model based on total bregman divergence Li Honglei1 , Wang Yi2 (1. College of Artificial Intelligence &

Big Data, Chongqing College of Electronic Engineering, Chongqing 401331, China;

2. School of Computer Science, Chongqing University, Chongqing 400044, China) Abstract: Image segmentation plays an important role in the research field of computer vision and it is the foundation of high-level semantic analysis. However, image segmentation is a very challenging problem due to the wide range of image sources and the complexity of imaging conditions. Focusing on the problems that the traditional active contour models are not fully suitable for image segmentation with noise and weak edge, this paper proposed a global optimal segmentation method based on total bregman divergence (TBD) . Firstly, the TBD replaced the original L2 measure in the traditional models to construct the segmentation energy functional. Then a solution was applied to obtain the global optimum alternately. The optimal solution represented the final target boundaries. Finally, experimental results on synthetic, medical and nature images validate the high robustness and noise immunity of the proposed model. It could achieve the object boundaries in noise and weak edge accurately and efficiently. Key words: image segmentation;

active contour model;

total bregman divergence;

energy functional;

global optimization

0 引言 图像分割是按照一定准则将原始图像分为多个不重叠区 域, 使得每个区域具有相同或相似的图像灰度等特征的过程. 它在目标检测和场景理解等计算机视觉研究领域中起着重要 的作用.由于大多数图像在获取或传输的过程中,受到各种 光照、背景和噪声等因素的影响,使得图像分割是一个极具 具挑战性的任务. 针对不同的应用场景,不同的分割方法被提出.传统基 于阈值的分割方法[1, 2] 仅利用图像的底层灰度信息, 对噪声敏 感,很难分割具有复杂背景图像中的目标,分割结果不具有 连续性,且往往需要后处理操作[3] .活动轮廓模型利用目标 区域灰度的一致性和目标边界的光滑性等先验信息分割图像, 是一种有效的分割方法.活动轮廓模型在图像分割方面效果 显著,自被提出以来就被广泛研究.现有的活动轮廓模型可 以分为两大类:基于图像区域[4~10] 和基于图像边缘[11~13] 的模 型. 基于边缘的活动轮廓方法主要利用图像的边界信息构造 边缘停止函数和能量泛函驱动轮廓演化并停止到图像的目标 边界.文献[13]提出了经典的测地线活动轮廓模型,但是该 类方法对图像噪声鲁棒性差,且对算法的初始条件敏感,不 同的初始条件往往得到不同的分割结果.文献[11,12]也是基 于边缘活动轮廓的研究. 基于区域的方法主要利用图像灰度或纹理的统计信息控 制活动轮廓的演化.文献[4]是经典的无边界活动轮廓模型 (CV),仅利用目标和背景的灰度一致性构造能量泛函分割图 像.该方法对噪声有一定的鲁棒,能处理弱边缘图像.但CV 模型要求图像灰度匀质,且不能处理具有灰度不均的情况. 该模型思路设计简单,能得到亚像素的分割精度,后续有很 多基于原始 CV 改进的方法[6] . Li 等人[5] 在CV 模型的基础上 引入局部统计信息,构造可变区域的拟合能量泛函,一定程 度上处理灰度不均的分割问题.基于高斯统计的拟合能量方 法[7, 8] 和局部灰度差异方法[10] 也是一类有效处理灰度不均的 方法.结合全局和局部信息的分割方法能提高分割算法的有 效性,同时又能很好地处理灰度不均的目标分割[14, 15] .活动 轮廓方法是一种有效的分割框架,一些传统的基于聚类的方 法可以嵌入到该框架中[9, 16] ,从而提高分割结果的精度.相 比于基于边界的分割方法, 基于区域的方法在处理图像噪声、 弱边界、灰度不均等情况下更具优势.后续的研究表明,综 合图像的边界和区域信息能进一步提高活动轮廓模型的分割 性能[17, 18] . 更多关于活动轮廓模型的比较可以参考文献[19]. 活动轮廓模型通过构造能量泛函、求解优化问题达到分 割图像的目的. 但是通常情况下, 构造的能量泛函是非凸的, 很难得到全局最优解,从而导致设计的模型对初始位置依赖 较大[20] .一些研究工作致力于凸能量的构造和全局最优解的 求解. 文献[21]通过凸优化方法求解原问题的最优解. Spencer 录用定稿 李红蕾,等:Bregman 全散度水平集图像分割方法 第37 卷第