基于改進活動輪廓模型的圖像分割

董飛， 馬源源

(陜西鐵路工程職業技術學院，1.電氣與信息工程系，2.軌道工程系， 渭南 714000)

0 引言

隨著圖像采集設備完善以及圖像拍攝技術的不斷進步，每天會出現大量的新圖像，相對于文本，圖像攜帶的信息量更大，成為當前一種獲取信息的重要途徑。在實際生活中，整個圖像信息不是用戶全部需要的，每一個用戶關注的重點不一樣，即有不同的感興趣區域，這樣需要對圖像進行一定的處理，分割出相應的感興趣區域，去除一些不感興趣的區域，因此圖像分割是一種模式識別問題的研究，其在軍事，醫學，遙感應用等領域具有重的應用價值[1,2]。

由于國外的信息化處理水平較高，研究時間較長，圖像分割技術已經比較成熟，而國內的圖像分割起步相較慢，但是由于國家投入了大量的財力、物力，發展勢頭很猛[3]。最原始圖像分割技術為手工分割，其通過一些專家根據自己的知識和經驗來完成，并通過專家門的溝通和商討得到最終圖像分割結果，由于每一個專家的知識豐富度不一樣，他們均有自己的偏好，使得不同專家會得到不同的圖像分割結果，有時偏差大大，而且分割時間長，手工分割的錯誤率高。隨著自動化技術的不斷發展，出現許多自動圖像分割方法，它們已經完全替代了手工分割技術[4,5]。當前圖像自動分割方法可以劃分為兩類：一類是基于區域的圖像分割方法，利用圖像不同區域的像素灰度相似性將圖像像素點分為不同類型，從而實現圖像不同區域的分割[6-7]，如：基于閾值的圖像分割方法，基于區域生長的圖像分割方法，基于分裂合并法的圖像分割方法，這些方法在圖像的實際分割過程中，存在各自的缺陷，如閾值法對噪聲敏感，區域生長法和分裂合并法易出現“過分割”或者“欠分割”現象。另一類是基于邊緣的圖像分割方法，根據區域邊緣像素的灰度差異實現不同區域的邊緣檢測，根據邊緣檢測結果對圖像進行分割[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：對于邊緣模糊的圖像、噪聲多的圖像分割準確度低，無法獲得令人滿意的結果[11,12]。近年來，一些新技術不斷的發展，出現了基于活動輪廓模型的圖像分割方法，利用變分法將圖像分割問題轉換為求能量泛函的最小化問題，相對于其它圖像分割方法，活動輪廓模型的圖像分割效果更優，然而其存在明顯局限性，如灰度分布不均勻圖像分割錯誤點多，對圖像初始輪廓依賴性強，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果，本文提出了基于改進活動輪廓模型的圖像分割方法。首先采用深度學習神經網絡對圖像區域進行粗略分割，并將結果作為活動輪廓模型的初始輪廓，解決活動輪廓模型對圖像初始輪廓依賴性強的難題，然后采用活動輪廓模型對對圖像區域進行精細分割，最后與其它圖像分割方法進行了對比測試，結果表明，改進活動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于對分割方法。

1 改進活動輪廓模型的圖像分割的分割方法

1.1 傳統活動輪廓模型

傳統活動輪廓模型有多種類型，如測地線活動輪廓模型，Snake模型，CV模型等，相對于其它的活動輪廓模型，Snake模型，CV模型的圖像分割結果最優，因此本文選擇CV模型。設待分割圖像為：I(x,y)，C表示活動輪廓曲線，那么CV模型的能量泛函計算式為式(1)。

ECV(C,c1,c2)=μ·Length(C)+

(1)

式中，λ1和λ2為常數，inside(C)和outside(C)表示活動輪廓曲線的內部區域和外部區域，c1和c2表示inside(C)和outside(C)的像素擬合值，具體為式(2)。

(2)

采用水平集函數φ代表活動輪廓曲線C，可以提高CV模型擬合曲線變化的能力，那么式(1)變為式(3)。

Ecv(φ,c1,c2)=μ·Length(C)+

(3)

式中，Hε(φ)表示正則化Heaviside函數，其定義為式(4)。

(4)

δε(φ)表示正則化Dirac函數，其定義為式(5)。

(5)

根據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)的像素擬合值：c1和c2計算公式變為式(7)。

(7)

1.2 活動輪廓模型的改進

傳統活動輪廓模型對圖像初始輪廓依賴性強，易陷入局部最小值，分割效果不可靠，分割結果有時不理想，為此本文引入采用深度學習神經網絡對圖像區域進行粗略分割，并將結果作為活動輪廓模型的初始輪廓，產生一種改進活動輪廓模型，以解決活動輪廓模型對圖像初始輪廓依賴性強的難題。輸入和輸出向量為：X=(x1,x2,…,xn)T和Y=(y1,y2,…,yk)T，它們概率密度函數為f(x,y)，那么輸出向量的估計結果計算公式為式(8)。

(8)

(9)

(10)

將圖像分割問題看作是一個多分類問題，通過深度學習神經網絡對其進行不斷訓練和學習，對圖像不同區域行自動分類，從而得到圖像的粗分割結果，該分割結果作為活動輪廓模型分割的初始位置，即初始分割輪廓，然后采用活動輪廓模型對圖像進行精確分割。

2 改進活動輪廓模型的圖像分割效果測試

2.1 圖像分割數據

為了測試改進活動輪廓模型的圖像分割的性能，采用圖像分割標準圖像：無噪的Lena和含噪的Lena作為測試對象，它們具體如圖1所示。為了體現試改進活動輪廓模型的圖像分割方法的優越性，選擇傳統活動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行對比測試，仿真測試的環境為：操作系統為：Linux 系統，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編程實現。

(a) 無噪的Lena

(b) 含噪的Lena

2.2 圖像分割效果的視覺效果分析

改進活動輪廓模型的圖像分割方法與對比方法的圖像分割結果如圖2和圖3所示。

(a) 閾值法

(b) Canny算子

(c) 傳統活動輪廓模型

(d) 改進活動輪廓模型

(a) 閾值法

(b) Canny算子

(c) 傳統活動輪廓模型

(d) 改進活動輪廓模型

從圖2和圖3的圖像分割結果可知，對比方法的圖像結果出現了出現嚴重“過分割”或者“欠分割”的現象，將噪聲點誤判成圖像邊緣，圖像分割的錯誤比較大，而且改進活動輪廓模型獲得了比較理想的分割效果，有效消除了噪聲對圖像分割結果干擾，圖像分割效果明顯優于對比方法。

2.3 圖像分割效果的客觀質量評價

統計改進活動輪廓模型的圖像分割精度以及圖像分割時間，結果如表1所示。

表1 圖像分割精度以及圖像分割時間對比

從表1可以清楚看出，相對于傳統活動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，改進活動輪廓模型的圖像分割精度高，圖像分割時間短，圖像分割效率得到明顯的改善，圖像分割整體性能更優。

3 總結

圖像分割是當前圖像處理領域的一個研究熱點，為了更好的實現圖像分割，提出了基于改進活動輪廓模型的圖像分割方法，首先深度學習神經網絡將圖像分割問題看作為一個分類問題，通過自適應學習和訓練，將圖像劃為好多個區域，其結果作為活動輪廓模型的邊界初始位置，然后采用活動輪廓模型對圖像進行精細分割，得到最終圖像分割結果，測試結果表明，改進活動輪廓模型克服了對初始輪廓敏感的缺陷，改善了圖像分割的精度，而且對噪聲魯棒性更強，加快了圖像的分割速度，具有廣泛的應用前景。