一种结合梯度信息的分块式局部加权的图像分割方法

摘要

本发明公开了一种结合梯度信息的分块式局部加权的图像分割方法，首先，在每点的局部块内计算当前点属于其邻域的概率；然后，利用当前点所在局部块内各像素点的概率对当前点的概率做估计，以此降低噪声和灰度不均匀性的影响；接着，提出一种结合梯度信息的正则项，捕捉狭长拓扑结构；最后，进行加权估计后的相似度信息作为区域信息指导水平集曲线的演化。本发明能准确分割具有拐点、弱边界和细长结构的复杂目标。

主权项

一种结合梯度信息的分块式局部加权的图像分割方法，其特征在于，包含以下步骤：步骤1)，对于待分割的图像I的每一个像素点x，依次计算在以其为中心、大小为k×k的局部块L(x)内其他各个像素点y与局部块L(x)的归属度P_y∈L(x)(y)，k为预先设定的大于零的自然数；步骤2)，利用局部块L(x)内中心像素点x和其他像素点y的归属度概率差异性建立权函数W(x,y)，结合其他像素点y的归属度P_y∈L(x)(y)做加权估计，得到中心像素点与其他像素点的平均相似度函数P_W(x)；步骤3)，以水平集函数φ表示分割曲线，以图像I的梯度与水平集函数φ的梯度进行点乘计算，进而构成耦合梯度信息的正则项i、j分别为图像横向和纵向两个方向上的索引刻度，Ω是图像I的总范围；步骤4)，利用平均相似度函数P_W(x)和关于φ的二值函数H(φ(x))构成指导分割曲线演化的区域项∫_ΩP_W(I(x))H(φ(x))dx+∫_ΩP_W(I(x))(1‑H(φ(x)))dx，与耦合梯度信息的正则项一起构成分割算法的能量泛函：$E^{LWPS}={\int }_{\Omega }\frac{|▿\phi ▿I|}{|▿I|}+\underset{\Omega }{\int }P\_W\left(I\right(x\left)\right)H\left(\phi \right(x\left)\right)dx+\underset{\Omega }{\int }P\_W\left(I\right(x\left)\right)(1-H(\phi \left(x\right)\left)\right)dx$其中，I(x)表示像素点x上的灰度值；步骤5)，利用最速下降法对能量泛函E^LWPS进行最小化，以实现分割曲线的移动直至最终分割。