基于小波变分模型的图像多目标自适应分割方法及系统

摘要

本发明公开了一种基于小波变分模型的图像多目标自适应分割方法及系统，涉及图像处理技术领域，所述方法包括：S1：获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；S2：根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；S3：构建图像多相分割C-V模型，并获得所述图像多相分割C-V模型的零水平集；S4：对图像多相分割C-V模型的参数进行自适应优化，以实现指定目标物进行矢量轮廓提取。本发明构造了求解图像分割Chan-Vese模型的多尺度小波快速自适应方法，并通过对C-V模型中参数自适应优化，实现了基于单水平集函数提取复杂生物图像中的多目标嵌套矢量精确轮廓。

主权项

一种基于小波变分模型的图像多目标自适应分割方法，其特征在于，所述方法包括以下步骤：S1：获取二维彩色图像，并将其转化为二维灰度图像，对所述二维灰度图像进行预处理；S2：根据预处理后的二维灰度图像的基函数的光滑性来选择插值小波函数；S3：构建基于步骤S2中选择的插值小波函数的图像多相分割C‑V模型，并获得所述图像多相分割C‑V模型的零水平集；S4：对步骤S3中的图像多相分割C‑V模型的参数进行自适应优化，以实现基于单水平集函数对多目标生物图像中指定目标物进行矢量轮廓提取；其中，步骤S3包括以下步骤：S31：构建图像分割C‑V模型；S32：对所述图像分割C‑V模型进行变分处理，得到关于水平集函数的偏微分方程；S33：采用步骤S2选择的插值小波函数来描述水平集函数，并将水平集函数的小波表达式代入步骤S32的偏微分方程中，以构建基于步骤S2中选择插值小波函数的图像多相分割C‑V模型；S34：针对S33中图像多相分割C‑V模型构造线性同伦，以增大迭代时间步长的取值范围，避免展开过多的级数项；S35：求解S34中图像多相分割C‑V模型得到t时刻的水平集函数为一空间曲面，使水平集函数取零，以得到零水平集，所述零水平集为目标边界曲线。