《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 業(yè)界動態(tài) > 基于GAC模型實現(xiàn)交互式圖像分割的改進算法

基于GAC模型實現(xiàn)交互式圖像分割的改進算法

2009-09-17
作者:薛晶瀅, 彭進業(yè),, 王大凱,, 倪

  摘 要:? 提出了一種改進的交互式圖像分割算法。采用全變分去噪模型對圖像進行預(yù)處理,在去除噪聲的同時更好地保護了邊緣,;提出了一種對梯度模值進行曲率加權(quán)的邊緣檢測方法,,采用該方法獲得圖像的邊緣點集;將邊緣點集中曲率較大的邊緣點作為候選邊界點推薦給用戶,;用戶通過主觀判斷,,在候選邊界點中選擇合適的“初始邊界點”,算法便可采用GAC模型完成對目標的分割,。實驗結(jié)果表明,,改進算法提高了交互式圖像分割的自動化程度,有效地減少了交互過程中的人工參與量,。
  關(guān)鍵詞:? 圖像分割; 交互式;? TV_L1模型; 曲率加權(quán)梯度模值

?

  在對圖像的研究和應(yīng)用中,,人們往往只對圖像的某個部分感興趣,這些部分稱之為目標或者對象,,而其余部分稱為背景,。為了將目標從背景中提取出來就需要采用圖像分割技術(shù)。圖像分割既可直接應(yīng)用于諸如醫(yī)療輔助診斷,、圖像修復(fù),、拼接等方面,也可為后續(xù)的圖像分析和解釋,、基于對象的圖像(視頻)編碼等應(yīng)用提供基礎(chǔ)數(shù)據(jù),。
  廣義上講,圖像分割可分為兩大類:自動分割和交互式分割,。傳統(tǒng)的自動分割方法有基于灰度信息的投影分割法,、直方圖分割法、基于細節(jié)特征的邊緣檢測法等,。目前的基于偏微分方程的自動分割方法在圖像處理領(lǐng)域得到迅速發(fā)展,,其中最具代表性的就是測地線活動輪廓GAC(Geodesic Active Contour)模型[1-3]
  由于圖像的類型和內(nèi)容多種多樣,,自動分割方法對多目標或背景復(fù)雜的圖像很難奏效,。因此,往往需要一定的人工干預(yù),。目前,,交互式圖像分割方法在醫(yī)療及臨床等領(lǐng)域有著廣泛的應(yīng)用。然而,,通過人工目測的方式進行圖像分割,,不僅存在工作量大、效率低的問題,,而且準確度和一致性也難以得到保證,。在交互式圖像分割方法研究中,如何提高自動化程度,盡量減少人工干與,,一直是人們努力的方向,。
  本文提出一種可為用戶自動提供候選邊界點的交互式圖像分割方法。如何自動提供數(shù)量少而有效的候選邊界點是本文研究的重點,。
1 基于GAC模型的交互式圖像分割算法
  基于GAC模型的交互式圖像分割方法[4]要求用戶參與的工作是:在待處理的圖像上給定少數(shù)幾個邊界點{Pi,,i=1,…,,N},,之后,算法將自動計算N段曲線,,它使每兩點(Pi,,Pi+1)(默認PN+1=P1)之間的加權(quán)弧長為:
  
  達到最小(即最短路徑),從而形成1條封閉曲線作為對象的輪廓,。式中g(shù)為邊緣函數(shù),。
引入函數(shù)v=1/g,則式(1)可改寫為:

  式(3)也稱為(動態(tài))Hamilton-Jacobi方程,。對它進行數(shù)值計算時,,可采用迎風方案(Upwind Scheme)離散化、計算等到達時間曲線,。
  待到達時間曲線計算完成之后,就可以從Pi+1出發(fā),,進行反向跟蹤而獲得Pi與Pi+1之間的最短程線,,從而得到圖像的邊緣。更詳細的算法流程可見參考文獻[1],。
  在基于GAC模型的交互式圖像分割方法中,,其初始邊界點的選取是影響分割結(jié)果的重要步驟。而用戶憑借視覺和經(jīng)驗選取初始邊界點,,不僅不夠恰當或位置不夠精確,,而且是一件很費神的事情。下面提出一種由計算機向用戶推薦初始邊界點的方法,,從而提高交互式圖像分割的自動化程度,。
2 改進算法
2.1 TV_L1濾波

  計算機推薦的邊界點原則上應(yīng)該是圖像邊緣點。為了減少噪聲的影響,,首先需要對圖像進行平滑,。眾所周知,高斯濾波在去除噪聲的同時將導(dǎo)致邊緣模糊化,。由于交互式GAC分割技術(shù)本來就是針對邊緣微弱模糊的圖像所提出的,,所以高斯濾波更不宜采用。因此,這里采用在濾除噪聲的同時能較好地保留邊緣的TV_L1模型對圖像進行濾波,。
  TV_L1模型[6]最早由Alliney提出,,其出發(fā)點是最小化如下能量泛函:
  
  式中,前一項是輸出圖像u的全變分(Total Variation),后一項是輸出圖像相對于輸入圖像u0誤差的L1范數(shù),λ為Lagrange乘子,用于平衡兩項對“能量E”的貢獻,。Chan和Esedoglu[6]對此模型進行了更深入的理論研究,,揭示出它具有非常優(yōu)越的尺度空間特性。
  (4)式對應(yīng)Euler-Lagrange方程為:

2.2 改進的邊緣檢測算法
  一般地,,邊緣檢測的依據(jù)是圖像的梯度模值,,已被廣泛應(yīng)用的Canny算法[8]就是依據(jù)圖像的梯度模值來檢測邊緣的。然而,,事實上,,人們關(guān)注的邊緣除了梯度模值足夠大之外,還需要足夠光滑,?;谶@一考慮,本文引入曲率加權(quán)梯度模值:

  可以滿足權(quán)函數(shù)的這一要求,。式中,,常數(shù)β用以控制下降的速率。由于曲率的倒數(shù)是平面曲線密切圓的半徑,,當用數(shù)字圖像的空間采樣間隔作為長度單位時,,1條光順的邊緣的曲率半徑應(yīng)大于1,即曲率絕對值應(yīng)小于1,。故選取β=2,。
  與Canny邊緣檢測算法類似,計算出曲率加權(quán)梯度模值后,,用低閾值T1可得“弱邊緣”E1,,用高閾值可得“強邊緣”E2,顯然E1E2,。最終在E1中僅保留與E2有連通關(guān)系的連通分量作為輸出邊緣E,。
2.3 候選點的獲取
  原則上,采用2.2節(jié)算法獲得的圖像邊緣點都可以作為初始邊界點的候選點,,但是這種邊緣點的數(shù)量太多,,不方便選擇。為了減輕用戶選點的負擔,,應(yīng)提供盡量少的候選點,。由于曲率大的點往往是最受關(guān)心的初始邊界點,因此,,對已檢測出的邊緣點按曲率絕對值進行降序排列,,將大曲率的邊緣點優(yōu)先推薦給用戶,。這樣就可以大大減小用戶選點的難度。對于只有1個對象的圖像分割,,可以自動選取前幾個點直接作為初始邊界點,。而對于多個對象的分割,可以通過多次人工指定包含被分割對象在內(nèi)的矩形區(qū)域,,轉(zhuǎn)化為多次對單個對象的分割,,并最終完成全部對象的分割。
  綜上所述,,改進的基于GAC模型的交互式圖像分割算法可以描述如下:
  (1)預(yù)處理,。采用TV_L1模型對圖像進行平滑(取λ=0.5)。
  (2)用8鄰點差分格式計算梯度和圖像等照度線的曲率:

?

  (3)按照式(6)和式(7)計算曲率加權(quán)梯度模值,。
  (4)用低閾值T1得“弱邊緣”E1,,用高閾值T2得“強邊緣”E2,保留E1中與E2有連通關(guān)系的連通分量作為輸出邊緣E,。
  (5)將邊緣點集按曲率絕對值進行降序排列輸出,。
  (6)用戶選擇邊界候選點后,采用GAC模型實現(xiàn)圖像分割,。
3 實驗結(jié)果分析
  為了驗證本文方法的有效性和實用性,利用MATLAB的圖形用戶界面開發(fā)環(huán)境GUIDE,開發(fā)了簡單的交互式圖像分割圖形用戶界面,,對本文提出的邊緣檢測算法和分割進行實驗研究。
3.1 邊緣檢測比較實驗
  將2.2節(jié)的邊緣檢測算法與經(jīng)典的Canny算法進行實驗比較,。圖1中,,本文算法λ取0.3,高閾值T2取0.966,低閾值T1取0.4×T2,;Canny算法中,高閾值T2取0.5,,低閾值T1取0.4×T2。圖2中,本文算法所取參數(shù)同圖1,;Canny算法中,高閾值T2取0.42,,低閾值T1取0.4×T2,。

  從圖1和圖2不難看出,改進的邊緣檢測算法的效果優(yōu)于Canny算法,,主要表現(xiàn)在檢測出的邊緣更為準確,,并且雜亂的、虛假的邊緣更少一些,。
3.2 單個對象的圖像分割
??? 圖3是對醫(yī)學(xué)圖像進行分割的實驗結(jié)果,。圖3(a)中高閾值T2取0.966,低閾值T1取0.4×T2,。通過改進的邊緣檢測方法進行邊緣檢測,,計算機自動提供了足夠多而且精確的病變邊界候選點集,,且大曲率的邊緣點被優(yōu)先推薦,此處選取如圖3(a)所示的6個初始邊界點,,計算機便可精確地畫出圖像輪廓,。而圖3(b)中由于未選上曲率最大的點,最后得到的圖像分割結(jié)果不夠理想,。

??? 圖4是對線粒體細胞圖像進行的分割實驗,。實驗參數(shù)同圖3。圖4(a)是選取曲率大的初始邊界點后所得分割結(jié)果,,圖4(b)的4個點通過隨機選取,,從實驗結(jié)果可見,圖4(a)的分割結(jié)果更為準確,。

  以上實驗結(jié)果表明,,在獲得足夠平滑的邊緣點集后,選擇其中曲率較大的點作為初始邊界點的思路是正確的,。由此可見,,除了要考慮曲率足夠大以外,也需要注意所選初始點的空間分布應(yīng)該盡可能大一些,,也就是說,,不要集中在一個局部取點,所選點之間應(yīng)該有一定的幾何距離,。這可以通過簡單的刪選程序?qū)崿F(xiàn),。
3.3 對多個對象進行圖像分割
  圖5是單純皰疹病毒感染細胞的超薄切片圖像分割實驗。其中,,高閾值T2取0.85,,低閾值T1取0.4×T2。圖中,,待分割圖像中包含多個目標圖像,,而實驗僅選取其中的3個不同病毒細胞進行圖像分割。采取改進的算法和本文開發(fā)的用戶圖形界面,,通過3次分別指定包含被分割病毒細胞在內(nèi)的矩形區(qū)域,,逐次進行單個目標的分割,最終實現(xiàn)了對3個病變細胞的準確分割,。

?

  針對交互式圖像分割方法的重要問題——如何更精確地選取“初始邊界點”并減輕交互過程中的人工量,,本文提出了計算機自動推薦候選邊界點的算法,同時提出了對梯度模值進行曲率加權(quán)的邊緣檢測方法,。為了驗證本文算法的有效性,,還開發(fā)了簡單的圖形用戶界面進行實驗研究。通過開發(fā)的用戶圖形界面,,用戶只需在所列候選邊界點中選取“感興趣目標”處的少數(shù)幾個點,,便可得到圖像分割結(jié)果,。實驗結(jié)果表明,本文算法有效地提高了交互式圖像分割的自動化程度,,減少了交互過程中的人工參與量,,同時改善了由于人的主觀判斷所帶來的邊界點選取不精確的問題。


參考文獻
[1] ?王大凱,,侯榆青,,彭進業(yè). 圖像處理的偏微分方程方法[M]. 北京:科學(xué)出版社,2008.
[2] ?GONZALEZ R C, WOODS R W. 數(shù)字圖像處理.第二版[M]. 北京:電子工業(yè)出版社,,2003:460-500.
[3] ?SAPIRO G. Geometric partial differential equations and?image processing. London: Cambridge University Press,2001.
[4] ?COHEN L D, KIMMEL R. Global minimum for active?contours models:A Minimal Path approach[J]. International ?Journal of Computer Vision,1997.
[5] ?ALLINEY S. Digital filters as absolute norm regularizers[J]. IEEE Transactions on Signal Processing, 1992,40(6):1548-1562 .
[6] ?CHAN T F, ESEDOGLU S. Aspects of total variation regularized L1 function approximation[J]. SIAM Journal on?Applied Mathematics, 2005, 65(5):1817-1837.
[7] ?VOGEL C R, OMAN M E. Fast robust total variation-based reconstruction of noisy, blurred images. IEEE, IP,?1998,7:813-824.
[8] ?CANNY J. A? computational approach to edge detection[J]. IEEE Transactions on PAMI, 1986,8(6):679-698.

本站內(nèi)容除特別聲明的原創(chuàng)文章之外,,轉(zhuǎn)載內(nèi)容只為傳遞更多信息,并不代表本網(wǎng)站贊同其觀點,。轉(zhuǎn)載的所有的文章,、圖片、音/視頻文件等資料的版權(quán)歸版權(quán)所有權(quán)人所有,。本站采用的非本站原創(chuàng)文章及圖片等內(nèi)容無法一一聯(lián)系確認版權(quán)者,。如涉及作品內(nèi)容、版權(quán)和其它問題,,請及時通過電子郵件或電話通知我們,,以便迅速采取適當措施,避免給雙方造成不必要的經(jīng)濟損失,。聯(lián)系電話:010-82306118,;郵箱:[email protected]