基于区域信息水平集藻类图像分割.doc

基于区域信息水平集藻类图像分割摘要：由于藻类细胞复杂多样且显微图像受光线影响，传统的图像分割算法对藻类图像分割难以取得满意的效果。针对传统的水平集C—V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷，利用一种基于局部区域的C—V（LCV）模型，应用于藻类细胞显微图像的分割。通过实验对比，显示出LCV模型相对于传统分割方法可以分割灰度均匀或不均匀的藻类图像。 关键词：水平集；LCV模型；图像分割 中图分类号：TP391.41 文献标识码：A 文章编号：1007—9599 （2012） 14—0000—02 一、概述 目前，我国对海洋赤潮及湖泊蓝绿藻的监视主要还是卫星遥感技术，这种监测手段的缺陷是不能进行其预测、预警、而且实时性差、阴雨天气得不到图象，针对以上问题，进行预报、预警、监测和控制从而减少环境灾害的影响，就是需要重要解决的问题。而藻类的种类和形态比例的图像识别就是监测其中重要的一个环节。根据现场显微照片，利用图像识别软件鉴定赤潮或水华类型，优势藻类和种群密度及生长趋势。然而，由于藻类细胞复杂多样且显微图像受光线和藻类细胞颜色的影响，传统的图像分割算法对藻类轮廓的提取难以取得满意的效果。水平集方法是目前图像处理领域研究的热点。已经在图像处理的多个领域得到了广泛应用，如图像分割、图像去噪、形状检测等。 二、水平集图像处理的基本方法 最早的水平集方法是基于几何变形模型由Osher和Sethian于1982年提出的，该方法是利用偏微分方程作为数值分析的一种用于界面追踪和形状建模的数值技术。水平集图像处理的核心思想是把n维演化问题转化为高一维（n+1）维的水平集，或者说是把n维描述视为有n维变量的水平集函数f的水平集。这样就把求解n维描述的演化过程转化为求解关于有n维变量的水平集函数的演化过程。目前常见的轮廓演化模型有两种：基于参数变换的轮廓模型和基于几何活动轮廓模型。 传统的水平集图像分割方法仅利用图像的局部边缘信息使得演化曲线逼近目标轮廓，对于边缘模糊或没有明显梯度变化的边缘的逼近效果不理想。比较而言，基于Mumford—Shah（M—S）模型的水平集图像分割方法依赖的是区域的全局信息，包括用来表达分割结果与源图像间相似程度的保真项、用来保证分割结果足够光滑的平滑项和用来约束模型曲线长度最小的长度约束项。因此可获得较好的分割结果，然而该模型过于复杂，三项全部使用的话求解过程会变得非常复杂，这在一定程度上限制了其应用。因此，在实际使用M—S模型时需要进行一定的简化。其中，最具代表性的是Chan和Vese提出用水平集的方法来解决Mumford—Shah问题。水平集方法的主要思想是通过单个水平集的符号将待分割图像划分为目标和背景两个部分，在保证分割质量的前提下，降低了M—S模型的复杂度。 C—V模型将Mumford—Shah模型能量函数的面积项去掉，保留长度项。其主要通过最小化如下能量泛函加以实现： 其中μ、 和 为正常数，一般取 ， 和 分别是图像曲线C内部和外部的灰度值。用水平集函数 来代替曲线函数C，则能量函数被写为： 其中H（z）和 分别是海氏（Heaviside）函数H（z）和狄拉克（Dirac）函数 的正则化形式。H（z）和 的公式如下： H（z）表示曲线C的内部区域，而（1—H（z））表示曲线C的外部区域。 三、Local Chan—Vese模型 针对藻类细胞复杂多样且显微图像受光线和藻类细胞颜色的影响，基于C—V模型只利用到了全局信息，而无法正确分割灰度不均匀图像这个问题，将分割此类图像的关键——局部区域信息，引入到C—V模型中，以实现对此类图像的准确分割。以下将其称为Local Chan—Vese（LCV）模型。 该模型主要是基于曲线轮廓演化、局部区域信息以及水平集方法，属于混合型水平集方法。在上述的C—V模型项的基础上加入图像的局域统计信息，即在把图像细化成较小的局部区域时，图像的灰度还是保持着均匀的特性的。因此，把局部灰度分布的均值作为统计信息，如果所分析的目标灰度比邻域背景的像素点灰度高的话，通过卷积之后的图像与原始图像数据作差值，可以使目标的灰度与背景的灰度对比大大增强。 其中 是窗口大小为k的平均卷积算子， 和 分别是卷积后的图像与源图像的差值 在C内部和外部的灰度均值。 采用水平集的思想，将水平集函数 引入到上式中，则进一步改写为： 此外，为了保证分割精度，保证水平集函数在演化过程中保持为近似的符号距离函数，就需要将演化曲线（零水平集）提取出来。这样重新初始化就会造成零水平集位置发生偏移，以及计算量较大，限制演化速度。因此，在水平集方法计算过程中引入能量正畸函数： 另外一点，为了在最后的分割结果中避免