基于水平集算法唇象分割.docVIP

基于水平集算法唇象分割 　　【摘 要】中医面诊中，能通过观察唇体的颜色、质地诊断病人的相关病情，因此将唇体从背景中分离出来应用于计算机辅助中医面诊可以促进中医的发展。本文采用Chan-Vese水平集算法对唇象进行分割。本文采用的数据集是采集自志愿者的23张唇象数据，通过实验展示，本文算法在该数据集上取得了较好的分割结果。同时，本文通过定性和定量分别对实验结果进行分析，阐述水平集算法在唇象分割工作中的优点以及不足之处。 　　【关键词】唇象分割；Chen-Vese；水平集算法 　　0 引言 　　现如今，唇分割技术可以应用到各种领域：语音识别、唇读、面部表情分类、音频交互等。上述的唇分割技术或许可以满足这些特殊的应用，但是得到的分割结果并不适用于中医临床诊断的唇诊中。在传统中医数字信息化的临床诊断中，需要完整精确的唇区域来对唇色进行自动分类，进行下一步的病症诊断。唇体区域越完整精确，唇色分析的结果越精确。所以，如何提取完整精确的唇体区域就是关键问题。 　　为了解决上述问题，本文提出一个新型的基于水平集分割技术的分割方法来进行唇体分割。通过使用本章提出的水平集算法，即使在图像中的唇体只有较弱的边缘特征时，对唇体进行分割也可以得到令人满意的分割结果。采用水平集图像分割算法才获得精确的唇体分割结果。得到本算法的分割结果之后，通过定性与定量两种方式对本算法实验结果进行分析，体现本算法的优秀的性能。 　　1 基于水平集的唇分割算法 　　由于唇色与嘴唇周围的皮肤颜色的区别还是不大，导致直接基于颜色空间的唇体分割算法还是很难将唇体准确的分割出来。然而采用水平集算法[1]将会非常有效的解决这个问题。在本节中，将会详细给出如何在灰度图像中利用水平集算法将唇体区域从非唇体区域中分割出来的推理过程。 　　1.1 算法流程 　　Chan-Vese水平集图像分割算法流程图如图1所示。 　　由图可以看出，在输入图像进行颜色空间转换之后，本章算法的主要步骤描述如下： 　　1）采用矩形初始轮廓曲线； 　　2）通过距离图对初始水平集函数进行初始化； 　　3）计算水平基函数参数并更新轮廓线； 　　4）判断结果是否收敛，如果没有收敛，重复操作步骤3。 　　图1 Chen-Vese水平集图像分割算法流程图 　　1.2 Chan-Vese水平集算法 　　水平集算法是一个描述曲率相关速率演化的曲线的有效方法[2]，水平集算法不是基于梯度变化的，所以水平集算法在处理具有弱边缘特征的图像时有着天然的优势。在图像分割中，水平集算法需要一个初始轮廓曲线来约束初始水平集函数[3]。然后，分割工作的目标物体的边缘将会在一系列的迭代之后确定下来。 　　（1）初始轮廓曲线 　　一个好的初始轮廓曲线，也就是说有一个更逼近真实目标唇体边缘的初始轮廓曲线，能够大幅提升算法计算速度。本文采用的初始轮廓曲线是唇体周围的矩形框。 　　（2）初始水平集 　　初始的水平集可以由符号距离函数计算得到。用符号距离函数可以确定一个给定的像素点x与边界C，当像素点x在曲线C内部的时候，上述符号距离函数得到正值；当符号距离函数减小到为0的时候，即像素点x在边界C上；而像素点x在曲线C外部的时候，符号距离函数的值为负值。 　　初始轮廓曲线确定之后，初始轮廓曲线的距离图可以由膨胀和腐蚀操作来估计。通过这个方法，轮廓曲线C外部的像素点到曲线的距离可以由膨胀操作得到而轮廓曲线内部的像素点到轮廓曲线的距离可以由腐蚀操作得到。 　　（3）Chan-Vese水平集模型 　　Chan-Vese水平集模型是一个由Chan和Vese提出的经典主动轮廓模型。该方法是基于Mumford-Shah模型的水平集分割算法。其原理是：假设图像中属于同一个物体的区域的灰度值是近似平滑的，那么能量最小化函数E的目标就是寻找最优分割C0，使得分割图像与原图像之间的差异最小。 　　图像分割中，一般将图像分为目标区域和背景区域，Chan-Vese水平集原理中假设同一物体区域的灰度值是平滑的，那么曲线C就可以将图像u0分割为目标区域Ω1和背景区域Ω2， 　　该方法所用到的信息不仅仅是轮廓曲线C所在的区域的局部信息，而是充分利用了整幅图像的全局信息。因此，Chan-Vese水平集算法具有显而易见的优势，那就是可以做到全局优化。 　　1.3 图像分割结果优化 　　用上述Chan-Vese水平集算法得到图像目标物体掩膜之后，采用形态学重建算法对得到的二值掩膜图像进行平滑优化处理。Chan-Vese水平集算法分割唇体得到的边缘部分呈锯齿状，是不光滑的。又因为唇体边缘轮廓曲线是呈凸状的，那么为了得到更精确的唇体边缘轮廓曲线，本章采取“五点平均法”来对唇体边缘轮廓曲线进行平滑处理。在Chan-Vese水平集算法得到