抑制纹理信息的偏置场变分图像分割模型

计算机工程与科学

抑制纹理信息的偏置场变分图像分割模型

李虎，汪西莉

（陕西师范大学计算机科学学院,陕西西安 710119）

收稿日期:2015-11-20 修回日期:2016-01-11 出版日期:2017-02-25 发布日期:2017-02-25
基金资助:
国家自然科学基金(41171338,41471280,61401265)；陕西省自然科学基础青年项目(2014JQ8312 )

A bias field variational image segmentation

model restraining texture information

LI Hu，WANG Xi-li

（School of Computer Science,Shaanxi Normal University,Xi’an 710119,China）

Received:2015-11-20 Revised:2016-01-11 Online:2017-02-25 Published:2017-02-25

摘要/Abstract

摘要：

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息，可以对灰度不均匀图像进行有效的分割，但当灰度图像中存在纹理时，分割效果往往很差。针对这一问题，提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域，使得不同纹理区域对比更加明显，相同纹理区域更加平滑，通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明，相比偏置场变分模型，所提模型对自然及人工合成纹理图像均获得更好的分割结果。

关键词: 图像分割, 偏置场, 变分模型, 纹理描述符, 纹理图像

Abstract:

The variational level set image segmentation based on the bias field can segment intensity inhomogeneity images using the local image information. However, the model cannot do it well when there are textures in the image. To solve the above problem, we propose a bias field variational level set image segmentation model to suppress texture information. The texture can be restrained by the intrinsic texture descriptor based on the texture geometric structure and it can enhance the contrast among different texture regions and smooth the image in the same texture region. It can reduce the mistakes of texture region segmentation by restraining the texture. Experimental results indicate that the proposed model can better segment natural and synthetic texture images in comparison with the bias field variational model.

Key words: image segmentation, bias field, variational model, texture descriptor, texture image

李虎，汪西莉. 抑制纹理信息的偏置场变分图像分割模型[J]. 计算机工程与科学.

LI Hu，WANG Xi-li.

A bias field variational image segmentation

model restraining texture information

[J]. Computer Engineering & Science.

[1]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[2]	吴从中, 董浩, 方静. 基于注意力机制的自适应滤波遥感图像分割网络[J]. 计算机工程与科学, 2022, 44(11): 2010-2018.
[3]	仇静博, 燕雪峰, 汪俊, 郭延文, 魏明强, . 基于全卷积神经网络的单幅隧道图像裂纹提取算法[J]. 计算机工程与科学, 2022, 44(05): 845-854.
[4]	曾增峰, 环宇翔, 邹卓, 郑立荣. 多尺度深度监督的高度近视萎缩病变分割方法[J]. 计算机工程与科学, 2021, 43(07): 1264-1272.
[5]	蒋芸, 高静, 王发林. SAG-Net：用于联合视盘和视杯分割的新型跳过注意力指导网络[J]. 计算机工程与科学, 2021, 43(07): 1273-1282.
[6]	张俊鹏, 刘辉, 李清荣. 基于FCN-LSTM的工业烟尘图像分割[J]. 计算机工程与科学, 2021, 43(05): 906-916.
[7]	陈爱莲, 丁正龙, 詹曙. 基于对抗学习和多尺度特征融合的前列腺MR图像分割[J]. 计算机工程与科学, 2021, 43(04): 697-703.
[8]	朱倩倩, 车文刚, 苗晗. 数字化藏文古籍中多样性字体的实现方法研究[J]. 计算机工程与科学, 2020, 42(11): 2073-2079.
[9]	赵仁和，王军锋. 自适应尺度的局部强度聚类图像分割模型[J]. 计算机工程与科学, 2020, 42(06): 1043-1048.
[10]	徐秋平. 基于人机交互式图割的目标快速提取[J]. 计算机工程与科学, 2020, 42(02): 299-306.
[11]	王卫民1,符首夫1,顾榕蓉1,王东升1,何林容2,关文斌3. 基于卷积神经网络的虫情图像分割和计数方法[J]. 计算机工程与科学, 2020, 42(01): 110-116.
[12]	任佳1,2，张胜男1，董超2，赵敏钧1. 基于改进模糊C均值的海面目标图像分割算法[J]. 计算机工程与科学, 2019, 41(05): 858-864.
[13]	吴尚智1，佘志用2，张霞1，赵慧琴3. 利用变精度粗糙熵的图像分割算法[J]. 计算机工程与科学, 2018, 40(10): 1837-1843.
[14]	易三莉，张桂芳，贺建峰，李思洁. 基于最大类间方差的最大熵图像分割[J]. 计算机工程与科学, 2018, 40(10): 1874-1881.
[15]	刘汉强，张青. 区间模糊谱聚类图像分割方法[J]. 计算机工程与科学, 2018, 40(09): 1611-1616.