自适应尺度的局部强度聚类图像分割模型

计算机工程与科学

自适应尺度的局部强度聚类图像分割模型

赵仁和，王军锋

（西安理工大学理学院，陕西西安 710054）

收稿日期:2019-08-14 修回日期:2019-12-11 出版日期:2020-06-25 发布日期:2020-06-25
基金资助:
西安市科技创新引导项目（201805037YD15CG21(7)）

An adaptive scale local intensity

clustering image segmentation model

ZHAO Ren-he，WANG Jun-feng

（School of Science,Xi’an University of Technology,Xi’an 710054,China）

Received:2019-08-14 Revised:2019-12-11 Online:2020-06-25 Published:2020-06-25

摘要/Abstract

摘要：

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。

关键词: 图像分割, 活动轮廓模型, 水平集方法, 自适应尺度, 局部强度聚类

Abstract:

Aiming at the problem that the traditional active contour model cannot accurately segment images with intensity inhomogeneity and is sensitive to scale parameters, an adaptive scale active contour model based on region information is proposed. The adaptive scale operator is constructed based on the local entropy of the image, and the energy function is constructed by using the local intensity clustering property of the image. A linear combination of a set of smooth basis functions is used to represent the bias field to increases the stability of the model. By minimizing this energy, the proposed model is able to simultaneously segment the image and estimate the bias field, and the estimated bias field can be used for intensity inhomogeneity correction. Experimental results show that, compared with the other four models, the proposal has higher segmentation accuracy, and the segmentation result is robust to the initial level set function and noise in the image.

Key words: image segmentation;active contour model;level set method, adaptive scale;local intensity clustering

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.

ZHAO Ren-he，WANG Jun-feng.

An adaptive scale local intensity

clustering image segmentation model

[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]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	谭志国1，2,欧建平1,张军1,沈先耿2. 多特征组合的深度图像分割算法[J]. 计算机工程与科学, 2018, 40(08): 1429-1434.