鄧星濤, 閔 海

(合肥工業(yè)大學(xué) 計算機(jī)與信息學(xué)院,安徽 合肥 230601)

圖像分割是圖像特征提取和識別、圖像分析的基礎(chǔ),是圖像處理領(lǐng)域中的一個長期研究熱點。大量圖像屬于紋理圖像,具有結(jié)構(gòu)復(fù)雜、隨機(jī)多樣等紋理特征,若忽視紋理特征,則會導(dǎo)致紋理圖像分割不準(zhǔn)確甚至出現(xiàn)分割錯誤的情況,因此紋理圖像分割一直是圖像處理中的難點。因為紋理圖像的準(zhǔn)確分割和提取出的紋理特征的質(zhì)量緊密相關(guān),所以提取出好的紋理特征是紋理圖像分割的關(guān)鍵和難點。

針對紋理圖像分割的問題,傳統(tǒng)的基于水平集的非監(jiān)督紋理圖像分割方法的具體步驟如下:一是提取紋理特征;二是將提取出的紋理特征融入水平集中進(jìn)行紋理圖像分割?，F(xiàn)有的基于水平集的非監(jiān)督紋理圖像分割方法中,提取紋理特征的方法常見的有:① 基于統(tǒng)計的局部算子,包括SIFT算子[1]、HOG算子[2]等;② 基于微分的局部算子,包括Sobel算子[3]、Canny算子[4]、結(jié)構(gòu)張量算子[5]、拓展結(jié)構(gòu)張量[6]等;③ 基于濾波器的局部算子,包括Gabor濾波器[7]、小波理論[8]等。這些方法通常是基于局部區(qū)域的灰度統(tǒng)計來獲取紋理特征,然后將上述方法提取的紋理特征融入水平集[9]框架中,從而進(jìn)行有效的紋理圖像分割。其他基于非監(jiān)督紋理圖像分割方法在近幾年一直有新的成果出現(xiàn),文獻(xiàn)[10]提出一種魯棒的凸主動輪廓模型用于紋理分割,通過結(jié)合強(qiáng)度和Gabor特征的局部變化程度來計算一組特征圖；文獻(xiàn)[11]提出非局部Mumford-Shah-TV 變分模型,用總變差(total variation,TV)規(guī)則項和非局部算子分別得到紋理圖像中隱藏的圖像結(jié)構(gòu)和紋理圖像特征；文獻(xiàn)[12]提出一種基于多層級聚類的算法,該算法包括粗分、代表點聚類和細(xì)分3個階段,具有一定的有效性。

綜上所述,提取紋理特征的傳統(tǒng)方法通常根據(jù)像素鄰域灰度的分布,然后通過統(tǒng)計獲得紋理特征;但紋理中相近的灰度值并不一定屬于同一紋理區(qū)域,且傳統(tǒng)方法存在尺度性、方向性等限制,很難穩(wěn)定地提取出紋理特征,因而無法有效地分割一些復(fù)雜的紋理圖像。紋理圖像是結(jié)構(gòu)化的,通過對大量紋理圖像觀察,可以發(fā)現(xiàn)同一類紋理模式內(nèi)的區(qū)域具有結(jié)構(gòu)相似性特征,且旋轉(zhuǎn)前后的結(jié)構(gòu)形態(tài)具有一致性;反之,不同類的紋理模式間具有結(jié)構(gòu)差異性,邊緣區(qū)域旋轉(zhuǎn)前后的結(jié)構(gòu)形態(tài)有明顯的差異。若可以有效地提取出這些結(jié)構(gòu)信息,得到整體關(guān)聯(lián)性特征,則能夠消除傳統(tǒng)方法的一些限制,魯棒地分割一些傳統(tǒng)方法無法有效分割紋理圖像。

本文提出使用結(jié)構(gòu)相似度(structural similarity index,SSIM)[13]分析加噪圖像和原始圖像的相似性和旋轉(zhuǎn)扭曲方法提取紋理結(jié)構(gòu)特征。同時,由于水平集具有較完整的分割邊界,曲線可以自由拓?fù)涞葍?yōu)勢,本文結(jié)合水平集框架進(jìn)行紋理圖像分割,提出基于SSIM及扭曲旋轉(zhuǎn)的水平集分割方法。本文的創(chuàng)新點在于:① 利用結(jié)構(gòu)相似度去分析圖像中的紋理結(jié)構(gòu)信息,從而獲取相同紋理區(qū)域的結(jié)構(gòu)相似性,進(jìn)而區(qū)分出不同的紋理形態(tài);② 提出圖像旋轉(zhuǎn)扭曲方法,通過變換圖像的局部區(qū)域,提取紋理圖像中的邊緣區(qū)域的結(jié)構(gòu)差異特征;③ 將結(jié)構(gòu)相似度、圖像旋轉(zhuǎn)扭曲方法和圖像的灰度信息結(jié)合并應(yīng)用到水平集框架中,使其共同分割紋理圖像。

1 方 法

1.1 SSIM方法

1.1.1 SSIM的定義

文獻(xiàn)[13]提出SSIM,認(rèn)為圖像是高度結(jié)構(gòu)化的,像素間相關(guān)性很強(qiáng),且認(rèn)為人類衡量2幅圖的距離時,更偏重于結(jié)構(gòu)相似性,而不是逐像素計算差異。該算法通過在2幅圖像之間對亮度、對比度和結(jié)構(gòu)信息方面的比較,確定兩者之間的結(jié)構(gòu)相似程度。為判斷結(jié)構(gòu)相似程度,通過SSIM公式,生成一個0～1之間的數(shù)值,數(shù)值越大表示結(jié)構(gòu)越相似,且計算過程是按窗口滑動計算,最后取平均值。具體SSIM公式為:

SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ

(1)

其中:l(x,y)為平均亮度相似性,是圖像x的區(qū)域平均亮度ux和圖像y的區(qū)域平均亮度uy的相似度;c(x,y)為對比度相似性,是圖像x的區(qū)域標(biāo)準(zhǔn)差σx和圖像y的區(qū)域標(biāo)準(zhǔn)差σy的相似度;s(x,y)為結(jié)構(gòu)相似性。研究2個歸一化的量(x-ux)/σx和(y-uy)/σy之間的關(guān)系，以上3個分量的計算公式為:

(2)

其中:σxy為x、y的協(xié)方差;C1=(k1L)2、C2=(k2L)2、C3=C2/2為3個常數(shù)；k1=0.01、k2=0.03為默認(rèn)值；L為圖像灰度級數(shù);一般將(1)式中α、β、γ設(shè)為1,得到SSIM公式為:

(3)

1.1.2SSIM的有效性

SSIM最初用于圖像質(zhì)量的評估,該方法基于標(biāo)準(zhǔn)原始圖像來評判失真圖像的質(zhì)量。SSIM以平均亮度、對比度、結(jié)構(gòu)3個模塊按區(qū)域進(jìn)行對比評估,其中平均亮度對比是指2幅圖像某相同區(qū)域的像素平均值對比,平均值反映2幅圖像的某相同區(qū)域像素值集合的中間值是否一致；對比度對比是指2幅圖像某相同區(qū)域的像素標(biāo)準(zhǔn)差對比,標(biāo)準(zhǔn)差反映2幅圖像在該區(qū)域的像素值集合離散程度是否一致；結(jié)構(gòu)是指2幅圖像某相同區(qū)域的像素協(xié)方差對比,協(xié)方差反映2幅圖像在該區(qū)域像素值的相關(guān)性,并通過3個模塊對比去衡量2幅圖像的結(jié)構(gòu)相似性。

通過分析可知:① 目標(biāo)和背景的像素灰度在空間中有不同的變化情況。紋理前景區(qū)域的結(jié)構(gòu)形態(tài)較為復(fù)雜且緊湊,通常灰度變化比較頻繁,因此紋理圖像的紋理前景相對而言通常是高頻區(qū)域。背景區(qū)域的結(jié)構(gòu)形態(tài)較為均勻且分布廣,因此灰度變化比較小,相對而言通常是低頻區(qū)域。原始圖像施加高頻噪聲后,高頻噪聲對低頻區(qū)域抑制較大,對高頻區(qū)域抑制較小。② 同種模式下各局部結(jié)構(gòu)相似,高頻噪聲對各局部結(jié)構(gòu)的影響是一致的。首先給原始圖像施加高斯白噪聲。高斯白噪聲是一種高頻信號,圖像的每個區(qū)域經(jīng)過高斯噪聲處理后失真情況不一致,灰度變化大的高頻紋理區(qū)域(前景)失真較小,灰度變化小的低頻區(qū)域(背景)失真較大。然后將原始圖像和高斯處理后的圖像進(jìn)行SSIM計算,失真較小的前景計算得到的相似性度比失真較大的背景要高,從而區(qū)分不同的紋理形態(tài)。

本文通過實驗驗證了該方法提取紋理結(jié)構(gòu)特征的效果,將得到的紋理結(jié)構(gòu)特征圖和一些已有方法得到的紋理特征圖進(jìn)行比較,包括Gabor濾波器、結(jié)構(gòu)張量、拓展型結(jié)構(gòu)張量、局部連接度算子、局部異常點算子?；?幅紋理圖像,通過典型的紋理特征提取算子和該方法提取出來的紋理特征如圖1所示。從圖1b～圖1g可以看出，該方法能夠很好地提取出目標(biāo)的紋理結(jié)構(gòu)形態(tài),對于不同方向的復(fù)雜紋理具有較好的適應(yīng)性。可見，基于SSIM分析加噪圖像和原始圖像的相似性提取結(jié)構(gòu)特征是一種有效的方法。

圖1 特征提取效果對比(一)

1.2 旋轉(zhuǎn)扭曲方法

1.2.1 旋轉(zhuǎn)扭曲方法的定義

紋理圖像中不同類的紋理結(jié)構(gòu)具有差異性,斑馬紋理圖像如圖2所示。從圖2可以看出,斑馬皮膚紋理和草地紋理是2類不同的紋理,結(jié)構(gòu)互異,都具有一定的規(guī)則性和旋轉(zhuǎn)不變性。紋理的旋轉(zhuǎn)不變性是指紋理不具有方向性,無論以任何角度進(jìn)行旋轉(zhuǎn),其結(jié)構(gòu)形態(tài)具有一致性,仍屬于該紋理類別。根據(jù)紋理具有旋轉(zhuǎn)不變性,本文提出了旋轉(zhuǎn)扭曲的方法。旋轉(zhuǎn)扭曲方法是計算機(jī)圖形學(xué)中旋轉(zhuǎn)變換的一種特殊擴(kuò)展,是對紋理圖像按一定大小窗口遍歷的過程。對每一個窗口所處區(qū)域的像素進(jìn)行旋轉(zhuǎn)變換，若該區(qū)域所有像素都按同一個角度值進(jìn)行旋轉(zhuǎn)變換,則稱為旋轉(zhuǎn)；若該區(qū)域的像素進(jìn)行旋轉(zhuǎn)變換的角度并非全部一致,則稱為扭曲。

圖2 斑馬紋理圖像

1.2.2 旋轉(zhuǎn)扭曲方法的詳細(xì)計算

根據(jù)紋理具有旋轉(zhuǎn)不變性的特點,選取2類區(qū)域進(jìn)行分析。一類位于紋理內(nèi)部,都屬于同一類紋理,結(jié)構(gòu)形態(tài)具有一致性,可稱為“平坦區(qū)域”；另一類交叉位于2類或以上的紋理內(nèi),可稱為“邊緣區(qū)域”。針對這2種不同類型的區(qū)域,計算過程示意圖如圖3所示。用Ir表示位于中心點I周圍一定大小的局部鄰域。將局部區(qū)域按長和寬的中值分為4部分,左上、右上、左下、右下角區(qū)域分別為a1(I)、a2(I)、a3(I)、a4(I),且將處于對角狀態(tài)的左上角區(qū)域和右下角區(qū)域旋轉(zhuǎn)角度設(shè)為α,將處于對角狀態(tài)的左下角區(qū)域和右上角區(qū)域旋轉(zhuǎn)角度設(shè)為β,計算公式為：

(4)

其中:(x,y)為局部領(lǐng)域的某個點的坐標(biāo)位置;(s,t)為(x,y)旋轉(zhuǎn)后的坐標(biāo)位置,并將(x,y)處的像素值Ir(x,y)賦值給(s,t)處的像素值Ir(s,t)(本文α和β枚舉選取30、60、90、180、270度作為旋轉(zhuǎn)角度,有25種搭配方式)。

按照(4)式對原始紋理圖像以自設(shè)定大小的窗口按像素遍歷原始圖像,得到與原始圖像大小相等的25個旋轉(zhuǎn)扭曲后的圖像,從一系列扭曲矩陣對應(yīng)像素位置中選取最大和最小值,并進(jìn)行相差,作為matrix0在該像素位置的像素值,計算公式為:

matrix0(x,y)=

max(matrix1(x,y),matrix2(x,y),…,

matrixn(x,y))-

min(matrix1(x,y),matrix2(x,y),…,

matrixn(x,y)),

(x,y)∈matrix0

(5)

為了減少噪聲的影響,對生成的矩陣進(jìn)行高斯平滑處理,得到旋轉(zhuǎn)扭曲特征矩陣。

1.2.3 旋轉(zhuǎn)扭曲方法的有效性

同一類紋理內(nèi)的形態(tài)和結(jié)構(gòu)具有相似性,而不同類紋理間的形態(tài)和結(jié)構(gòu)通常會有差異性。由紋理旋轉(zhuǎn)不變性可知,屬于同一類紋理的區(qū)域也就是“平坦區(qū)域”,經(jīng)過旋轉(zhuǎn)扭曲變換后,區(qū)域內(nèi)紋理的形態(tài)和結(jié)構(gòu)基本沒有改變,如圖3所示,最后得到的特征矩陣的像素灰度值相差很小,驗證了旋轉(zhuǎn)不變性這一特性。在“邊緣區(qū)域”上進(jìn)行旋轉(zhuǎn)扭曲后,最后得到的特征矩陣的像素灰度值相差較大,差異很明顯,因此這種結(jié)構(gòu)變換體現(xiàn)了邊緣區(qū)域里不同類紋理結(jié)構(gòu)的差異,從而能夠提取出紋理的邊緣信息。

圖3 區(qū)域計算示意圖

為驗證提取紋理結(jié)構(gòu)特征的效果,本文將得到的紋理結(jié)構(gòu)特征圖和一些已有方法得到的紋理特征圖進(jìn)行比較,如圖4所示,包括局部連接度算子、Gabor、結(jié)構(gòu)張量、拓展的結(jié)構(gòu)張量、局部差異度算子、旋轉(zhuǎn)扭曲方法。從圖4可以看出,通過此方法所得到的特征圖像的目標(biāo)和背景的差異更明顯,旋轉(zhuǎn)扭曲方法對紋理間的邊緣差異很敏感,而對于紋理的方向和灰度變化都具有很強(qiáng)的適應(yīng)性,因此能夠提取出比較好的紋理結(jié)構(gòu)特征圖?；谝陨戏治?旋轉(zhuǎn)扭曲方法是一種提取紋理結(jié)構(gòu)特征的有效方法。

圖4 特征提取效果對比(二)

1.3 SSIM方法和旋轉(zhuǎn)扭曲方法的互補性

互補示意圖如圖5所示。

圖5 互補示意圖

結(jié)構(gòu)相似度方法根據(jù)同種模式下的結(jié)構(gòu)形態(tài)具有相似性和紋理目標(biāo)區(qū)域和背景區(qū)域?qū)Ω哳l噪聲的影響強(qiáng)弱提取目標(biāo)紋理結(jié)構(gòu)形態(tài),通過該方法可以提取出區(qū)域間的主要差異,但是窗口滑動從背景區(qū)域到紋理目標(biāo)區(qū)域會有個過渡過程,此時會帶來邊緣區(qū)域的模糊,沒有考慮到邊緣的細(xì)節(jié),這是該方法的缺陷。為解決此問題,本文提出了用旋轉(zhuǎn)扭曲的方法補充。旋轉(zhuǎn)扭曲根據(jù)旋轉(zhuǎn)一致性能夠準(zhǔn)確提取出紋理圖像的邊緣信息,可以彌補結(jié)構(gòu)相似度方法的缺陷。結(jié)構(gòu)相似度表達(dá)整體各個區(qū)域的結(jié)構(gòu)形態(tài)相似性,是一種紋理模式相似性的度量；旋轉(zhuǎn)扭曲方法表達(dá)了整體各個區(qū)域間的結(jié)構(gòu)形態(tài)的差異。此2種方法分別提取了目標(biāo)的結(jié)構(gòu)形態(tài)和紋理圖像邊緣區(qū)域的結(jié)構(gòu)差異特征,因此2種紋理結(jié)構(gòu)特征具有互補性。

該實驗結(jié)果也表明,單個特征不能有效準(zhǔn)確分割,2種結(jié)構(gòu)特征分割效果良好。此外,紋理圖像分割也依賴于圖像灰度信息,因此將2種互補的結(jié)構(gòu)特征信息結(jié)合灰度信息融入水平集模型進(jìn)行分割復(fù)雜紋理圖像。

1.3.1 互補性補充實驗

互補性實驗如圖6所示。

圖6 互補性實驗

通過圖6的2組實驗,明顯發(fā)現(xiàn)僅用一種方法去分割一些復(fù)雜的紋理圖像,會導(dǎo)致分割不精確甚至分割錯誤的問題。結(jié)合兩者后,兩者互補,精確度得到了很好的提升,因而能夠分割出一些單獨使用一種方法而無法分割的圖像,具有理想的分割效果。

1.4 水平集能量公式

因為曲線演化依賴圖像的灰度信息,所以本文方法所建立的模型將提取出的紋理結(jié)構(gòu)特征信息與灰度信息進(jìn)行融合。此模型的能量泛函由灰度項、紋理結(jié)構(gòu)特征項E2和規(guī)則化項E33部分構(gòu)成,其中紋理結(jié)構(gòu)特征項包含SSIM方法E11和旋轉(zhuǎn)扭曲方法E122個部分?？偟哪芰糠汉硎緸?

E=E1+E2+E3

(6)

其中，E1可表示為:

E1=E11+E12

(7)

用P1、P11、P12分別表示灰度圖像、SSIM方法提取的特征圖像、旋轉(zhuǎn)扭曲方法提取的特征圖像；i(m)表示處于曲線m內(nèi)的區(qū)域,o(m)表示處于曲線m外的區(qū)域;閉合曲線m在圖像P1、P11、P12內(nèi)部的灰度均值分別表示為m1′、m11′、m12′,閉合曲線m在P1、P11、P12外部的灰度均值分別表示為m1″、m11″、m12″,E1、E11、E12分別為:

(8)

(9)

(10)

接下來使用水平集的思想求能量泛函E最小值,使用零水平集函數(shù)φ(x)=0取代演化曲線m。ER起平滑演化輪廓和避免重初始化的作用,ER的計算公式為:

ER=L(m)+p(φ)

(11)

其中：L(m)為演化輪廓的長度并用來平滑曲線,p(φ)為規(guī)整項,計算公式為:

(12)

用H(φ)和δ(φ)表示海氏函數(shù)和狄拉克函數(shù),即

(13)

(14)

最終的水平集能量泛函表達(dá)式為:

(15)

將(15)式對應(yīng)的Euler-Lagrange方程進(jìn)行求解,可得如下演化方程：

λ1(P1-m1″)2-λ2(P11-m11′)2+

λ2(P11-m11″)2-λ3(P12-m12′)2+

λ3(P12-m12″)2)+

(16)

k=1,11,12

(17)

k=1,11,12

(18)

2 實 驗

本文實驗基于BSD500分割數(shù)據(jù)集和Weizmann數(shù)據(jù)集,通過對若干自然紋理圖像進(jìn)行測試來驗證本文方法的有效性。

2.1 方法有效性驗證實驗

二值化結(jié)果如圖7所示。圖7中4幅自然紋理圖像的分割結(jié)果和二值化圖像用于初步驗證本文方法的有效性。圖7a～圖7c和第1幅圖目標(biāo)紋理是規(guī)則紋理,背景復(fù)雜的自然圖像；第2幅圖是目標(biāo)紋理較為規(guī)則,但背景灰度不均勻的自然圖像；第3幅圖是目標(biāo)和背景紋理均不顯著,不規(guī)則的自然圖像；第4幅圖是目標(biāo)紋理較為顯著且規(guī)則的自然圖像。這4幅圖像各有特點,具有代表性。

圖7 二值化結(jié)果

2.2 對比實驗

將本文方法與基于連接度和差異度的水平集方法(LCODO)[14]、基于Gabor濾波器的水平集方法[15]、基于結(jié)構(gòu)張量的水平集方法[16]、LCV[9]以及RLSF[17]的一些傳統(tǒng)方法進(jìn)行對比分析,從而能夠進(jìn)一步驗證本文方法的有效性和優(yōu)勢。

本文將自然紋理圖像劃分為3類,第1類是灰度不均勻紋理圖像,其特點是目標(biāo)顯著但背景模糊、灰度不均勻,容易對分割造成影響,使得分割不夠精確;第2類是弱紋理模式紋理圖像,其特點是目標(biāo)和背景的紋理模式都是不明顯的；第3類是不規(guī)則的紋理圖像,對于這類圖像,目標(biāo)紋理為不規(guī)則的紋理,尺度和方向變化都較大。3類自然紋理圖像對比實驗的分割結(jié)果如圖8～圖10所示。

圖8～圖10中，本文方法分割后的結(jié)果輪廓為藍(lán)色曲線,其余對比方法分割后的結(jié)果輪廓為紅色曲線，LCODO方法考慮到了局部區(qū)域的紋理形態(tài)和灰度差異,但并沒有考慮紋理圖像具有很強(qiáng)的結(jié)構(gòu)性、關(guān)聯(lián)性,局部區(qū)域的大小對于紋理分割具有較大的影響,因此對于一些復(fù)雜紋理圖像,無法準(zhǔn)確地、魯棒地分割。

圖8 紋理圖像分割實驗(灰度不均勻自然紋理圖像)

圖9 紋理圖像分割實驗(弱紋理模式自然紋理圖像)

圖10紋理圖像分割實驗(不規(guī)則自然紋理圖像)

基于Gabor濾波器的水平集方法根據(jù)Gabor濾波器算法的特點,要設(shè)計不同方向,不同尺度的Gabor濾波器提取特征,但是大量紋理圖像具有多尺度、方向變化的特點,不可能設(shè)計出能覆蓋所有方向、所有尺度的Gabor濾波器組,因此具有比較大的局限性,而且如何設(shè)計出最佳的Gabor濾波器組也是很困難的。

基于結(jié)構(gòu)張量的水平集方法通過指定局部區(qū)域梯度的固定方向來獲取紋理特征,而且其沒有灰度信息,對于灰度不均勻的圖像效果不佳,并可能會分割錯誤。LCV方法是基于全局項和局部項的水平集方法,該方法主要對灰度不均勻的自然圖像有較好的效果,但對于目標(biāo)紋理信息較豐富的自然圖像會有過分割和欠分割等現(xiàn)象。RLSF方法沒有考慮到紋理形態(tài),利用局部相似性算子,通過計算分析局部區(qū)域的灰度差異獲取紋理特征。

基于以上分析和圖8～圖10的實驗結(jié)果,本文方法能夠比較準(zhǔn)確地分割,分割效果好,而基于局部連接度和差異度(LCODO)、Gabor濾波器、結(jié)構(gòu)張量、LCV和RLSF 5種水平集方法會存在分割錯誤、分割不足或者過度、分割不精確的一些缺點。

2.3 分割準(zhǔn)確率

本節(jié)中,基于2.2節(jié)所列的3類圖像,通過Jaccard系數(shù)[18]客觀地計算各種模型的分割準(zhǔn)確率。Jaccard系數(shù)是一種計算相似度的系數(shù),可以比較主觀地標(biāo)準(zhǔn)分割和客觀地自動分割相似性和差異性。數(shù)據(jù)集提供的標(biāo)準(zhǔn)結(jié)果如圖11所示。3類紋理圖像在本文方法和基于局部連接度和差異度(LCODO)、Gabor濾波器、LCV、結(jié)構(gòu)張量和RLSF 5種水平集方法下的分割準(zhǔn)確率見表1～表3所列。

圖11 標(biāo)準(zhǔn)分割結(jié)果圖像集

表1 分割準(zhǔn)確率比較(灰度不均勻自然紋理圖像) 單位:%

表2 分割準(zhǔn)確率比較(弱紋理模式自然紋理圖像) 單位:%

表3 分割準(zhǔn)確率比較(不規(guī)則自然紋理圖像) 單位:%

從表1～表3可以看出，本文方法平均分割準(zhǔn)確率達(dá)98%以上。通過對比各方法的分割準(zhǔn)確率,表明了本文方法的優(yōu)越性,相對于其他方法有明顯更高的分割準(zhǔn)確率。

2.4 初始輪廓的魯棒性

在傳統(tǒng)基于水平集的分割方法中,初始化輪廓的不同會影響最終分割效果。好的分割方法對不同的初始化輪廓應(yīng)有較強(qiáng)的魯棒性并對分割效果帶來較小的影響。本節(jié)將初始化輪廓分為位于前景目標(biāo)上、位于背景上、位于前景目標(biāo)和背景上3類;然后通過此3類初始輪廓驗證初始化輪廓對本文方法是否具有影響,不同初始化輪廓下的分割結(jié)果示意圖如圖12所示。

根據(jù)圖12的實驗結(jié)果,手動在圖像的不同位置設(shè)置了不同大小的初始輪廓,最終演化后的分割結(jié)果幾乎一樣,且效果均很好,說明初始輪廓所帶來的影響可以忽略不計,具有較強(qiáng)魯棒性。

圖12 不同初始化輪廓下的分割結(jié)果示意圖

3 結(jié) 論

本文利用SSIM分析加噪圖像和原始圖像的相似性和旋轉(zhuǎn)扭曲的方法提取紋理的結(jié)構(gòu)特征,并結(jié)合灰度信息將其融入到水平集方法中,解決自然紋理圖像的分割。先是使用SSIM分析加噪圖像和原始圖像的相似性,提出旋轉(zhuǎn)扭曲方法,能夠有效地提取出紋理圖像的結(jié)構(gòu)特征,體現(xiàn)紋理的結(jié)構(gòu)相似性和差異性,相比Gabor濾波器、LCV、局部連接度算子和局部差異度算子、結(jié)構(gòu)張量、RLSF這些傳統(tǒng)方法,能夠更準(zhǔn)確和魯棒地將紋理圖像的特征信息提取出來,并將特征信息融入水平集中,引導(dǎo)曲線演化,最后通過多種實驗驗證了本文模型的有效性和性能。

進(jìn)一步的工作可以聚焦全面分析和構(gòu)建各種紋理區(qū)域的結(jié)構(gòu)關(guān)系,量化紋理的結(jié)構(gòu)信息。同時,如何基于像素級的精度精確定義紋理邊界也是需要重點研究的問題。