[人工智能] 图像分割

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 图像分割 - 水平集算法 -> 正文阅读

[人工智能]图像分割 - 水平集算法

水平集介绍

水平集分为三种：

1 . 基于图像边缘灰度梯度信息 ，适用于边缘强的图像分割

2 . 基于区域特征 ，利用区域信息引导曲线慢慢靠近，比如分割曲线区域的内外灰度均值，分割曲线内部区域面积（例如 Chan-Vase）

3 . 混合型

水平集关键：曲线的演变

首先设置一个初始轮廓，也就是初始轮廓，通过将这个初始轮廓演变成图像中需要分割出来的形状，那具体是如何演变的呢？我用自己的理解来解释一下：

既然曲线在演变，那曲线的每一个点一定有一个演化的方向，如何确定演化方向？

用最优方向，也就是梯度方向的法线方向，因为曲线沿这个方向变化最快 .

既然曲线在演变，每一个点不但有了方向也应该有一个速度，如何控制曲线演变速度呢？

用梯度信息，也就是图像的灰度分别对坐标轴两方向求偏导，靠近边缘变化慢，远离边缘变化快 .

Chan-Vese(CV) 算法

要用水平集实现图像分割， Chan-Vese算法是一个非常重要的算法，CV模型使用图像的像素灰度信息作为能量，构造能量函数，通过控制曲线内外图像的灰度值来实现曲线的演变，公式如下：

$Ec = \iint_{}^{} \left | I(x,y)-c1 \right |^2dxdy + \iint_{}^{} \left | I(x,y)-c2 \right |^2dxdy$

其中? $I(x,y)$ ?表示原图像在? $(x,y)$ ?坐标下的灰度值， $c1$ ? $c2$ ?分别为曲线内外图像灰度值的均值 .

当曲线演变至目标轮廓时， $Ec$ ?取极小值，内外能量守恒 .

$\iint_{}^{} \left | I(x,y)-c1 \right |^2dxdy \approx 0$

$\iint_{}^{} \left | I(x,y)-c2 \right |^2dxdy\approx 0$

再在 $Ec$ ?上加上一些正则项，得出一个能量泛函：

$E = \mu Length(C)+\nu Area(C) +Ec$

引入水平集函数 :?? $\o \varnothing (x,y)$ ?

先来说一下我对这个函数?? $\varnothing (x,y)$ ?的理解?，我把它理解成一个描绘等高线的函数，他不是一个曲线函数，我们可以把它理解成一个面函数，从初始曲线映射的面函数，假设引入时间变量? $t$ ?，随着时间 $t$ ?在变曲线也就在演变，而面也就一层一层的向下演变，这个在之后的变分方程（E-L公式的介绍里会详细的说明）当演化到一定程度，再通过绘制等高线的方法，来实现图像最终的分割.

刚才既然说到水平集函数是一个面函数，那么如何表示曲线呢？这里就要引入Heaviside Fucntion(阶跃函数)??公式如下：

$\large H(z)=\left\{\begin{matrix} 1, &if &z>0 \\ 0,& if& z<0 \end{matrix}\right.$

这里阶跃函数的参数? $\large z$ ?就是水平集函数?? $\o (x,y)$

一般一个初始的轮廓设置时，变量是一个和原图相同大小的矩阵，轮廓内的值 $\o (x,y)$ 为 1，而轮廓外的值 $\o (x,y)$ 为? -1，通过慢慢演变， $\o (x,y)$

中的 -1逐渐增大变为正数，迭代到一定程度是，将轮廓曲线分割完成，而? $H(z)$ ?阶跃函数的意义就是如果 $z$ ，也就是? $\o (x,y)$ 的值? $>0$ 了，说明该点已经被认为是演化出来的新的轮廓了.

?能量泛函的定义

上面已经提到过，能量泛函为：

$E = \mu Length(C)+\nu Area(C) +Ec$

?其中：

$Length(\o =0)=\iint_{}^{} \left | \bigtriangledown H(\o (x,y) \right |dxdy$

$Length(\o \geqslant 0)=\iint_{}^{} H(\o (x,y)dxdy$

$Ec = \iint_{}^{} \left | I(x,y)-c1 \right |^2H(\o )dxdy + \iint_{}^{} \left | I(x,y)-c2 \right |^2(1-H(\o ))dxdy$

并且每一个前面都需要有一个权重参数，所以总能量泛函就可以是：

$E=\mu \iint_{}^{} \left | \bigtriangledown H(\o (x,y) \right |dxdy+\nu \iint_{}^{} H(\o (x,y)dxdy+ \lambda 1\iint_{}^{} \left | I(x,y)-c1 \right |^2H(\o )dxdy + \lambda 2\iint_{}^{} \left | I(x,y)-c2 \right |^2(1-H(\o ))dxdy$

其中：

$c1 = \frac{\iint_{}^{}I(x,y)H(\o (x,y)dxdy}{\iint_{}^{}H(\o (x,y)dxdy}$

$c2= \frac{\iint_{}^{}I(x,y)(1-H(\o (x,y))dxdy}{\iint_{}^{}1-H(\o (x,y)dxdy}$

在理论上来讲，Heaviside Fucntion(阶跃函数)是不存在的，所以我们选择了一个替代函数（ $\epsilon$ 为常数）：

$H(z) = \frac{1}{2}(1+\frac{2}{\pi }arctan\frac{z}{\epsilon })$

?为什么选择这个函数呢？因为后面变分法梯度下降的时候，会涉及到? $H(z)$ ?求导，而数学好的已经发现了 $H(z)$ ?求导是一个跟? $\epsilon$ ?有关的常数 .

$\delta (z) =\frac{1}{\pi }*\frac{\epsilon }{\epsilon ^{2}+\pi ^{2}}$

当? 的取值越小，替代函数也就越接近理想中的的阶跃函数。

求解能量泛函极值

我们使用变分法（欧拉 - 拉格朗日）和梯度下降来求泛函? $E$ ?的最优解，公式如下：

$\frac{\partial \o }{\partial t} =\delta (z)[ \mu div(\frac{\bigtriangledown u}{\left | \bigtriangledown u \right |})-\upsilon - \lambda1(I-c1) ^{2}+\lambda 2(I-c2)^{2}]$