首页 > 专利学习

基于混合偏移场校正的新型图像分割方法

1.本发明涉及图像分割的技术领域，尤其涉及一种基于混合偏移场校正的新型图像分割方法，主要涉及强度非均匀图像的高级分析和理解，可用于医学图像中疾病的诊断和病理部位的提取，如肿瘤图像的病灶区域分割，进而提取相关的医学特征，辅助医生的诊断，实现精准。

背景技术：

2.图像信息是人类从外界获取信息的主要方式之一。其中，图像分割是图像处理的关键技术之一，是进行图像识别、分析和理解的基础，同时也是数字图像处理领域的研究热点。图像分割是一项复杂的任务，并不像人类视觉系统所感知的一样，由于不同图像的结构的差异性、复杂性，很难使用统一的分割方法来完成不同的分割任务。例如，光照的空间变化以及成像设备的缺陷和限制，往往会导致获得的图像出现照度偏移(灰度不均匀、阴影)，因此，对图像分割技术的研究还在不断的深入。
3.灰度不均匀通常被描述为一平滑的空间变化函数，称为偏移场，其改变了原始灰度均匀图像的灰度，灰度不均匀图像可以描述为偏移场与原始图像相加或相乘的形式。具体的图像模型分解思想为：基于retinex理论，照度分量对应于平滑图像，反射分量对应于分段常数图像，可以将强度非均匀的图像分解为一个光滑的偏移量和一个结构部分j1，即式中i表示观测图像，n为零均值的高斯噪声。与乘性偏移场方法不同，考虑将强度非均匀图像分解为分段常数图像的分量和光滑偏移场的分量的和。即强度不均匀图像分解模型表示为解模型表示为表示光滑的偏移量，j2表示图像结构的反射分量。一般来说，自然图像和医学图像通常不仅包含一个乘法偏移场，而且还包含一个加性偏移场。因此，我们将乘性偏移场和加性偏移场的混合偏场图像分解模型表示为i＝b1j+b2+n，式中，b1和b2分别表示乘性偏移场和加性偏移场，j表示需要分割的分段常数图像。
4.如何从人类视觉感知的角度有效地将强度不均匀的图像分割成几个有意义的区域，并保证分割出的区域在不同分辨率下一致仍然是一个非常具有挑战性的任务。申请号为202010428617.9的发明专利公开了一种基于偏移场和全局光滑先验的非均匀图像分割方法，包括：获取带噪声的灰度不均匀图像；为灰度不均匀图像添加初始轮廓线；将所述灰度不均匀图像分解为结构部分、光照偏移场部分和噪声部分；构建对应多相变分图像分割模型；采用凸优化的交替极小化方法和变量分裂技巧求解上述模型的最优解；采用所构建的多相变分图像分割模型对所述灰度不均匀图像进行图像分割，得到对应的图像分割结果；发明在cvb模型中引入局部常数先验，建立了非均匀图像多相分割模型，同时设计了一个有效的算法来计算求解提出的模型；结果表明，该方法对初始值具有较强的鲁棒性，对带噪声的灰度不均匀图像该方法能获得更精确的分割结果。但是，该发明不能在保持图像的真实信息的同时将图像的偏移场去除，并且有效地描述图像的待分割区域，但是该发明所提出的模型仍有需要改进的地方和提升的空间，例如，该模型涉及的参数过多，需要花费一
定的时间去调参以获得理想的实验效果。

技术实现要素：

5.针对现有的强度非均匀图像分割方法不能在保持图像的真实信息的同时将图像的偏移场去除，并且有效地描述图像的待分割区域的技术问题，本发明提出一种基于混合偏移场校正的新型图像分割方法，考虑了图像中的乘性偏移场和加性偏移场，同时利用sobolev空间w
1,2
来描述乘性偏移场和加性偏移场，并对乘性偏移场使用一个约束，通过考虑图像的混合偏移场，混合偏移场图像分解模型不仅能够有效的去除图像中存在的偏移场，而且能够准确的分割强度不均匀的自然图像和医学图像，对不同的图像分割任务具有鲁棒性，提高图像的分割精度和分割效果，可以用以分割强度不均的自然图像和医学图像。
6.为了达到上述目的，本发明的技术方案是这样实现的：一种基于混合偏移场校正的新型图像分割方法，其步骤如下：
7.步骤一：构建混合偏移场图像分解模型，根据输入图像得到图像的乘性偏移场b1和加性偏移场b2，将图像分解理论耦合到分段光滑的图像分割模型中；
8.步骤二：添加乘性偏移场b1和加性偏移场b2的正则项以及乘性偏移场b1的约束项，使得乘性偏移场b1总是围绕一个定值上下波动，构建新型的图像分割模型，并采用拉格朗日乘子方法将图像分割模型转化为无约束优化问题；
9.步骤三：利用交替极小化算法循环迭代求解无约束优化问题的每个子问题，获得最终的分割结果。
10.优选地，乘性偏移场b1和加性偏移场b2的混合偏移场图像分解模型为i＝b1j+b2+n，式中，i表示输入图像、b1和b2分别表示乘性偏移场和加性偏移场，n为零均值的高斯噪声，j表示需要分割的分段常数图像。
11.优选地，所述乘性偏移场b1和加性偏移场b2是缓慢变化和平滑的，乘性偏移场b1和加性偏移场b2属于sobolev空间，即b1∈w
1,2
(ω)和b2∈w
1,2
(ω)；所述乘性偏移场b1在1左右变化缓慢。
12.优选地，所述将图像分解理论耦合到分段光滑的图像分割模型中的方法为：
13.分段常数图像j由两部分构成：
[0014][0015]
其中，ω1表示感兴趣区域roi，ω2表示roi的外部区域；c1表示roi内部区域的像素平均值，c2表示roi的外部区域的像素平均值。
[0016]
优选地，基于有界变差空间的定义，新型的图像分割模型为：
[0017][0018]
式中，ω表示整个观测图像域，x表示像素点，ε＞0为任意小的偏置参数，λ为数据拟合项的参数；α,β分别为混合偏移场光滑项的参数；表示混合偏移场的梯度；d为
弱导符号，指示函数u为：
[0019][0020]
优选地，将指示函数u松弛为u∈[0，1]的凸集，采用拉格朗日乘子方法，添加拉格朗日乘子项v∫
ω
((b
1-1)
2-ε)dx，其中，ε为任意小的正数，通常将其省略为v∫
ω
(b
1-1)2dx；将不等式约束变换为无约束优化问题：
[0021][0022]
其中，v＞0为拉格朗日乘子，指示函数γ
δ
(u)为：
[0023][0024]
优选地，所述交替极小化算法为通过引入辅助变量，将无约束优化问题转化为若干个子问题，采用交替方向乘子法求解子问题，将同时求解多个变量的问题转化为依次求解单个变量的过程，再求解其中一个变量的过程中固定其它变量求解。
[0025]
优选地，所述交替极小化算法将变量bi,ci,i＝1,2与指示函数u解耦，得到交替求解方案：
[0026][0027]
其中，s＝(i-b1c
1-b2)
2-(i-b1c
2-b2)2。
[0028]
优选地，对于子问题bi,ci，引入了两个辅助变量p1和p2，转化为优化问题i：
[0029][0030]
基于增广拉格朗日方法得到以下鞍点问题i：
[0031][0032]
其中，l(c1,c2,b1,b2,p1,p2；ξ1,ξ2)是增广拉格朗日函数，ξ1和ξ2可以看作是对偶变量的拉格朗日乘子变量，r表示罚参数；
[0033]
所述鞍点问题i由交替方向乘子法求解，迭代框架为：
[0034][0035]
使用交替方向乘子法，将指示函数u的子问题分解为更小的子问题，引入辅助变量指示函数u的优化问题为：
[0036][0037]
其增广拉格朗日函数表示为l
τ
(q,u；ξ3)，其中，ξ3为拉格朗日乘子，τ表示罚参数；基于增广拉格朗日方法得到以下鞍点问题ii：
[0038][0039]
鞍点问题ii由交替方向乘子法求解，迭代框架为：
[0040][0041]
优选地，所述交替极小化算法的求解步骤为：
[0042]
(1)初值选取：根据图像特征选取参数参数λ,α,β＞0；k＝1并开始第k次迭代，其中表示同输入图像大小一样的单位矩阵；
[0043]
(2)外迭代：子问题bi,ci的求解：
[0044][0045]
(3)内迭代：指示函数u的子问题为内迭代过程：
[0046][0047]
让k＝k+1返回到步骤(2)，直到收敛；
[0048]
所述外迭代的终止条件为k≤k
max
，其中k
max
表示最大迭代次数；
[0049]
所述内迭代采用相对误差为终止条件；所述相对误差为：
[0050]
其中，θ为满足终止条件的误差值。
[0051]
与现有技术相比，本发明的有益效果：
[0052]
1、本发明基于强度非均匀图像分解模型，同时考虑了图像中的乘性偏移场b1和加性偏移场b2，构成混合偏移场图像分解模型，将图像分解理论耦合到分段光滑的图像分割模型中，假设混合偏移场的分量是缓慢变化和平滑的，从而使得该模型可以有效地在分割的同时把偏移场去除，从而提高图像分割的质量。
[0053]
2、本发明采用基于正则化的思想方法，添加偏移场b1和b2的正则项以及乘性偏移场的约束项，使得偏移场b1总是围绕一个定值上下波动，并且选择固定的初值并且选择固定的初值进行后续实验，从而使得图像分割模型不仅具有捕获图像细节的优点，而且对不同的初始轮廓分割更加具有鲁棒性。
[0054]
3、本发明采用交替极小化算法，将原问题转变成一些容易求解的子问题。本发明采用交替方向乘子法(admm)来求解子问题，即通过引入辅助变量，将原问题转变成若干个子问题，然后交替求解每个子问题并进行迭代。
[0055]
4、本发明可用于分割不同类型的图像，例如真实的自然图像、医学图像等。本发明
可以广泛应用于后续的计算机图像分析领域，如图像增强、图像识别等。
[0056]
针对强度非均匀图像分割问题，本发明通过对现有的用于强度不均的分割模型进行分析和研究，基于图像分解模型的假设，将乘性偏移场与加性偏移场相结合形成混合偏移场校正模型，是一个同时实现图像分割和偏移校正的变分模型，同时利用sobolev空间w
1,2
来描述乘性偏移场与加性偏移场，并对乘性偏移场使用一个约束；通过将乘法偏移场和加性偏移场相结合，可以捕获弱边缘信息和强度不均匀性信息，并能有效地描述图像域的分割区域；基于交替极小算法和算子分裂算法，采用有效的数值算法来解决所提出的变分模型。本发明通过考虑图像的混合偏移场，不仅能够有效的去除图像中存在的偏移场，而且能够准确的分割强度不均匀的自然图像和医学图像，对不同的图像分割任务具有鲁棒性。
附图说明
[0057]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1为本发明的流程示意图。
[0059]
图2为本发明对一般自然图像的结果，其中，(a)为原始的输入图像，(b)为(a)分解的乘性偏移场图像，(c)为(a)分解的加性偏移场图像。
[0060]
图3为本发明测试的自然图像去除偏移场的结果图，其中，(a1)为原始的输入图像，(a2)为(a1)中直线所代表该行的像素分布图，(a3)为(a1)的灰度直方图，同理，(b1)为校正的图像，(b2)为(b1)中直线所代表该行的像素分布图，(b3)为(b1)的灰度直方图。
[0061]
图4为本发明和现有图像分割方法对自然图像“fish”中的目标进行分割后的结果对比图，其中，(a)为原始输入图像，(b1)、(b2)和(b3)分别为不同的初始轮廓，(c1)、(c2)和(c3)分别为加权有界海森全变分(wbhms)模型的实验结果，(d1)、(d2)和(d3)分别为局部强度聚类(local intensity clustering,lic)模型的分割结果，(e1)、(e2)和(e3)为本发明所提出模型的分割结果。
[0062]
图5为本发明和现有图像分割分解方法对脑部胶质瘤图像分解后的结果对比图，其中，(a1)为原始输入医学图像，(a2)为(a1)的真值图，(b1)、(b2)和(b3)分别为不同的初始轮廓，(c1)、(c2)和(c3)分别为迭代阈值法(ictm)模型的实验结果，(d1)、(d2)和(d3)分别为基于chan-vese分割模型的欧拉弹性(cve)模型的分割结果，(e1)、(e2)和(e3)为本发明所提出模型的分割结果。
[0063]
图6为本发明对真实的mri医学图像分解后的结果对比图，其中，(a1)、(a2)和(a3)为原始输入的医学图像，(b1)、(c1)和(d1)分别为本发明所提出模型对(a1)、(a2)和(a3)的分割结果，(b2)、(c2)和(d2)分别为分割结果的局部放大图，(b3)、(c3)和(d3)分别为(b2)、(c2)和(d2)的真值图，(b4)、(c4)和(d4)分别为真值图的局部放大图。
具体实施方式
[0064]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
如图1所示，一种基于混合偏移场校正的图像分割方法，用以分割强度不均的自然图像和医学图像，考虑了图像中的乘性偏移场b1和加性偏移场b2，利用sobolev空间w
1,2
来描述乘性偏移场b1和加性偏移场b2，并对乘性偏移场b1使用一个约束，提高图像的分割精度和分割效果，最后得到高质量的分割结果，其具体步骤如下：
[0066]
步骤一：构建混合偏移场图像分解模型，根据观测图像得到图像的乘性偏移场b1和加性偏移场b2，将图像分解理论耦合到分段光滑的图像分割模型中。
[0067]
一般来说，自然图像和医学图像通常不仅包含一个乘性偏移场，而且还包含一个加性偏移场。因此，将乘性偏移场和加性偏移场的混合偏移场图像分解模型表示为i＝b1j+b2+n，式中，i表示观测图像、b1和b2分别表示乘性偏移场和加性偏移场，n为零均值的高斯噪声，j表示需要分割的分段常数图像。
[0068]
为了提出本发明的分割模型，需要对乘性偏移场b1和加性偏移场b2进行一些假设。具体描述如下：
[0069]
(1)对于乘性偏移场b1和加性偏移场b2，假设它们是缓慢变化和平滑的，因此，假设乘性偏移场b1和加性偏移场b2属于sobolev空间，即b1∈w
1,2
(ω)和b2∈w
1,2
(ω)。此外，还假设乘性偏移场b1的灰度值在1左右变化缓慢，通过添加不等式约束来实现。
[0070]
(2)假设分段常数图像j由两部分构成：
[0071][0072]
其中，ω1表示感兴趣区域(roi)，ω2表示roi的外部区域。c1表示roi内部区域的像素平均值，c2表示roi的外部区域的像素平均值。
[0073]
步骤二：添加乘性偏移场b1和加性偏移场b2的正则项以及乘性偏移场b1的约束项，使得乘性偏移场b1总是围绕一个定值上下波动，构建新型的图像分割模型即混合偏移场图像分解模型，采用拉格朗日乘子方法将混合偏移场图像分解模型转化为无约束优化问题。
[0074]
基于上述假设和有界变差(bv)空间的定义，提出了以下新型的图像分割模型。具体描述如下：
[0075][0076]
式中，ω表示整个观测图像域，x表示像素点，ε＞0为任意小的偏置参数，λ为数据拟合项的参数，具体取值范围为：λ∈[6,100]；α,β为偏移场光滑项的参数，具体取值范围为：α∈[50,300]，β∈[50,400]；表示混合偏移场的梯度，保证偏移场缓慢变化；d为弱导符号，指示函数u定义为
[0077]
[0078]
在模型(2)中，第一项是数据拟合项，迫使b1ci+b2接近输入图像，其中i＝1,2。第二项和第三项为偏移的光滑项，要求偏移场是缓慢变化且平滑的。最后一项是正则项轮廓的长度项。本发明的目标从观测图像中恢复bi,ci,i＝1，2.然后得到分割结果。此外，通常假设乘性偏移场b1在1左右缓慢变化，因此使用一个约束项来描述它。对于新型的图像分割模型(2)，由于二元约束u∈{0，1}，很难进行数值求解。为了克服这一缺点，一种有效的方法是将其松弛为u∈[0，1]的凸集。对于不等式约束，采用拉格朗日乘子方法，将新型的图像分割模型(2)重写为以下无约束优化问题：
[0079][0080]
其中，v＞0为拉格朗日乘子，通常情况下v的取值为0.1，指示函数γ
δ
(u)的定义为
[0081][0082]
采用拉格朗日乘子方法得到无约束优化问题，即把约束条件下求极值问题转化为求拉格朗日函数的极值问题，无论原始问题是否是凸的，对偶问题都是凸优化问题，对偶问题可以给出原始问题一个下界；当满足一定条件时，原始问题与对偶问题的解是完全等价的。
[0083]
步骤三：利用交替极小化算法循环迭代求解无约束优化问题的每个子问题，获得最终的分割结果。
[0084]
本发明采用交替方向乘子法(admm)来求解该子问题，即通过引入辅助变量，将原无约束优化问题转化为若干个子问题，使得每个子问题都更容易求解。利用交替极小化算法理论在每次迭代中依次求解分解的子问题，从而获得最终的分割结果。由于提出的模型是多变量优化问题，采用交替极小化算法进行求解，即将同时求解多个变量的问题转化为依次求解单个变量的过程，在求解其中一个变量的过程中固定其它变量求解。
[0085]
本发明所提无约束优化问题即模型(4)是多变量优化问题，其中变量bi,ci,i＝1,2.与指示函数u是耦合在一起的，如果直接求解，则需要求解大规模的问题，从而导致数值求解困难。为了克服这一问题的，本发明利用交替极小化算法进行求解，即将同时求解多个变量的问题转化为依次求解单个变量的过程。为此，首先应用交替极小化算法将bi,ci,i＝1,2.与u解耦，然后得到以下交替求解方案：
[0086][0087]
其中，s＝(i-b1c
1-b2)
2-(i-b1c
2-b2)2。
[0088]
对于子问题bi,ci,i＝1，2.，为了将乘性偏移场b1和加性偏移场b2与其优化条件解耦，引入了两个辅助变量p1和p2，然后将它们转化为以下优化问题：
[0089][0090]
基于增广拉格朗日方法得到以下鞍点问题：
[0091][0092]
其中，l(c1,c2,b1,b2,p1,p2；ξ1,ξ2)是增广拉格朗日函数，ξ1和ξ2可以看作是对偶变量的拉格朗日乘子变量，取ξ
10
＝ξ
20
＝0，然后利用式(9)进行更新，r表示罚参数，取值范围为：r∈[0.05,0.9]。利用交替方向乘子法，在求解其中一个变量的过程中固定其它变量，即使用经典的交替极小化算法求解，以及高斯-塞德尔迭代方案来解决上述问题。因此，鞍点问题(8)可以由交替方向乘子法求解，迭代框架如下：
[0093][0094]
现在考虑解决非光滑和凸的子问题u。主要的问题是如何有效地克服所提出的数值方法的非光滑性。为此，我们使用admm方法，将指示函数u的子问题分解为更小的子问题，从而使它们更容易处理。具体方法为，通过引入辅助变量相应的优化问题可以写为：
[0095][0096]
其增广拉格朗日函数表示为l
τ
(q,u；ξ3)，其中ξ3为拉格朗日乘子，取初始值ξ
30
＝0，然后利用式(11)进行更新；τ表示罚参数，取值范围为τ∈[0.001,11]。增广拉格朗日函数具体描述为以下式子：
[0097][0098]
使用admm方法相应的优化子问题可以写为：
[0099][0100]
在下面，将考虑解决子问题的细节。在得到每个子问题的表达式之后，下面描述所提出模型整体求解和迭代框架。在用admm求解变量bi,ci,i＝1,2.与u子问题时，需要独立求解每个子问题，将求解bi,ci,i＝1,2.的子问题作为外循环，求解u的子问题作为内循环，经过多次迭代求得最优值，获得分割结果。所述交替极小化算法的求解步骤为：
[0101]
(1)初值选取：根据图像特征选取合适的参数参数λ,α,β＞0，让k＝1并开始第k次迭代，让k＝k+1返回到第k+1的迭代直到收敛，其中表示同输入图像大小一样的单位矩阵。
[0102]
(2)外迭代：子问题bi,ci,i＝1,2.的求解，外迭代采用迭代次数为终止条件k≤k
max
，k
max
表示最大迭代次数，通常情况下最大迭代次数k
max
取为300。
[0103][0104]
(3)内迭代：求指示函数u的子问题为内迭代过程，内迭代采用相对误差为终止条件；
[0105][0106]
(4)满足终止条件迭代终止，相对误差的具体表达式为：
[0107][0108]
其中，θ为满足终止条件的误差值，通常情况下取为θ＝10-4
，通过以上步骤，经过多
次迭代获得最优的分割结果。
[0109]
本发明的实验平台为：因特尔酷睿处理器5e i7 3.20ghz，16g内存个人台式机，使用matlab2021进行程序设计。
[0110]
具体实验一
[0111]
本发明在自然图像建筑物的实验结果展示在图2，其中，(a)为原始的输入图像，(b)为(a)分解乘性偏移场b1的图像，(c)为(a)分解后的加性偏移场b2的图像，通过选取任意行或列的像素值绘制曲线图的方式可以观察到所分解的偏移场图像是缓慢变化和平滑的。
[0112]
由图3可以直观地发现本发明测试的自然图像去除偏移场的结果，(a1)为原始的输入图像，(a2)为图像中直线所代表该行的像素分布图，(a3)为(a1)的灰度直方图，同理，(b1)为去除混合偏移场后得到的校正图像，(b2)为图像中直线所代表该行的像素分布图，(b3)为(b1)的灰度直方图，可以观察到去除混合偏移场的图像更倾向于分段常数。通过(a2)和(b2)对比可以得到，校正之后的图像更加趋于分段常数。为了得到更详细的观察，观察所绘制(a1)和(b1)图像的直方图，该直方图有两个峰，这意味着这两相分割是合理的，并且基于该发明所提出分割方案的直方图具有最大的类间方差。
[0113]
由图4可以直观地发现，为本发明和现有图像分割方法对自然图像“fish”中的目标进行分割后的结果对比图，实验数据来源于网上公开数据集.其中，(a)为原始输入图像，(b1)、(b2)和(b3)分别为不同的初始轮廓，选取了三种具有代表性的初始轮廓，初始轮廓在目标内、与目标相交以及初始轮廓在目标外，(c1)、(c2)和(c3)分别为wbhms模型对(b1)、(b2)和(b3)的分割结果，未能准确分割弱边界区域，(d1)、(d2)和(d3)分别为局部强度聚类(local intensity clustering,lic)模型的对(b1)、(b2)和(b3)分割结果，从实验结果可以看出lic模型比wbhms模型分割效果稍好，但分割能力欠佳，难以准确分割弱边界区域，(e1)、(e2)和(e3)为本发明所提出图像分割模型的分割结果，可以观察到对于不同的初始轮廓，该发明所提出的模型对于不同的初始轮廓具有鲁棒性。
[0114]
具体实验二：
[0115]
分别用本发明和欧拉弹性(cve)模型、以及迭代阈值法(ictm)方法对一幅医学图像脑部胶质瘤进行分割并对比，实验数据来源于网上公开数据集；结果如图5所示，图(a1)为输入的原始灰度图像，(a2)为标注的真值图，同样选择不同的初始轮廓(b1)、(b2)和(b3)进行分割，(c1)、(c2)和(c3)分别为cve模型对(b1)、(b2)和(b3)的分割结果，可以观察到cve模型存在过分割情况，错误的像素值较高的区域分割。(d1)、(d2)和(d3)分别为ictm模型对(b1)、(b2)和(b3)的分割结果，ictm模型未能较好的刻画roi的边缘细节，(e1)、(e2)和(e3)分别为本发明所提出模型的分割结果，本发明不仅能够有效地将病灶区域进行分割，而且能够克服一些弱边界效应，实现良好的分割效果。
[0116]
为了进一步展示本发明的有效性，在另外一组真实mri数据集进行相关实验，即图6(a1)-6(d4)。通过局部细节放大图，可以很好的展示本发明的方法更具有鲁棒性。图6为本发明对真实的mri医学图像分解后的结果对比图，其中，(a1)、(a2)和(a3)为原始输入的医学图像，从图像中可以观察到，这三种病灶的分割任务存在不同的挑战性，病灶区域小，边界不清晰，图像本身存在灰度不均问题，以及病灶区域的灰度也不一致。(b1)、(c1)和(d1)分别为本发明所提出模型的分割结果，(b2)、(c2)和(d2)分别为分割结果的局部放大图，(b3)、(c3)和(d3)分别为真值，(b4)、(c4)和(d4)分别为真值的局部放大图，可以观察到本
发明所提出的方法达到了较好的分割效果，所分割的病灶区域的边界连续且光滑。
[0117]
整体实验总结：为了验证本发明方法的有效性，在不同类型的图像进行相关实验，如自然图像、医学图像等；同时，采用不同的初始轮廓以验证本发明所提出方法的鲁棒性；在具体实验一，将本发明所提出的模型同两类不同的分割模型进行比较，分别是wbhms模型、lic模型，可以观察到所提出模型的先进性；在具体实验二，为增加不同类型的对比实验，将本发明所提出的模型同另外两类不同的分割模型进行比较，分别是cve模型、ictm模型，可以观察到本发明所提出的方法达到了较好的分割效果，均优于这些最新的模型。经实验分析与讨论，本发明可以广泛应用于后续的计算机图像分析领域，如图像增强、图像识别等。
[0118]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于混合偏移场校正的新型图像分割方法，其特征在于，其步骤如下：步骤一：构建混合偏移场图像分解模型，根据输入图像得到图像的乘性偏移场b1和加性偏移场b2，将图像分解理论耦合到分段光滑的图像分割模型中；步骤二：添加乘性偏移场b1和加性偏移场b2的正则项以及乘性偏移场b1的约束项，使得乘性偏移场b1总是围绕一个定值上下波动，构建新型的图像分割模型，并采用拉格朗日乘子方法将图像分割模型转化为无约束优化问题；步骤三：利用交替极小化算法循环迭代求解无约束优化问题的每个子问题，获得最终的分割结果。2.根据权利要求1所述的基于混合偏移场校正的新型图像分割方法，其特征在于，乘性偏移场b1和加性偏移场b2的混合偏移场图像分解模型为i＝b1j+b2+n，式中，i表示输入图像、b1和b2分别表示乘性偏移场和加性偏移场，n为零均值的高斯噪声，j表示需要分割的分段常数图像。3.根据权利要求2所述的基于混合偏移场校正的新型图像分割方法，其特征在于，所述乘性偏移场b1和加性偏移场b2是缓慢变化和平滑的，乘性偏移场b1和加性偏移场b2属于sobolev空间，即b1∈w
1,2
(ω)和b2∈w
1,2
(ω)；所述乘性偏移场b1在1左右变化缓慢。4.根据权利要求2或3所述的基于混合偏移场校正的新型图像分割方法，其特征在于，所述将图像分解理论耦合到分段光滑的图像分割模型中的方法为：分段常数图像j由两部分构成：其中，ω1表示感兴趣区域roi，ω2表示roi的外部区域；c1表示roi内部区域的像素平均值，c2表示roi的外部区域的像素平均值。5.根据权利要求4所述的基于混合偏移场校正的新型图像分割方法，其特征在于，基于有界变差空间的定义，新型的图像分割模型为：式中，ω表示整个观测图像域，x表示像素点，ε＞0为任意小的偏置参数，λ为数据拟合项的参数；α,β分别为混合偏移场光滑项的参数；表示混合偏移场的梯度；d为弱导符号，指示函数u为：6.根据权利要求5所述的基于混合偏移场校正的新型图像分割方法，其特征在于，将指示函数u松弛为u∈[0，1]的凸集，采用拉格朗日乘子方法，添加拉格朗日乘子项v∫
ω
((b
1-1)
2-ε)dx，其中，ε为任意小的正数，通常将其省略为v∫
ω
(b
1-1)2dx；将不等式约束变换为无约束优化问题：
其中，v＞0为拉格朗日乘子，指示函数γ
δ
(u)为：7.根据权利要求5或6所述的基于混合偏移场校正的新型图像分割方法，其特征在于，所述交替极小化算法为通过引入辅助变量，将无约束优化问题转化为若干个子问题，采用交替方向乘子法求解子问题，将同时求解多个变量的问题转化为依次求解单个变量的过程，再求解其中一个变量的过程中固定其它变量求解。8.根据权利要求7所述的基于混合偏移场校正的新型图像分割方法，其特征在于，所述交替极小化算法将变量b
i
,c
i
,i＝1,2与指示函数u解耦，得到交替求解方案：其中，s＝(i-b1c
1-b2)
2-(i-b1c
2-b2)2。9.根据权利要求8所述的基于混合偏移场校正的新型图像分割方法，其特征在于，对于子问题b
i
,c
i
，引入了两个辅助变量p1和p2，转化为优化问题i：基于增广拉格朗日方法得到以下鞍点问题i：其中，l(c1,c2,b1,b2,p1,p2；ξ1,ξ2)是增广拉格朗日函数，ξ1和ξ2可以看作是对偶变量的拉格朗日乘子变量，r表示罚参数；所述鞍点问题i由交替方向乘子法求解，迭代框架为：
使用交替方向乘子法，将指示函数u的子问题分解为更小的子问题，引入辅助变量指示函数u的优化问题为：其增广拉格朗日函数表示为l
τ
(q,u；ξ3)，其中，ξ3为拉格朗日乘子，τ表示罚参数；基于增广拉格朗日方法得到以下鞍点问题ii：鞍点问题ii由交替方向乘子法求解，迭代框架为：10.根据权利要求9所述的基于混合偏移场校正的新型图像分割方法，其特征在于，所述交替极小化算法的求解步骤为：(1)初值选取：根据图像特征选取参数参数λ,α,β＞0；k＝1并开始第k次迭代，其中表示同输入图像大小一样的单位矩阵；(2)外迭代：子问题b
i
,c
i
的求解：
(3)内迭代：指示函数u的子问题为内迭代过程：让k＝k+1返回到步骤(2)，直到收敛；所述外迭代的终止条件为k≤k
max
，其中k
max
表示最大迭代次数；所述内迭代采用相对误差为终止条件；所述相对误差为：其中，θ为满足终止条件的误差值。

技术总结

本发明提出了一种基于混合偏移场校正的新型图像分割方法，步骤如下：根据输入图像构建混合偏移场图像分解模型，得到图像的乘性偏移场和加性偏移场，将图像分解理论耦合到分段光滑的图像分割模型中；添加乘性偏移场和加性偏移场的正则项以及乘性偏移场的约束项，构建新型的图像分割模型，并采用拉格朗日乘子方法将图像分割模型转化为无约束优化问题；利用交替极小化算法循环迭代求解无约束优化问题的每个子问题，获得最终的分割结果。本发明通过考虑图像的乘性偏移场和加性偏移场，不仅能够有效的去除图像中存在的偏移场，而且能够准确的分割强度不均匀的自然图像和医学图像，对不同的图像分割任务具有鲁棒性。同的图像分割任务具有鲁棒性。同的图像分割任务具有鲁棒性。