林喜蘭，陳秀宏，肖林云

江南大學(xué) 數(shù)字媒體學(xué)院，江蘇 無(wú)錫 214122

局部信息熵的快速混合測(cè)地區(qū)域活動(dòng)輪廓模型*

林喜蘭+，陳秀宏，肖林云

江南大學(xué) 數(shù)字媒體學(xué)院，江蘇 無(wú)錫 214122

針對(duì)變分水平集算法在圖像分割過(guò)程中計(jì)算量較大且收斂速度慢的現(xiàn)象，在前人研究的基礎(chǔ)上提出了一種新的局部信息熵的混合測(cè)地區(qū)域活動(dòng)輪廓模型。該模型構(gòu)造一個(gè)新的能量泛函，在泛函中引入柔化核函數(shù)作為窗口核函數(shù)，構(gòu)造一個(gè)新的符號(hào)壓力函數(shù)來(lái)代替測(cè)地線(xiàn)邊緣檢測(cè)函數(shù)，并以局部信息熵作為圖像擬合能量項(xiàng)的權(quán)重，通過(guò)非凸正則化項(xiàng)來(lái)約束水平集函數(shù)。由此得到的算法不僅能加快輪廓曲線(xiàn)的收斂速度，而且可以處理那些由于光照或其他外界因素的變化產(chǎn)生的灰度不均勻或者模糊的圖像，提高分割的精確性。將算法在合成圖像和真實(shí)圖像上做仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該算法具有較快的收斂速度，分割也較準(zhǔn)確，同時(shí)對(duì)輪廓曲線(xiàn)的初始位置不敏感，具有很好的魯棒性。

混合測(cè)地區(qū)域活動(dòng)輪廓模型；柔化核函數(shù)；符號(hào)壓力函數(shù)；局部信息熵；非凸正則化項(xiàng)

1　引言

圖像分割是圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)基礎(chǔ)問(wèn)題。許多學(xué)者已經(jīng)對(duì)此進(jìn)行了廣泛的研究，并提出了多種圖像分割算法，其中基于變分偏微分方程[1]的活動(dòng)輪廓模型是最成功的算法之一。活動(dòng)輪廓模型算法的基本思想是在一些約束條件下演化輪廓曲線(xiàn)來(lái)提取理想的目標(biāo)。性質(zhì)，現(xiàn)有的活動(dòng)輪廓模型圖像分割算法分為基于兩類(lèi)。

測(cè)地線(xiàn)活動(dòng)輪廓模型[3]是其中最經(jīng)典的一種基于邊緣的圖像分割模型，它使用圖像的梯度信息構(gòu)造一個(gè)邊緣檢測(cè)函數(shù)來(lái)控制輪廓曲線(xiàn)的演化，使其在目標(biāo)邊緣停止演化，從而得到目標(biāo)的邊界。此后，其他一些相關(guān)算法通過(guò)引入一個(gè)氣球力項(xiàng)來(lái)控制輪廓曲線(xiàn)的收縮和擴(kuò)張，然而氣球力的設(shè)計(jì)比較困難。由于基于邊緣的模型容易得到局部極小值，故當(dāng)初始輪廓曲線(xiàn)距離目標(biāo)邊界較遠(yuǎn)時(shí)不能夠檢測(cè)到區(qū)域的內(nèi)部和外部邊界。

1989年Mumford和Shah[6]提出了基于區(qū)域的模型（簡(jiǎn)稱(chēng)MS模型），但由于計(jì)算太復(fù)雜而很難應(yīng)用于實(shí)踐。后來(lái)Chan和Vese[7]對(duì)MS模型進(jìn)行了簡(jiǎn)化，提出具有里程碑意義的經(jīng)典Chan-Vese模型（簡(jiǎn)稱(chēng)CV模型）。后來(lái)出現(xiàn)了許多基于此模型的改進(jìn)模型，其中影響較為廣泛的是李純明教授提出的一系列方法。Li等人在文獻(xiàn)[8]中提出了一種能避免水平集函數(shù)演化過(guò)程中重新初始化的新算法，在文獻(xiàn)[4]和[9]中提出了比較經(jīng)典的RSF（region-scalable fitting）活動(dòng)輪廓模型和基于距離正則化的活動(dòng)輪廓模型，并對(duì)演化過(guò)程中的水平集函數(shù)做正則化約束。針對(duì)CV模型因光照不均勻與成像設(shè)備不完善而導(dǎo)致灰度不均勻圖像的分割效果不盡如人意問(wèn)題，Li等人[13]推導(dǎo)出了一個(gè)考慮圖像局部灰度聚類(lèi)性質(zhì)的一種新的基于區(qū)域的方法，它用區(qū)域偏移場(chǎng)來(lái)修正區(qū)域平均灰度。此外，Lankton等人[14]提出的基于區(qū)域的混合測(cè)地線(xiàn)水平集演化圖像分割方法也為變分水平集活動(dòng)輪廓的圖像分割提供了新的思路。后來(lái)的研究者也提出了類(lèi)似的一些改進(jìn)算法[16]，取得了不錯(cuò)的效果。

與基于邊緣的模型相比，基于區(qū)域的模型具有許多優(yōu)勢(shì)。首先，基于區(qū)域的模型使用輪廓區(qū)域內(nèi)部和外部的統(tǒng)計(jì)信息來(lái)控制曲線(xiàn)演化，對(duì)噪聲敏感度較低，并且對(duì)具有弱邊界和沒(méi)有邊界的圖像分割效果較好。其次，對(duì)初始化輪廓區(qū)域位置敏感度相對(duì)較低，能有效地分割出目標(biāo)區(qū)域。

針對(duì)變分水平集算法在圖像分割過(guò)程中計(jì)算量較大且收斂速度慢的現(xiàn)象，本文在前人研究的基礎(chǔ)上[3-4,6-9]，基于區(qū)域混合測(cè)地線(xiàn)的思路提出了一種新的基于區(qū)域的變分水平集圖像分割模型——引入局部信息熵的混合測(cè)地區(qū)域活動(dòng)輪廓模型（hybrid geodesic region active contour model of local entropy，HGRACM-LE）。該模型首先構(gòu)造一個(gè)新的關(guān)于水平集函數(shù)的能量泛函，它用一個(gè)新的符號(hào)壓力函數(shù)（signed pressure force function，SPF）來(lái)代替測(cè)地線(xiàn)邊緣檢測(cè)函數(shù)，引入柔化核函數(shù)作為窗口核函數(shù)對(duì)圖像能量擬合項(xiàng)進(jìn)行平滑，同時(shí)增加了關(guān)于水平集函數(shù)的非凸正則化項(xiàng)對(duì)其進(jìn)行約束，以便保證水平集函數(shù)在演化過(guò)程中保持理想的形狀。然后，通過(guò)求解關(guān)于輪廓曲線(xiàn)水平集解能量泛函的歐拉方程得到曲線(xiàn)演化的梯度下降流。最后，使用經(jīng)典的有限差分法得到梯度下降迭代方程，通過(guò)迭代演化得到極小值，從而得到圖像分割結(jié)果。

2　相關(guān)背景知識(shí)

2.1測(cè)地線(xiàn)模型

測(cè)地線(xiàn)活動(dòng)輪廓模型[3]是利用黎曼空間中測(cè)地線(xiàn)的概念，將尋找圖像中目標(biāo)邊界的問(wèn)題轉(zhuǎn)化為尋找一條加權(quán)弧長(zhǎng)最小值的問(wèn)題。

令Ω?R2為圖像區(qū)域，I:Ω→R為輸入圖像，C(q)為封閉輪廓區(qū)域的輪廓曲線(xiàn)，則測(cè)地線(xiàn)模型[6]即為極小化以下能量泛函：

其中，k是輪廓曲線(xiàn)的曲率；N是輪廓曲線(xiàn)的內(nèi)部法向量。通常增加一個(gè)恒速度項(xiàng)α來(lái)提高輪廓曲線(xiàn)演化的擴(kuò)散速度，故方程（3）可寫(xiě)為:

其中，α是氣球力，用來(lái)控制輪廓曲線(xiàn)的收縮和擴(kuò)張。

2.2RSF模型

為了處理活動(dòng)輪廓模型中的灰度不均問(wèn)題，Li等人[4,9]提出了RSF模型。給定圖像區(qū)域I:Ω?R2→R，C為在圖像區(qū)域中的封閉輪廓曲線(xiàn)，它將圖像區(qū)域分為兩部分Ω1=inside(C)和Ω2=outside(C)，具體能量泛函表示如下：

其中，λ1,λ2>0為調(diào)優(yōu)參數(shù)，用以平衡兩項(xiàng)所占的比重；f1(x)和 f2(x)分別用來(lái)估計(jì)在圖像子區(qū)域Ω1、Ω2中圖像強(qiáng)度的兩個(gè)值； ||C為輪廓曲線(xiàn)的長(zhǎng)度；距離正則化項(xiàng)定義為：

泛函中非負(fù)核函數(shù)K在[0,+∞)上滿(mǎn)足如下性質(zhì)：

在RSF模型中，核函數(shù)K取標(biāo)準(zhǔn)差為σ的高斯核函數(shù)，具體定義為：

其一階導(dǎo)數(shù)為：

為使能量泛函達(dá)到極小，關(guān)于 f1(x)和 f2(x)分別求偏導(dǎo)并令其等于0，即得：而關(guān)于極小化可得到如下的梯度下降流方程：其中e1和e2函數(shù)定義為：

3　局部信息熵的快速混合測(cè)地區(qū)域活動(dòng)輪廓模型

針對(duì)變分水平集算法在圖像分割過(guò)程中計(jì)算量較大且收斂速度慢的現(xiàn)象，本文提出了一種新的基于區(qū)域的活動(dòng)輪廓圖像分割模型——局部信息熵的混合測(cè)地區(qū)域活動(dòng)輪廓模型，下面具體介紹算法。

3.1局部信息熵

本文在空間連續(xù)的局部區(qū)域中定義局部信息熵。對(duì)于一幅圖像I:Ω?R2和一個(gè)固定的規(guī)則區(qū)域Ωx?Ω（例如，一個(gè)以點(diǎn)x∈Ω為中心的鄰域），點(diǎn)x的局部信息熵定義為：

其中灰度級(jí)分布p(y,Ωx)為：

通常，鄰域中局部信息熵和強(qiáng)度變化有關(guān)。例如，在均勻區(qū)域中局部信息熵很大，而在異質(zhì)區(qū)域中局部信息熵很小。因此，當(dāng)點(diǎn)x在（異質(zhì)或噪聲）勻質(zhì)區(qū)域中時(shí)，點(diǎn)x處局部熵很大（很?。?。

3.2局部信息熵的快速混合測(cè)地區(qū)域活動(dòng)輪廓模型

令Ω?R2為圖像區(qū)域，I:Ω→R為輸入圖像，將封閉輪廓曲線(xiàn)C用高一維水平集表示為C={(x,y)∈。將區(qū)域Ω劃分為一些不相交的圖像區(qū)域

b和c分別表示由圖像構(gòu)成的變化緩慢的偏移場(chǎng)和圖像區(qū)域的灰度強(qiáng)度的均值向量(c1,c2)[13]，于是保證輪廓曲線(xiàn)向邊緣收斂的數(shù)據(jù)擬合能量泛函可定義如下：

該正則化項(xiàng)可以更好地保持勻質(zhì)區(qū)域的幾何形狀，防止邊緣和成員函數(shù)過(guò)平滑，也可以減弱H(?)函數(shù)在計(jì)算過(guò)程中造成的目標(biāo)輪廓模糊現(xiàn)象。而為了避免水平集函數(shù)在演化過(guò)程中需要重新初始化水平集，在能量泛函中引入以下距離正則化項(xiàng)[12]：

這樣，本文所研究的能量泛函可表示為：

通過(guò)求解上述能量泛函的極小值實(shí)現(xiàn)對(duì)圖像中目標(biāo)區(qū)域的分割。

3.3模型求解

能量泛函模型（22）的求解分以下3個(gè)步驟：

其中它也可以表示為：

它可看作輪廓曲線(xiàn)指針，并滿(mǎn)足以下邊緣保持假設(shè)：

對(duì)于測(cè)地?cái)?shù)據(jù)項(xiàng)，構(gòu)造以下SPF函數(shù)并替代邊緣檢測(cè)函數(shù)g，具體函數(shù)定義如下：

其中c1與c2的定義同式（23）。該函數(shù)的取值范圍為[-1,1]，它能調(diào)節(jié)目標(biāo)區(qū)域內(nèi)外壓力的符號(hào)，從而使輪廓曲線(xiàn)在區(qū)域外時(shí)向內(nèi)收縮，而輪廓曲線(xiàn)在區(qū)域內(nèi)時(shí)向外擴(kuò)張。

于是，梯度下降方程（25）可寫(xiě)為：

在本文HGRACM-LE算法中，水平集函數(shù)可以初始化為常量，輪廓曲線(xiàn)內(nèi)外符號(hào)不同，這種方式在實(shí)際應(yīng)用中比較容易實(shí)現(xiàn)。另外，基于曲率的項(xiàng)通常用來(lái)正則化水平集函數(shù)。因?yàn)槭且粋€(gè)符號(hào)距離函數(shù)（sign distance function，SDF），它滿(mǎn)足=1，所以上述正則化曲率項(xiàng)可以寫(xiě)為，它表示對(duì)水平集函數(shù)做拉普拉斯運(yùn)算。根據(jù)文獻(xiàn)[21]和文獻(xiàn)[22]中的scale-space理論，函數(shù)演化的拉普拉斯運(yùn)算等價(jià)于對(duì)函數(shù)初始化情況做高斯濾波運(yùn)算，因此可以用一個(gè)高斯濾波過(guò)程替代正則化過(guò)程，而高斯函數(shù)的標(biāo)準(zhǔn)差可以用來(lái)控制正則化強(qiáng)度。因此，水平集函數(shù)的梯度下降流方程可以簡(jiǎn)化為：令，則使用有限差分法離散化，

求解上述方程的梯度下降流得：

輪廓曲線(xiàn)在邊界處滿(mǎn)足Neumann邊界條件。

綜上所述，具體算法計(jì)算流程如下。

其中Ω0為圖像區(qū)域Ω的子區(qū)域，初始化水平集輪廓

曲線(xiàn)的內(nèi)部區(qū)域。

（2）根據(jù)式（23）和（24）計(jì)算c1、c2、b。

（3）根據(jù)式（30）在圖像區(qū)域中計(jì)算spf函數(shù)的值。

（4）根據(jù)式（33）迭代演化水平集函數(shù)。

（6）驗(yàn)證迭代終止條件是否滿(mǎn)足。如滿(mǎn)足，則停止迭代；否則，轉(zhuǎn)步驟（2）。

在步驟（5）中，高斯濾波函數(shù)Gσ的標(biāo)準(zhǔn)差σ是一個(gè)重要的參數(shù)，根據(jù)不同圖像需要做出適當(dāng)選擇。如果σ太小，算法將會(huì)對(duì)噪聲敏感，輪廓曲線(xiàn)的演化會(huì)不穩(wěn)定；如果σ太大，可能會(huì)遇到邊界遺漏情況，使檢測(cè)到的目標(biāo)邊界不準(zhǔn)確。在實(shí)驗(yàn)中，為了提高效率，將高斯核截取為K×K的掩膜函數(shù)，通常K的取值小于6。σ的一般取值范圍為0.1到5。

4　實(shí)驗(yàn)結(jié)果與分析

本文通過(guò)一系列仿真實(shí)驗(yàn)來(lái)驗(yàn)證HGRACM-LE算法的有效性，并將實(shí)驗(yàn)結(jié)果和RSF模型實(shí)驗(yàn)結(jié)果做了對(duì)比分析。所有實(shí)驗(yàn)的硬件運(yùn)行環(huán)境為Intel?CoreTM2 Duo CPU 3 GB內(nèi)存，軟件環(huán)境為Matlab R2012b搭載在Windows7旗艦版操作系統(tǒng)上。

Fig.1　Segmentation results of HGRACM-LE algorithm and RSF model for different images圖1HGRACM-LE算法和RSF模型算法對(duì)不同圖像的分割結(jié)果

第一組實(shí)驗(yàn)選了3幅圖像，如圖1所示。其中圖像1為84×84像素的bmp壓縮格式的合成圖像，圖像2和圖像3分別為200×200像素和180×132像素的bmp壓縮格式和jpg壓縮格式的真實(shí)圖像。實(shí)驗(yàn)參數(shù)為：，其中α依次分別為0.01,15,0.5，高斯濾波函數(shù)為方差σ依次取1.5,0.3,0.6的5×5的濾波矩陣。圖1（a）為圖像的初始輪廓曲線(xiàn)形狀和位置；圖1（b）為對(duì)應(yīng)圖1（a）初始化輪廓曲線(xiàn)RSF模型算法迭代計(jì)算80次、300次及240；圖1（c）為對(duì)應(yīng)圖1（a）初始化輪廓曲線(xiàn)HGRACM-LE算法迭代2次的分割結(jié)果。由圖像分割結(jié)果對(duì)比可知，本文提出的算法可以更準(zhǔn)確地分割出目標(biāo)圖像，沒(méi)有多余的演化曲線(xiàn)表1是對(duì)應(yīng)1仿真實(shí)驗(yàn)兩種算法的CPU。從數(shù)據(jù)對(duì)比可知，本文HGRACM-LE算法收斂較快，分割出圖像所需要的時(shí)間較短。

第二組實(shí)驗(yàn)如圖2所示，實(shí)驗(yàn)所選圖像為png壓縮格式的大小為400×320像素的真實(shí)圖像，該圖像由于光照條件影響，圖像灰度強(qiáng)度明顯分布不均勻。實(shí)驗(yàn)所選參數(shù)為w=1,α=1,λ1=λ2=1,μ=0.005× 2552,v=0.01,1,1，高斯濾波函數(shù)為方差σ依次為1.5,4,2.5,1的5×5的濾波矩陣。圖2（a）為圖像中的初始輪廓曲線(xiàn)位置；圖2（b）為對(duì)應(yīng)圖2（a）初始位置RSF模型算法在輪廓曲線(xiàn)迭代100次以后的分割結(jié)果；圖2（c）為對(duì)應(yīng)圖2（a）初始化位置本文HGRACMLE算法在輪廓曲線(xiàn)迭代4次后的分割結(jié)果。由圖像分割結(jié)果對(duì)比可知，本文提出的HGRACM-LE算法分割出的目標(biāo)圖像更為準(zhǔn)確，沒(méi)有多余的環(huán)狀演化曲線(xiàn)。而表2是RSF模型和HGRACM-LE算法在不同初始化位置相應(yīng)的CPU耗時(shí)。由表2不難看出，HGRACM-LE算法較RSF模型算法分割收斂速度更快。

Table 1　CPU time of RSF model and HGRACM-LE algorithm to segment image in different initial contours表1RSF模型和HGRACM-LE算法對(duì)不同圖像分割結(jié)果的CPU耗時(shí)

圖2　HGRACM-LE算法和RSF模型算法在不同輪廓曲線(xiàn)初始位置時(shí)對(duì)灰度不均勻圖像的分割結(jié)果

Table 2　CPU time of RSF model and HGRACM-LE algorithm to segment the image in different initial contours表2RSF模型和HGRACM-LE算法在初始位置不同時(shí)分割圖像CPU耗時(shí)　s

Fig.3　Segmentation results of HGRACM-LE algorithm with differentσin Gaussian filter function圖3HGRACM-LE算法在高斯濾波函數(shù)中σ不同取值時(shí)圖像分割結(jié)果

第三組實(shí)驗(yàn)如圖3所示，所選圖像為bmp壓縮格式的醫(yī)學(xué)中的核磁共振圖像，大小為256×256像素。本實(shí)驗(yàn)主要討論算法計(jì)算過(guò)程中步驟（5）高斯濾波函數(shù)對(duì)分割結(jié)果的影響。實(shí)驗(yàn)所選參數(shù)為λ1=λ2=1.5,μ=0.005×2552,v=w=1,α=1，高斯濾波函數(shù)為5×5的濾波矩陣。圖3中圖（a）為初始化輪廓曲線(xiàn)，圖（b）~（i）分別為高斯濾波函數(shù)標(biāo)準(zhǔn)差σ=0.01,0.1,1,3,5,7,10,15時(shí)對(duì)應(yīng)（a）所示輪廓曲線(xiàn)在迭代計(jì)算8次的圖像分割結(jié)果。從實(shí)驗(yàn)分割結(jié)果來(lái)看，當(dāng)σ取值較小時(shí)（如（b）（c）所示），可以取得較為精細(xì)的分割結(jié)果，但是會(huì)受一些噪聲點(diǎn)的影響；當(dāng)σ取較大值時(shí)，分割結(jié)果受噪聲影響較小，但是分割結(jié)果不夠精確；當(dāng)σ>5時(shí)，分割結(jié)果接近相同，說(shuō)明此時(shí)高斯濾波函數(shù)已經(jīng)失去了平滑圖像噪聲的作用，對(duì)分割結(jié)果幾乎不產(chǎn)生影響。因此，σ的取值范圍一般控制在(0,5]之間，根據(jù)具體圖像選擇合適的值。

綜上可知，本文HGRACM-LE算法可以有效地處理灰度不均圖像，且算法對(duì)輪廓曲線(xiàn)的初始位置不敏感，分割準(zhǔn)確性較高，速度也較快。

5　結(jié)束語(yǔ)

本文提出了一種基于局部信息熵的快速混合測(cè)地區(qū)域活動(dòng)輪廓模型的圖像分割算法。本文算法使用雙圖像擬合項(xiàng)，并構(gòu)造了新的SPF函數(shù)來(lái)代替邊緣檢測(cè)函數(shù)，以高斯濾波代替拉普拉斯運(yùn)算，從而降低了迭代計(jì)算的復(fù)雜度，可以加速輪廓曲線(xiàn)的收斂速度，從而減少分割所需的時(shí)間。另外，算法引入柔化核函數(shù)作為窗口核函數(shù)對(duì)圖像能量擬合項(xiàng)進(jìn)行平滑，同時(shí)通過(guò)非凸函數(shù)對(duì)水平集函數(shù)進(jìn)行正則化，使得函數(shù)在演化過(guò)程中保持理想的形狀。從實(shí)驗(yàn)結(jié)果可以看出，本文算法在處理灰度不均勻圖像時(shí)也取得了較好的分割效果，且對(duì)初始輪廓曲線(xiàn)的位置不敏感，具有很好的穩(wěn)定性。

References:

[1]Aubert G,Kornprobst P.Mathematical problems in image processing:partial differential equations and the calculus of variations[M].[S.l.]:Springer Science&Business Media, 2006.

[2]Kass M,Witkin A,Terzopoulos D.Snakes:active contour models[J].International Journal of Computer Vision,1988, 1(4):321-331.

[3]Caselles V,Kimmel R,Sapiro G.Geodesic active contours[J]. International Journal of Computer Vision,1997,22(1):61-79.

[4]Li Chunming,Kao CY,Gore J C,et al.Minimization of regionscalable fitting energy for image segmentation[J].IEEE Transactions on Image Processing,2008,17(10):1940-1949.

[5]Zhang Jianwei,Ma Xiang,Chen Yunjie,et al.MR image segmentation based on local information entropy geodesic active contour model[J].International Journal of Multimedia and Ubiquitous Engineering,2014,9(4):127-136.

[6]Mumford D,Shah J.Optimal approximations by piecewise smooth functions and associated variational problems[J]. Communications on Pure and Applied Mathematics,1989, 42(5):577-685.

[7]Chan T F,Vese L A.Active contours without edges[J].IEEE Transactions on Image Processing,2001,10(2):266-277.

[8]Li Chunming,Xu Chenyang,Gui Changfeng,et al.Level set evolution without re-initialization:a new variational formulation[C]//Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego,USA,Jun 20-26,2005.Washington:IEEE Computer Society,2005,1:430-436.

[9]Li Chunming,Kao C Y,Gore J C,et al.Implicit active contours driven by local binary fitting energy[C]//Proceedings of the 2007 IEEE Conference on Computer Vision and Pattern Recognition,Minneapolis,USA,Jun 18-23,2007.Washington:IEEE Computer Society,2007:1-7.

[10]Zhang Kaihua,Zhang Lei,Song Huihui,et al.Active contours with selective local or global segmentation:a new formulation and level set method[J].Image and Vision Computing, 2010,28(4):668-676.

[11]He Chuanjiang,Wang Yan,Chen Qiang.Active contours driven by weighted region-scalable fitting energy based on local entropy[J].Signal Processing,2012,92(2):587-600.

[12]Li Chunming,Xu Chenyang,Gui Changfeng,et al.Distance regularized level set evolution and its application to image segmentation[J].IEEE Transactions on Image Processing,2010,19(12):3243-3254.

[13]Li Chunming,Huang Rui,Ding Zhaohua,et al.A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI[J].IEEE Transactions on Image Processing,2011,20(7):2007-2016.

[14]Lankton S,Nain D,Yezzi A,et al.Hybrid geodesic regionbased curve evolutions for image segmentation[C]//SPIE 6510:Medical Imaging 2007,Physics of Medical Imaging,San Diego,USA,Feb 17-22,2007.[S.l.]:International Society for Optics and Photonics,2007.

[15]Han Yu,Wang Weiwei,Feng Xiangchu.A new fast multiphase image segmentation algorithm based on nonconvex regularizer[J].Pattern Recognition,2012,45(1):363-372.

[16]Xu Haiyong,Liu Tingting,Wang Guotao.Hybrid geodesic region-based active contours for image segmentation[J]. Computers&Electrical Engineering,2014,40(3):858-869.

[17]Peng Yali,Liu Fang,Liu Shigang.Active contours driven by normalized local image fitting energy[J].Concurrency and Computation:Practice and Experience,2014,26(5):1200-1214.

[18]Frieden B R.Restoring with maximum likelihood and maximum entropy[J].Journal of the Optical Society of America, 1972,62(4):511-518.

[19]Sezgin M.Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging,2004,13(1):146-168.

[20]Shiozaki A.Edge extraction using entropy operator[J]. Computer Vision,Graphics,and Image Processing,1986,36 (1):1-9.

[21]Shi Y,Karl W C.Real-time tracking using level sets[C]// Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego,USA,Jun 20-26,2005.Washington:IEEE Computer Society,2005,2:34-41.

[22]Perona P,Malik J.Scale-space and edge detection using anisotropic diffusion[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(7):629-639.

LIN Xilan was born in 1989.She is an M.S.candidate at Jiangnan University,the student member of CCF.Her research interests include digital image processing and image segmentation,etc.

林喜蘭（1989—），女，河南新鄉(xiāng)人，江南大學(xué)碩士研究生，CCF學(xué)生會(huì)員，主要研究領(lǐng)域?yàn)閿?shù)字圖像處理，圖像分割等。

CHEN Xiuhong was born in 1964.He received the Ph.D.degree in applied mathematics from East China University of Science and Technology in 2000.During 2001 to 2006,he was doing postdoctoral research work successively at Nanjing University and Nanjing University of Science and Technology.Now he is a professor at Jiangnan University. His research interests include digital image processing,pattern recognition,artificial intelligence and moving targets tracking,etc.

陳秀宏（1964—），男，江蘇泰州人，2000年于華東理工大學(xué)獲得博士學(xué)位，2001—2006年在南京大學(xué)和南京理工大學(xué)從事博士后研究工作，現(xiàn)為江南大學(xué)數(shù)字媒體學(xué)院教授，主要研究領(lǐng)域?yàn)閿?shù)字圖像處理，模式識(shí)別，人工智能，運(yùn)動(dòng)目標(biāo)跟蹤等。在專(zhuān)業(yè)雜志發(fā)表學(xué)術(shù)論文逾100篇，參加國(guó)家自然科學(xué)基金項(xiàng)目3項(xiàng)，江蘇省自然科學(xué)基金項(xiàng)目1項(xiàng)，主持省部級(jí)研究項(xiàng)目3項(xiàng)，省博士后基金項(xiàng)目1項(xiàng)，橫向科研項(xiàng)目若干。

XIAO Linyun was born in 1988.He is an M.S.candidate at Jiangnan University.His research interest is digital image processing.

肖林云（1988—），男，湖南邵陽(yáng)人，江南大學(xué)碩士研究生，主要研究領(lǐng)域?yàn)閿?shù)字圖像處理。

Fast Hybrid Geodesic Region Active Contour Model of Local Entropy*

LIN Xilan+,CHEN Xiuhong,XIAO Linyun
School of Digital Media,Jiangnan University,Wuxi,Jiangsu 214122,China
+Corresponding author:E-mail:linxilanjn@163.com

LIN Xilan,CHEN Xiuhong,XIAO Linyun.Fast hybrid geodesic region active contour model of local entropy. Journal of Frontiers of Computer Science and Technology,2016,10(9):1332-1340.

Aiming at the phenomenon that the variational level set algorithm takes large amount of calculation and converges slowly in the process of image segmentation,this paper proposes a new hybrid geodesic region active contour model of local entropy based on the predecessors’research.The model constructs a new energy functional,introduces a mollifying kernel function to be window function,constructs a new signed pressure force function to replace the geodesic edge stopping function,and uses local entropy as the weight of image fitting energy,then adds a nonconvex regularization term to constrain the level set function.The algorithm getting from this not only accelerates the convergence rate of the contour curve,but also can address image segmentation inaccuracy for image intensity inhomogeneity or blurring caused by the change of illumination or other external factors.The simulation experiment results on synthetic images and real images show that the proposed algorithm is of higher converging speed and better accuracy,less sensitive to the location of initial contour at the same time,and has better robustness.

hybrid geodesic region active contour model;mollifying kernel function;signed pressure force function;local entropy;nonconvex regularization term

*The National Natural Science Foundation of China under Grant No.61373055(國(guó)家自然科學(xué)基金). Received 2015-06,Accepted 2015-08.

CNKI網(wǎng)絡(luò)優(yōu)先出版:2015-09-06,http://www.cnki.net/kcms/detail/11.5602.TP.20150906.1556.008.html

A

TP391.4