融合各向异性扩散信息的图像分割

目的 图像因各种因素的影响存在一定程度的噪声，而噪声会在图像分割时影响待分割目标的边缘识别，导致分割结果难以达到理想状态。针对以上问题，在距离规则化水平集（DRLSE）演化模型的基础上，提出一种将各向异性扩散散度场信息融合到DRLSE模型中的新模型。方法 将水平集函数初始化为分段常数表达式，设定演化方程中的参数和水平集函数演化过程中的迭代时间步长Δt。随后将常值权系数α替换为融合各项异性扩散散度场信息的变权系数α（I），对水平集函数的演化方程进行迭代演化，直至收敛到目标边缘。输出最终演化轮廓。结果 对选自Weizmann数据库的图像和经过人为改造的的图像进行图像分割实验，采用迭代时间和评价分割结果相似性的J系数（Jaccard相似性系数）和D系数（Dice相似性系数）等定量指标进行评价。对无噪声图像和噪声图像分割时，本文模型的J系数和D系数均比DRLSE模型的值大，表明本文模型的分割结果与真值图像的相似性较高。在分割时间方面，仅在分割背景简单边缘清晰的无噪声图像时，本文模型较DRLSE模型略长；在分割边缘清晰、背景灰度不均匀和边缘模糊、背景灰度不均匀的无噪声图像以及人为添加噪声的各种情况下，本文模型分割时间均明显短于DRLSE模型。其中，对边缘模糊、背景灰度不均匀的无噪声图像，本文模型分割时间为3.718 s，较DRLSE模型短9.523 s；对存在噪声、待分割目标存在凹区域且边缘模糊背景灰度不均匀图像，本文模型分割时间为4.235 s，较DRLSE模型短35.165 s。结论 实验结果表明，融合了各向异性扩散信息的DRLSE模型在图像分割尤其是噪声图像分割方面，具有明显的有效性、高效性和鲁棒性。

Image segmentation based on anisotropic diffusion information