一种改进的Live_Wire交互式图像分割算法

　第25卷第8期系统工程与电子技术SystemsEngineeringandElectronics　Vol125No18,2003

　　

收稿日期:2002-10-19 修订日期:2003-04-15

基金项目:北京大学视觉与听觉信息处理国家重点实验室基金资助课题。作者简介:高新波(1972-),男,副教授,博士,主要研究方向为图像处理,模式识别和多媒体信息处理等。

　文章编号:10012506X(2003)0820915203

一种改进的Live2Wire交互式图像分割算法高新波1,2,雷　云1,姬红兵1(1.西安电子科技大学电子工程学院,陕西西安710071;

2.北京大学视觉与听觉信息处理国家重点实验室,北京100871)

摘　要:提出了一种改进的Live2Wire交互式图像分割算法。与原Live2Wire算法相比,改进算法在不增加算法复杂度的同时,大大提高了图像分割的性能,而且在3个方面弥补了原算法的不足:(1)对噪声相当敏感;(2)不能有效地区分图像中的强弱边缘;(3)不适用于边缘弯曲程度较大的图像。将改进算法与窗宽/窗位调整算法相结合用于医学图像分割中,取得了良好的分割效果。关键词:交互式图像分割;Live2Wire算法;Canny算子;窗宽/窗位调整中图分类号:TP391 文献标识码:A

AnImprovedLive2WireAlgorithmforInteractiveImageSegmentationGAOXin2bo1,2,LEIYun1,JIHong2bing1(1.SchoolofElectronicEngineering,XidianUniversity,Xi’an710071,China;

2.NationalLab.onMachinePerception,BeijingUniversity,Beijing100871,China)

Abstract:Animprovedlive2wirealgorithmforinteractiveimagesegmentationispresented.Incomparisonwiththeexistinglive2wirealgorithm,theproposedone,withthesamecomplexity,greatlyimprovestheperformanceofimagesegmentation.Meanwhile,themodifiedalgorithmovercomesthefollowingdrawbacksofthetraditionalone:(1)rathersensitivetonoise;(2)inefficienttodis2tinguishbetweenstrongandweakedges;(3)inapplicabletosegmentingtheimageswithsharpedges.Inaddition,slidewindowpro2cessingisincorporatedinthisalgorithm,whichbringsaboutabetterperformanceinmedicalimagesegmentation.Keywords:Interactiveimagesegmentation;Live2Wirealgorithm;Cannyoperator;Slidewindowprocessing

1　引　言图像分割是指把感兴趣的目标从背景中分离出来,是图像处理到图像分析过程中至关重要的一步。长期以来,图像分割一直受到人们的高度重视,至今已提出很多类型的分割算法。就图像分割的方式而言,现有算法可大致分为3种类型[1～3,6]:自动分割,手工分割,交互式分割。

常见的自动分割方法有基于灰度信息的投影分割法和直方图分割法,以及基于细节特征的边缘检测法[4]。由于图像的类型和内容多种多样,自动分割方法对多目标或背景复杂的图像很难奏效。因此,往往需要一定的人工干预。不过,全手工的图像分割是一项极为耗时和枯燥的工作,而且分割结果是不精确和不可重复的。尤其是当图像尺寸较大或数目较多时,如遥感图像,医学断层图像序列等,全手工的方法是不可取的。鉴于自动分割和手工分割的局限性,交互式图像分割方

法就应运而生了。这种分割方法的优点体现在以下两个方面:(1)高精度:在减少人工干预的情况下,该方法既弥补了自动分割的不足,又比手工分割要精确得多;(2)可重复性:

对同一幅图像进行分割时,分割的结果不会因为操作者的不同和分割过程的不同而产生差异。常用的交互式分割技术有Live2Wire[2],Snakes[4]和Live2Lane[6]等。其中Live2Wire算法可以将人工干预减少到最小程度,被广泛应用于医学图像处理中。现有的Live2Wire算法对噪声相当敏感,不能有效地区分图像中的强弱边缘,不适用于边缘弯曲程度较大的图像。针对上述问题,本文提出了一种改进的Live2Wire算法,并以实际的医学CT图像为例与现有Live2Wire算法的分割性能进行了比较。

2　Live2Wire算法Live2Wire算法是由Barrett和Mortensen提出的一种交互式边缘提取和图像分割方法[2]。其工作机理为利用动态规划方法产生图像中给定两点间的最优路径,合理地构造代价函数和选择起始点和目标点,用以提取物体的边缘。2.1　最优路径的产生在待分割的图像上构造一个加权有向图G(V,A),节点

集V由图像中的像素组成,每个节点被赋予一个权,节点间

的弧表示像素间的邻接关系。如果给物体的边缘像素赋较小的权,而给非边缘像素赋较大的权,同时邻接像素间的弧赋0代价,而非邻接像素间的弧赋+∞代价,那么,边缘提取就转化为起始点和目标点间的最短路径的产生。Dijkstra算法可以用来求解最优路径,首先按路径长度递增的次序产生起始点到目标点的最短路径。对有向连通图G(V,A),首先取出起始点u0∈V,并把它放入最短路径

图S=(U,B)中,此时有U={u

0},B=󰂊;然后从任意u

∈U和v∈V2U中找出一条费用最小的弧

3,v3

>加入

到S中去,即U∪{v

3}→U,B∪{

>}→B。U

中每增加一个节点,都要对V2U中的各节点到起始点的总费用进行如下修正:以v3作为中间节点,将B中最短路径与弧的费用之和同当前最短路径的费用相比较,如果前者更小则用它的费用来更新u0到vi的最小费用;否则,不作更新。重复上述过程,直到U=V为止。显然,该算法的时间复杂度为O(n2)。

2.2　构造代价函数为了保证Dijkstra算法得到的最短路径能准确地表示目标的边缘,Barrett和Mortensen构造了如下的代价函数[2]

l(p,q)=ωG×fG(q)+ωz×fZ(q)+ωD×fD(p,q)

(1)

式中　l(p,q)———像素p到其邻接像素q的局部代价;

ω

G,

ωZ和ωD———加权系数。fG(q),fZ(q)和fD(q)———对应像素

q处的梯度特征函数、Laplace过零特征函数和光滑度约束函数

fG(q)=1-G(q)max(G)(2)

fZ(q)=0L(q)=01L(q)≠0(3)

fD(q)=23πcos[D(p)・|p-q|]-1+　cos[D(q)・|p-q|]

-1

(4)

式中　G(q)和L(q)分别给出像素q处的梯度的幅值和Laplace值;D(・)———图像中某点梯度的单位法向量。这样,

对Πp,q有0≤l(p,q)≤1

。

3　Live2Wire算法性能分析利用式(1)给出的代价函数,Dijkstra算法可以有效地求解出图像中给定的种子点到自由点之间的最短路径,如图1

(a)所示。显然,理论上只需要插入3个种子点,就可以用

Live2Wire算法提取出感兴趣物体的一条闭合的轮廓线。由式(1)知,Barrett和Mortensen的代价函数中使用了Laplace算子。而Laplace算子对噪声相当敏感,且提取到的边缘为双像素宽度。所以,当图像受到噪声干扰时,Live2Wire算法就会产生错误的结果,如图1(b)所示。此外,Live2Wire算法对像素的Laplace值取了二值化(见式(3)),这样,对图像中的强弱边缘没有加以区分,而且,该算法的代价函数对像素的梯度值采用了线性加权(见式(2)),这两个因素都会使Live2Wire算法产生分割错误,如图1(c)～图1(d)所示。因此,Barrett和Mortensen提出的Live2Wire算法有如下3

个不足之处:(1)对噪声相当敏感;(2)不能有效地区分图像中的强弱边缘;(3)对边缘曲线弯曲程度较大的图像不适用。当然,如果在图1(b)～图1(d)中的种子点与自由点之间再插入多个种子点有可能会减少甚至避免产生以上的错误,但是这样就会引入更多的甚至大量的人工干预,无法体现出Live2Wire算法只需极少量的人工干预的优点。

(a) (b)(c) (d)图1　Live2Wire算法的几个实例

4　改进的Live2Wire算法为了抗噪声干扰,可以选用LoG算子和DoG算子[4]来提取图像的边缘特征。但是,这两个算子在抗噪声干扰的同时,会抑制掉图像中较弱的边缘。如果使用Canny算子[5]来提取图像的边缘特征,则既可以抗噪,又能同时提取出图像中的强弱边缘,而且可以得到单像素宽度的精确边缘。Canny算子的实现步骤如下。(1)对图像进行平滑处理。设原始图像为I(x,y),则

平滑后的图像为S(x,y)=G(x,y,σ)󰃁I(x,y)(5)

・619・系统工程与电子技术2003年